Por Canuto  

Amazon lanzó Strands Decider 2B, un modelo abierto y pequeño que selecciona opciones para flujos de trabajo de IA y ofrece una medida de confianza.
***

  • El modelo de AWS se inspira en Jev, de TypeSafe, y puede ejecutarse localmente.
  • Strands Decider 2B elige entre respuestas predefinidas en vez de generar texto libre.
  • Marc Brooker y Diogo Almeida advierten que el reto es mejorar la precisión sin perder capacidades generales.


Amazon Web Services presentó Strands Decider 2B, un modelo de decisión de código abierto que busca resolver una tarea acotada: escoger entre opciones disponibles para determinar qué hacer a continuación en un flujo de trabajo automatizado. La propuesta, inspirada en Jev de TypeSafe, apunta a situaciones en las que un sistema agéntico no necesita recurrir en cada paso a un modelo de lenguaje grande y costoso.

El lanzamiento ocurrió durante la semana en que OpenAI anunció una oferta similar, en medio de la expansión de modelos diseñados para tomar decisiones en lugar de producir respuestas abiertas. Según informó TechCrunch, la iniciativa nació como un proyecto personal del ingeniero distinguido de Amazon Marc Brooker, quien probó Jev y comenzó a construir una alternativa propia antes de que otros ingenieros de la compañía la prepararan para su publicación.

Una herramienta para decidir dentro de flujos automatizados

Strands Decider 2B no funciona como un asistente conversacional orientado a redactar texto de forma general. Su tarea consiste en seleccionar una opción dentro de un conjunto previamente definido y acompañar la elección con una medida de confianza, una característica que puede ayudar a estructurar decisiones concretas dentro de una secuencia de acciones automatizadas.

Brooker explicó que el interés surgió de conversaciones con clientes de AWS que estaban desarrollando flujos de trabajo agénticos. En esos procesos, dijo, no siempre hace falta emplear la capacidad ni asumir el costo de un modelo de lenguaje completo para cada paso, especialmente cuando el sistema solo debe decidir qué acción corresponde según el punto en que se encuentra.

El ingeniero describió el modelo como una herramienta adecuada para responder una pregunta práctica: cuál debería ser el siguiente movimiento dentro de un flujo de trabajo. A su juicio, restringir las respuestas posibles y añadir puntuaciones de confianza puede hacer que ese paso resulte más estructurado y confiable, además de reducir potencialmente la latencia y el costo frente al uso continuo de un modelo más grande.

La diferencia central está en el tipo de salida que produce el sistema. En vez de elaborar una respuesta extensa en lenguaje natural, Strands Decider 2B compara alternativas delimitadas y devuelve una elección calibrada; así, los desarrolladores pueden incorporarlo a tareas en las que necesitan seleccionar entre opciones ya previstas, sin pedirle que invente una respuesta desde cero.

Del experimento de Brooker al lanzamiento abierto

La idea no comenzó como un producto oficial de AWS, sino como un intento de Brooker de construir una versión propia después de conocer Jev, el modelo de TypeSafe. El proyecto casero obtuvo resultados suficientes para llamar la atención: llegó brevemente al primer lugar de Jevbench entre los modelos de su tamaño, según el reporte publicado sobre el lanzamiento.

Tras ese desempeño, ingenieros de Amazon pulieron el desarrollo y lo publicaron como parte de Strands Labs. Esa organización trabaja en herramientas y protocolos nuevos para desplegar agentes de inteligencia artificial, por lo que el modelo se integra en una iniciativa más amplia de experimentación con sistemas capaces de ejecutar tareas mediante varios pasos.

Amazon presenta Strands Decider 2B como un proyecto completamente de código abierto, disponible desde su lanzamiento y lo bastante pequeño para ejecutarse localmente. La posibilidad de correrlo en el propio entorno del usuario distingue esta propuesta de modelos que requieren acceder a sistemas más grandes, aunque la información divulgada no detalla requisitos de hardware, licencias específicas ni resultados de rendimiento fuera de la evaluación mencionada.

El modelo se construyó sobre el torso de un LLM, en este caso Qen3.5-2B, pero su función se concentra en entregar opciones calibradas y no en generar texto. La arquitectura conserva una base de modelo de lenguaje, mientras el objetivo de entrenamiento y la forma de respuesta se orientan a seleccionar una alternativa; esa combinación busca equilibrar conocimiento general con decisiones rápidas y acotadas.

La competencia y el desafío de mantener la capacidad

El crecimiento de propuestas similares comenzó después de que TypeSafe presentara Jev, y el anuncio de Amazon coincidió con el de un producto comparable de OpenAI. La aparición de decenas de modelos de este tipo desarrollados por investigadores refleja el interés por separar la decisión de un flujo de trabajo de la generación de texto, aunque también abre interrogantes sobre cuánto valor práctico tendrán las distintas alternativas.

Brooker considera que el reto técnico consiste en mejorar la velocidad de decisión sin sacrificar la inteligencia que vuelve útil al modelo. En sus declaraciones a TechCrunch, señaló la necesidad de encontrar un equilibrio entre precisión y calibración para estas tareas, por un lado, y la comprensión de distintos idiomas y el conocimiento general, por otro.

El ingeniero no anticipó necesariamente que los laboratorios de frontera vayan a dominar este espacio. Su argumento es que, en mercados más pequeños, construir algo interesante puede costar cientos o miles de dólares, una escala que permite que equipos reducidos exploren diseños propios sin necesitar la inversión asociada a desarrollos mucho mayores.

Diogo Almeida, fundador y CEO de TypeSafe, dijo que la empresa está concentrada en mejorar sus próximos modelos y cuestionó que la actividad actual equivalga a una competencia consolidada. A su entender, parte de los proyectos recientes responde al interés de investigadores en aprendizaje automático por implementar arquitecturas novedosas, pero todavía no necesariamente a equipos dedicados a hacer que la inteligencia resulte útil en aplicaciones concretas.

La disputa, por tanto, no se limita a quién publica primero un modelo pequeño, sino a quién consigue que sus elecciones sean confiables sin debilitar las capacidades generales que permiten adaptarlo a distintos contextos. La propuesta de Amazon ofrece una alternativa abierta y local para decisiones acotadas, pero su valor dependerá de cómo se comporte en los flujos reales de los clientes y de si mantiene el equilibrio entre costo, rapidez y precisión que sus creadores buscan.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín