Según MarkTechPost (AI/ML News), AWS Strands Labs ha presentado Strands Decider 2B, un modelo de decisión abierto diseñado para seleccionar entre opciones o evaluar respuestas mediante una escala numérica. Este sistema no genera texto, sino que procesa estados de entrada y preguntas formuladas para devolver una elección, una probabilidad de sí o no entre 0 y 1, o una puntuación con un nivel de confianza calibrado. El modelo cuenta con 1.900 millones de parámetros y puede ejecutarse en dispositivos como una CPU, una tarjeta gráfica para consumidores o un equipo con arquitectura de Apple Silicon. Su disponibilidad local permite su uso en entornos de desarrollo privado o en entornos corporativos que priorizan la autonomía tecnológica. Los pesos del modelo están disponibles en Hugging Face bajo licencia Apache-2.0, y su instalación se realiza mediante pip install strands-decider, ofreciendo tanto una interfaz de línea de comandos como un servidor HTTP integrado. Sin embargo, el servidor por defecto se inicia en 127.0.0.1 sin autenticación, lo que impide su uso directo en entornos productivos sin capas adicionales de seguridad. Actualmente, no existen proveedores de inferencia en la nube que ofrezcan este modelo.
Los modelos de decisión, también conocidos como modelos de tipo Uno, se han consolidado como una categoría tras el lanzamiento reciente de Jev por TypeSafe AI. A diferencia de los grandes modelos lingüísticos que pueden producir cualquier tipo de salida, estos modelos operan exclusivamente dentro de un conjunto de opciones predefinidas, evaluando cada una y asignando un valor de confianza. Strands Decider soporta tres tipos de preguntas: "choice", que permite seleccionar una de N alternativas; "noul", que devuelve una probabilidad entre 0 y 1 para una respuesta de sí o no; y "score", que asigna un nivel en una escala ordenada. Cada respuesta está basada en opciones permitidas y está acompañada de un grado de confianza calibrado. El equipo reconoce que este modelo no supera en rendimiento a los sistemas de razonamiento en tareas complejas, y no es adecuado para tareas como la escritura de código, interacciones en chat o síntesis de contenido. Su arquitectura parte de Qwen3.5-2B-Base, eliminando el módulo de generación de texto y reemplazándolo por una cabeza pequeña de aproximadamente un millón de parámetros. Esta cabeza compara el estado oculto en la posición <answer> con el estado oculto de cada token final de las opciones. La operación se completa en una sola pasada, sin necesidad de ciclos de decodificación. El cuerpo del modelo utiliza una adaptación LoRA de rango 16, mientras que la cabeza opera en precisión de punto flotante de 32 bits. Los conjuntos de etiquetas provienen directamente de la solicitud, lo que permite una flexibilidad sin límites en el número de opciones. La versión publicada es v19, y el sistema permite formular múltiples preguntas sobre un mismo texto.
Para inversionistas y profesionales del sector peruano, este tipo de herramientas puede ser útil en procesos de toma de decisiones estructuradas, como la evaluación de riesgos en proyectos de inversión o la selección de estrategias de financiamiento. Aunque no es una solución para tareas de generación de contenido, su capacidad para operar en entornos locales y sin dependencia de servicios en la nube representa una ventaja clave en un contexto de alta regulación y necesidad de control tecnológico. En un mercado donde la privacidad y la autonomía digital son prioridades, modelos como este ofrecen una alternativa viable para integrar inteligencia artificial sin comprometer la seguridad de datos.