Amazon Strands Decider 2B: Apa Itu Model Keputusan Open Source

Amazon Strands Decider 2B resmi keluar dari Strands Labs (proyek eksperimen agen AWS) pada 1 Oktober 2026. Ini model keputusan kecil yang open source: bukan chatbot, bukan coding agent, tapi “penentu pilihan” yang jawab opsi tertutup dalam puluhan hingga ratusan milidetik.

Artikel ini rilis + apa itu + spek + banding + catatan self-host, bukan tutorial panjang bikin agen produksi dari nol. Fokusnya: kenapa kelas model ini ada, angka yang dipublikasikan, dan apa yang relevan buat yang nge-dev dari Indonesia — terutama yang mau jalanin model di laptop atau VPS sendiri, bukan bayar API hosted tiap keputusan sepele.

Apa itu Amazon Strands Decider 2B

Strands Decider 2B adalah decision model (kadang disebut System One model). Dia baca state (teks situasi) plus pertanyaan bertipe, lalu balikin jawaban dari opsi yang sudah ditentukan — lengkap dengan skor keyakinan.

Dia tidak menulis paragraf. Dia tidak bikin kode. Dia tidak ringkas dokumen panjang seperti LLM biasa. Yang dia kerjakan mirip classifier modern yang fleksibel:

1. Pilih satu opsi dari daftar (choice)
2. Jawab ya/tidak sebagai probabilitas (noul)
3. Nilai di rubrik berurut (score)

Contoh dari blog resmi Strands: tiket “saldo gagal cair 3 hari” → model mengarahkan ke tim billing dengan confidence sekitar 0,77. Itu keputusan routing, bukan balasan chat ke pelanggan.

Kelas model ini meledak setelah TypeSafe AI merilis Jev sekitar pertengahan September 2026. Seminggu kemudian sudah banyak “klon” open weight. Amazon masuk lewat Strands Labs — bukan lewat produk Bedrock berbayar dulu — dengan recipe, data inventory, dan checkpoint yang bisa diunduh.

Yang menulis pengumuman resmi: Marc Brooker, Mike Chambers, dan Fabio Nonato de Paula. Brooker bilang ke TechCrunch bahwa pelanggan AWS sering butuh langkah workflow yang lebih andal, lebih cepat, dan lebih murah daripada selalu memanggil frontier LLM hanya untuk “pilih A/B/C”.

Catatan: nama “Decider” mudah dikira agen penuh. Di praktik, dia biasanya duduk di samping agen LLM: ngecek tool call, triage, atau routing sebelum model mahal jalan.

Spek arsitektur Hobson dan checkpoint v19

Arsitektur yang dirilis disebut Hobson. Intinya sederhana tapi keras:

1. Ambil torso LLM kecil: Qwen3.5-2B-Base
2. Buang LM head — hilangkan kemampuan generate teks
3. Pasang pointer head kecil (~1 juta parameter) yang skor opsi
4. Fine-tune torso dengan LoRA rank-16
5. Satu forward pass paralel — tanpa decoding loop token demi token

Karena head tidak menyimpan parameter per-label, daftar opsi tidak “terbakar” di weight. Label bisa diganti tiap request. Satu state bisa ditanyai banyak pertanyaan murah: teks dibaca sekali, tiap pertanyaan cuma nambah token sendiri.

Checkpoint referensi yang dibahas di launch:

Versi riset sudah sampai v19 sebagai referensi; tim bahkan menyebut eksperimen v20 yang tidak menggantikan v19 karena gain-nya masih dalam noise retrain. Semuanya dicatat di repo — ini pembeda besar dibanding Jev yang tetap API-only.

Tiga tipe pertanyaan yang sama di ekosistem Jev/System One:

• choice — pilih 1 dari N
• noul — ya/tidak (0–1)
• score — level di skala berurut

Angka benchmark, latency, dan kalibrasi

Strands mengukur tiga target: akurasi, kalibrasi, dan latency. Angka yang paling sering dikutip dari evaluasi publik:

Ringkas fakta angka:

Di board JevBench lama (sekitar akhir September), v19 disebut ranking ke-3 dari 33 di kelas ~2B — atau 1 dari 30 kalau model “sedikit di atas 2B” dikeluarkan. Mapika decider-2b v11 sempat unggul beberapa task di harness tertentu. VentureBeat menekankan: chart AWS tidak menaruh Jev sendiri di plot yang sama, jadi klaim “mengalahkan Jev” belum terbukti head-to-head di materi launch.

Kalibrasi lebih menarik buat produksi. Di short classification yang belum pernah dilihat, jawaban dengan confidence ≥ 0,9 disebut benar sekitar 95%. Di bawah itu: konfirmasi atau escalate ke manusia. Frontier LLM API biasanya tidak kasih skor keandalan seterang ini.

flowchart LR
  A[State + pertanyaan] --> B[Strands Decider 2B]
  B --> C{Confidence}
  C -->|tinggi| D[Proceed / route / tool]
  C -->|rendah| E[Tanya user / manusia]
  D --> F[LLM hanya kalau perlu generate]
  E --> F

Peringatan: skor leaderboard ≠ jaminan di aksen, bahasa, atau kebijakan internal perusahaan. Kalibrasi harus diukur ulang di traffic sendiri sebelum threshold dipakai sebagai “pagar keamanan”.

Cara coba cepat di mesin lokal

Karena modelnya open dan kecil, jalur smoke test paling ringan lewat CLI:

Di repo ada juga path Python: load model lewat StrandsDeciderModel.load(...), lalu panggil pertanyaan typed. Buat agen Strands, pola yang dipamerkan memakai InterventionHandler dengan aksi typed: Proceed, Deny, Confirm, atau Guide. Decider cuma kasih penilaian; aplikasi yang menentukan aksi berikutnya.

Baca juga Meta Muse Resmi Hadir di Jepang, Kapan Masuk Indonesia? Ini Fitur dan Batasnya

Kalau mau beberapa pertanyaan sekaligus di satu state, CLI mengizinkan kombinasi --choice, --noul, dan --score. Itu hemat: state tidak di-encode ulang untuk setiap pertanyaan. Untuk workload triage tiket, pola umum adalah satu choice (tim mana) + satu noul (apakah urgent) + satu score (seberapa frustrasi) dalam satu request.

Batasan yang jujur dari model card:

1. Pertanyaan dibaca lebih lemah daripada dokumen — ganti wording pertanyaan kadang tetap dapat jawaban mirip
2. Dokumen multi-langkah panjang adalah titik lemah (tier hard ~50%)
3. score dan noul kurang transfer ke rubrik yang jauh dari data train — fine-tune kalau domain spesifik
4. Kalibrasi di-fit di short classification; ukur ulang di traffic sendiri

pip install strands-decider

strands-decider ask StrandsAgents/strands-decider-2B-hobson-v19 \
  --state "Help! My payouts have been failing for 3 days!" \
  --choice "Which team should handle this?=billing,sales,retail"

Contoh output yang dipublikasikan:

1. Prediksi utama: billing
2. Confidence sekitar 0,77
3. Probabilitas per opsi: billing ~0,85 / retail ~0,09 / sales ~0,06

Bisa juga jalanin server lokal:

strands-decider serve StrandsAgents/strands-decider-2B-hobson-v19 --port 8000

Server bawaan bind ke 127.0.0.1 dan tanpa autentikasi. Cocok eksperimen, jangan dibuka ke internet mentah-mentah.

Di ekosistem Strands Agents SDK ada contoh before_tool_call: sebelum agen memanggil tool cuaca, Decider nanya dua hal — apakah argumen grounded di ucapan user, dan apakah panggilan terlalu prematur. Kalau agen “menebak kota”, intervensi menyuruh tanya dulu. Pola itu yang bikin decision model hemat: dia duduk di hot path di mana LLM call terlalu mahal atau terlalu lambat.

Ketergantungan runtime (dari PyPI): Python ≥3.10, Torch ≥2.7, Transformers, PEFT, dan kawan-kawan. Base weight Qwen diunduh dari Hub saat pertama jalan.

Banding singkat: Strands vs Jev vs Clef

Gelombang decision model Oktober 2026 ramai. Tiga yang paling sering dibanding pembaca Indo:

Cara baca praktis:

1. Butuh kontrol data + offline + fine-tune recipe → Strands unggul
2. Butuh API hosted super murah tanpa urus GPU → Jev masih jalur paling ringan
3. Butuh edge Cloudflare + vision + 64K context → Clef (lihat artikel Clef terpisah di mughu.id)

Paradoks harga yang dibahas VentureBeat: sticker price Strands = gratis, tapi Jev sudah hampir “gratis” di tarif API. Self-host baru hemat kalau sudah punya spare GPU, atau butuh privacy/air-gap yang tidak bisa dikirim ke API luar.

Cocok dicoba dari Indonesia minggu ini

Teman-teman yang bangun agen CS, bot WhatsApp, atau otomasi internal sering kejebak biaya: setiap keputusan kecil ikut dibayar ke model frontier. Strands Decider 2B cocok dicoba sebagai filter murah di laptop atau VPS GPU kecil sebelum LLM dipanggil.

Yang relevan dari sini:

1. Self-host realistis — beda dengan Clef 27B yang butuh puluhan GB VRAM, kelas 2B masih masuk akal di RTX 3060/4060 atau Mac Apple silicon buat eksperimen
2. Tanpa kartu dolar API — download Apache 2.0, jalanin lokal; yang dibayar cuma listrik / sewa VPS
3. Bahasa — base Qwen multibahasa, tapi evaluasi publik banyak di English/JevBench; uji ulang tiket Bahasa Indonesia sebelum production
4. Koneksi & latency — keputusan lokal menghindari RTT ke US/EU; berguna buat hot-path di server Indo
5. Compliance — data tiket pelanggan tetap di infrastruktur sendiri; tetap review lisensi dataset training di data/sources.md
6. Jangan overclaim keamanan — decision model bisa kena prompt adversarial; jangan jadikan satu-satunya pagar untuk aksi berbahaya

Pola hybrid yang masuk akal buat UMKM/startup Indo:

1. Decider triage intent + urgensi
2. Kalau confidence rendah → manusia atau LLM kecil
3. LLM besar hanya untuk balasan/generate yang memang perlu teks

Kalau tim sudah all-in Cloudflare Workers, Clef mungkin lebih gampang dioperasikan. Kalau stack sudah di AWS/Strands atau on-prem, Decider 2B lebih natural. Untuk freelance yang sering cobain model di Colab atau RunPod, Decider 2B juga masuk akal: pull weight sekali, lalu serve di pod kecil untuk batch evaluasi. Bandingkan dengan selalu hit Jev dari laptop kantor yang latency-nya bergantung ke jarak server hosted.

Kalau perusahaan Indo punya kebijakan data residency ketat (fintech, healthtech, BUMN), open self-host lebih mudah dibela di review keamanan daripada kirim setiap keputusan ke API pihak ketiga — asal proses hardening servernya beres.

Yang penting: pilih berdasarkan kontrol + biaya + latency, bukan ikut nama “Jev killer” di headline.

Checklist

• Baca blog Strands Labs “Introducing Strands Decider 2B” (1 Okt 2026)
• Cek model card Hugging Face strands-decider-2B-hobson-v19 dan lisensi Apache 2.0
• pip install strands-decider lalu uji satu choice + satu noul di state nyata
• Ukur latency p50/p95 di hardware yang dipakai (laptop / VPS)
• Tulis 5–10 pertanyaan domain (triage, grounding tool, urgensi)
• Bandingkan biaya bulanan vs Jev API vs Clef Workers untuk volume yang sama
• Kalau production: bungkus server dengan auth, jangan expose 127.0.0.1 mentah
• Validasi kalibrasi di sampel Bahasa Indonesia sebelum pasang threshold otomatis

Poin penting

• Strands Decider 2B = decision model open source dari Strands Labs / Amazon, rilis 1 Oktober 2026
• ~2B parameter, arsitektur Hobson: Qwen torso + pointer head, tanpa generate teks
• Checkpoint v19 di Hugging Face; kode + recipe + data inventory Apache 2.0
• JevBench publik ~72% akurasi; latency lokal median ~115 ms di RTX 3090
• Tiga tipe pertanyaan: choice, noul, score — kompatibel gaya System One / Jev
• Belum ada hosted API AWS; nilai utamanya self-host, reproducibility, kontrol
• Bukan pengganti LLM — dia penentu kapan LLM (atau manusia) perlu ikut campur

Referensi

1. Strands Agents Blog (2026). Introducing Strands Decider 2B: a small, open source, decision model
2. TechCrunch (2026). Amazon releases its own Jev clone as decision models flood the web
3. VentureBeat (2026). Amazon unveils a free, fast, open source Jev killer: Strands Decider 2B
4. MarkTechPost (2026). AWS Strands Labs Releases Strands Decider 2B
5. Hugging Face (2026). Model card StrandsAgents/strands-decider-2B-hobson-v19
6. PyPI (2026). strands-decider v0.1.0 package documentation
7. GitHub strands-labs/strands-decider (2026). Code, training recipe, and evaluations
8. TypeSafe / Jev materials (2026). System One decision model and pricing context
9. Artificial Analysis / JevBench community boards referenced in launch comparisons (2026)
10. Cloudflare Blog (2026). Introducing Clef (parallel hosted decision-model launch)
11. SiliconANGLE / industry roundups (2026). Coverage of the decision-model wave
12. Amazon Strands Agents SDK docs (2026). Intervention hooks and agent examples