【繁體中文標題】20億參數的「決策小腦」:Strands Decider 2B 把 Agent 的下一步判斷，從雲端巨獸手裡搶回來

凌晨三點，一個客服 Agent 在數百萬筆工單之間打轉。它不缺知識，缺的是判斷:這通該轉人工、該查資料庫，還是直接回覆？每一次猶豫，都在燒 API 帳單上的 token。

Strands Agents 團隊給出的答案很極端:一個只有 20 億參數（2B）的開源模型，名為 Decider（https://strandsagents.com/blog/introducing-strands-decider/）。根據其發布頁面的說明，這個模型不聊天、不寫長文，只負責一件事——在 Agent 的每一個決策點上，選出下一個該呼叫的工具或該走的分支。

小標 1:模型不是越大越強，而是「越準越省」

過去兩年，業界對 Agent 架構的主流想像，是把一個前沿大模型當萬用大腦:規劃、推理、工具呼叫、生成，全部塞進同一個模型。代價是每一次決策都要跑一次千億級參數的前向運算，成本與延遲隨之膨脹。

Decider 2B 走的是反方向。把「決策」從「生成」中剝離出來，交給一個小模型處理，就像公司不會讓執行長親自簽每一張便條——簽核有專責的基層流程。這種分層架構的前提，是決策行為本身有足夠的規律性，可以被一個小模型學會。Strands 團隊選擇開源釋出，等於把這個假設丟給全世界驗證:任何人都可以下載、微調、拆解它哪裡會犯錯。

對成本敏感的企業來說，誘惑很直接。20 億參數的模型，量級上足以在單張消費級或企業級 GPU 上推理，不必依賴雲端 API 的按 token 計費。這不是省一點點，是把決策迴路的單位成本往下壓一個量級的可能。

小標 2:開源小模型成潮水，但水底下有暗流

Decider 並不是孤例。同一週在 Hacker News 上，還能看到用 AI 輔助開發的開源 AI 加速器專案 OpenTPU（https://github.com/FeSens/openTPU），以及訴求免費、無廣告、無帳號的開源郵件 client Penguin Mail（https://penguin-mail.com/）。開源社群的能量正在往「可組合的小元件」集中，而不是重複造通用大模型。

但水底下有暗流。一篇在同樣時間點被熱烈討論的文章直指「我們所知的開源已死」（https://jross.me/open-source-as-we-know-it-is-dead/），其論點的核心在於:當模型權重的「開源」與商業雲端服務深度綁定時，名義上的開放未必等於實質的議價權。Decider 出自 Strands Agents——一個與 AWS 生態關係密切的專案。把決策層開源，讓開發者免費入門，最終把流量導回雲端推理與 Agent 服務，這是經典的平台策略，不是慈善。工程師該問的不是「它開不開源」，而是「離開這朵雲，它還能不能活」。

小標 3:對台灣的意義——硬體之外的軟體分工機會

這件事對台灣讀者為什麼重要？台灣的 AI 供應鏈優勢在晶片與伺服器，但 Agent 應用層長期由美中之間的模型平台主導。Decider 2B 這類小模型代表的分層趨勢，第一次給了在地團隊一個務實切入點:不需要從頭訓練通用模型，只需要在一個 2B 的決策骨幹上，用本地的繁中語料與產業工作流微調。客服、工廠排程、金融作業流程，都是「下一步該做什麼」可以被明確定義、也願意付費的場景。

同時，在地化決策模型的嘗試已在全球各地出現——印尼社群就有開發者打造了針對當地媒體、以五個在地化軸線分析新聞偏誤的開源服務 Biaskop（據該討論串轉述，見 https://www.reddit.com/r/indonesia/comments/1wxdzgu/）。邏輯是相通的:通用大模型看世界的方式是矽谷的，決策小模型可以是在地的。

小標 4:三種未來，哪一種會來？

樂觀情境:決策蒸餾成為標準工程實踐，Agent 成本下降一個量級，長尾應用爆發。基準情境:小決策模型與大模型共存，簡單迴路用小的、複雜規劃用大的，混合架構成主流。悲觀情境:通用大模型的工具呼叫能力進化太快，小模型的存在窗口被壓縮——畢竟雲端巨頭最有動力讓「一個模型搞定一切」更便宜。

作者可能錯在哪裡？若 Decider 的實際基準表現顯著落後大模型的路由決策，整個「決策剝離」論述就站不住腳；資訊目前僅來自發布方頁面，未經獨立驗證。此外，開源模型的可持續性高度倚賴母公司的商業耐性，這是所有平台開源案的共同變數。

下一次，當你的 Agent 在兩個工具之間猶豫了半秒——那半秒的帳單，會由 2B 的小模型還是 2 兆參數的巨獸來收？