隨着決策模型湧入網絡，亞馬遜發佈自家 Jev 克隆版

亞馬遜雲科技（AWS）發佈了一款受 TypeSafe 的 Jev 啓發的開源決策模型，與此同時，AI 開發人員正越來越多地尋求比前沿大型語言模型（LLM）更適合計算機自動化的智能解決方案。

亞馬遜的 Strands Decider 2B 與 OpenAI 宣佈類似產品在同一周發佈，它是一種高速、低成本的方式，用於在預先確定的選項中進行排序，並提供對其選擇的置信度衡量。該模型完全開源，現已可用，且體積足夠小，可以在本地運行。

亞馬遜傑出工程師 Marc Brooker 在看到 Jev 並嘗試構建自己對該類模型的詮釋後，發起了這個項目。這個自制項目取得了足夠的成功——它曾短暫登上針對其規模模型的 Jevbench 排行榜首位——因此亞馬遜工程師對其進行了優化，並將其作為旗下 Strands Labs 的一項產品發佈。Strands Labs 是一個致力於開發用於部署 AI 智能體的新工具和協議的組織。

Brooker 表示，對此類工具的需求源於與 AWS 客户的對話，這些客户的智能體工作流並不總是需要功能齊全的大型語言模型（LLM）所提供的全部能力或承擔其高昂成本。

“最初引起我對這類模型興趣的是，它們非常適合作為工作流步驟的決策器——‘根據我當前的狀態，下一步該做什麼？’” Brooker 告訴 TechCrunch。他表示，該模型為客户提供了一個 “可以以更可靠方式構建的工作流步驟，這得益於置信度評分和封閉的答案域，[並且] 具有更低的延遲和潛在的低成本。”

與其他決策模型一樣，Strands Decider 構建在大型語言模型（LLM）的 “軀幹” 之上，在本例中為 Qen3.5-2B，但它不生成文本，而是提供經過校準的決策選項。TypeSafe 將其模型命名為 Jev，以紀念經濟學家威廉·斯坦利·傑文斯（William Stanley Jevons），希望藉此呼應他的理論，即某種事物（如計算機智能）成本的下降實際上可能會增加其需求。

自 TypeSafe 首次提出這一概念以來，研究人員已經推出了數十種類似的模型，這一事實表明了廣泛的興趣，但也引發了關於這些模型價值幾何的疑問。Brooker 認為，挑戰在於如何在不妨礙其智能水平的情況下優化模型的快速決策能力。

“需要在推動此類任務的準確性和校準性能的同時，找到一個非常微妙的平衡點，而不降低其在理解不同語言方面的性能，也不損害其所擁有的知識儲備，正是這些因素使其成為通用、有趣且有用的模型，” 他告訴 TechCrunch。

儘管如此，他並不一定認為前沿實驗室會主導這一領域，特別是因為在較小的市場中，構建有趣產品的成本僅為數百或數千美元。

TypeSafe 的高管們則表示，他們正保持低調，專注於改進未來的模型。

“我明白人們認為這是一股淘金熱，但他們可能低估了讓模型真正變得智能的難度，” 首席執行官兼創始人 Diogo Almeida 告訴 TechCrunch，並表示目前他尚未看到真正的競爭對手出現。

“目前這批模型看起來更像是機器學習人員想要實現一種酷炫的架構，而不是一個深深致力於讓智能變得實用的團隊。”