Amazon Web Services a publié Strands Decider 2B, un modèle de décision open source inspiré du modèle Jev de TypeSafe. Annoncé le 1er octobre 2026, ce modèle offre aux développeurs à la recherche d’une intelligence mieux adaptée à l’automatisation informatique la possibilité de choisir rapidement et à moindre coût parmi des options prédéfinies, ainsi que de mesurer la confiance accordée à la décision. Entièrement open source, le modèle est suffisamment petit pour être utilisé tel quel et exécuté localement. Il a été publié la même semaine qu’une annonce similaire d’OpenAI.
Le projet est né du travail personnel de Marc Brooker, distinguished engineer chez Amazon, après qu’il a découvert Jev. Ce travail s’est brièvement classé premier du classement Jevbench parmi les modèles de sa taille. Les ingénieurs d’Amazon ont ensuite remanié le modèle et l’ont publié au sein de Strands Labs, qui développe de nouveaux outils et protocoles d’intelligence artificielle. Selon Brooker, les flux de travail agentiques des clients d’AWS n’avaient pas toujours besoin des capacités ou du coût d’un grand modèle de langage pleinement fonctionnel. Grâce à son espace de réponses fermé et à ses scores de confiance, Strands Decider peut fournir une étape de flux de travail plus fiable, à faible latence et potentiellement moins coûteuse.
Le modèle est construit sur le « torso » d’un grand modèle de langage basé sur Qwen3.5-2B, qui produit des choix calibrés au lieu de générer du texte. TypeSafe a tiré le nom Jev de l’économiste William Stanley Jevons ; ce nom fait référence à l’idée selon laquelle la demande pourrait augmenter à mesure que le coût de l’intelligence informatique diminue. Le CEO et fondateur de TypeSafe, Diogo Almeida, a déclaré que, malgré la multiplication de modèles similaires, il était difficile de développer un modèle intelligent et qu’il ne voyait actuellement pas de véritable concurrence. L’entreprise se concentre sur le développement de ses futurs modèles. Brooker a quant à lui indiqué que le principal défi consistait à préserver la compréhension du langage et les capacités de connaissances générales tout en améliorant la précision et la calibration.
Pourquoi c’est important
Cette évolution montre qu’en plus de l’approche consistant à recourir, pour chaque tâche, à des systèmes produisant des textes complets, des modèles plus spécialisés se positionnent également pour des tâches dont les limites sont définies à l’avance. Cette distinction pourrait influencer, pour les développeurs qui mettent en place des flux de travail agentiques, les arbitrages entre coût, latence et contrôlabilité ; la possibilité d’exécuter le modèle localement diversifie également les conditions d’utilisation. La licence open source réduit les barrières d’accès pour les équipes qui souhaitent examiner les modèles de décision et les adapter à de nouveaux outils. Cependant, la question de savoir dans quelle mesure les scores de confiance du modèle resteront précis pour différentes tâches et dans quelle mesure sa structure axée sur la sélection préservera la compréhension du langage et les capacités de connaissances générales reste encore ouverte.
Contexte
Amazon n’est pas un nouveau nom dans les archives de FikirPilot : au cours des 90 derniers jours, nous avons publié 11 articles mentionnant ce nom ; le plus récent date du 26 septembre 2026.
Terme : grand modèle de langage
Un grand modèle de langage est un logiciel entraîné sur de très grandes quantités de texte et qui génère, selon les probabilités, la suite du texte qui lui est fourni ; il n’écrit pas ce qu’il sait, mais la suite la plus probable.