Amazon lança modelo de decisão de código aberto para rivalizar com o Jev

A Amazon Web Services lançou um modelo de decisão de código aberto inspirado no Jev, da TypeSafe, em um momento em que desenvolvedores de IA buscam cada vez mais inteligência adequada à automação computacional, em vez dos grandes modelos de linguagem (LLMs) de ponta. O novo modelo, Strands Decider 2B, chegou na mesma semana em que a OpenAI anunciou uma oferta semelhante. Trata-se de uma forma rápida e de baixo custo de escolher entre um conjunto de opções pré-definidas e retornar uma medida de quão confiante o modelo está em sua escolha. O modelo é totalmente de código aberto, já está disponível e é pequeno o suficiente para ser executado localmente.

O engenheiro distinto da Amazon Marc Brooker criou o projeto depois de ver o Jev e tentar construir sua própria versão desse tipo de modelo. O projeto artesanal teve tanto sucesso — chegou brevemente ao primeiro lugar no ranking do Jevbench para modelos de seu tamanho — que engenheiros da Amazon o refinaram e o lançaram por meio da Strands Labs, a organização da empresa dedicada a criar ferramentas e protocolos para a implantação de agentes de IA.

Brooker disse que a necessidade desse tipo de ferramenta surgiu de conversas com clientes da AWS cujos fluxos de trabalho com agentes nem sempre exigiam a capacidade ou o custo de um LLM completo. Ele descreveu o modelo como um tomador de decisões confiável para uma etapa de um fluxo de trabalho, oferecendo menor latência e, potencialmente, menor custo graças às suas pontuações de confiança e ao seu domínio fechado de respostas. Como outros modelos de decisão, o Strands Decider funciona sobre o “torso” de um modelo maior — neste caso, o Qwen3.5-2B — mas, em vez de gerar texto, ele entrega escolhas calibradas. A TypeSafe batizou seu próprio modelo de Jev em homenagem ao economista William Stanley Jevons, em referência à sua teoria de que a queda no custo de algo, incluindo a inteligência computacional, pode aumentar sua demanda.

O número de modelos semelhantes produzidos por pesquisadores desde que a TypeSafe apresentou a ideia mostra o amplo interesse nessa categoria, mas também levanta a questão de quão valiosos esses modelos podem ser no final. Brooker disse que o desafio será otimizar a velocidade sem prejudicar a compreensão de linguagem e o conhecimento mais amplo do modelo. Ele não necessariamente espera que os laboratórios de IA de ponta dominem esse espaço, observando que construir algo útil nessa categoria menor pode custar apenas centenas ou milhares de dólares.

A TypeSafe, por sua vez, diz que está focada em melhorar seus próprios modelos, em vez de reagir à concorrência. “Eu entendo que as pessoas pensem que isso é uma corrida do ouro, mas elas podem estar subestimando a dificuldade de tornar os modelos realmente inteligentes”, disse à TechCrunch o CEO e fundador da TypeSafe, Diogo Almeida, acrescentando que ainda não vê uma concorrência real para sua empresa.

Por que importa

A rápida proliferação de “modelos de decisão” menores sugere que os desenvolvedores de IA estão avançando além dos LLMs de uso geral em direção a componentes mais baratos e feitos sob medida para tarefas de automação rotineiras — uma mudança que pode remodelar a estrutura de custos da implantação de agentes de IA em grande escala, mesmo que ainda não esteja claro quantos participantes, além de TypeSafe e Amazon, conseguirão tornar essa categoria tecnicamente sólida.