strands-decider-2B-qwen3.5-v1-2610

strands-decider-2B-qwen3.5-v1-2610

为智能体流程做快速决策：在选项中挑选，或按等级打分，每个答案都带校准过的置信度。适合做模型路由、选择工具和分流请求的开发者。

由 StrandsAgents 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Strands decider 是适合智能体流程的紧凑决策模型，回答很快。它不写自由文本。它回答关于某个状态的类型化问题，在选项中挑选或按等级打分，每个答案都带有校准过的置信度。文件是 Qwen3.5-2B-Base 的 LoRA 适配器，加上一个轻量的读出头。

适合谁：搭建智能体流程、想要快速且带分数的决策、又不想每次都调用大语言模型的开发者。

Industry | Who uses it | How they use it | Example
软件 | 智能体开发者 | 路由请求并选择工具 | 决定哪个团队该处理一条消息
客服 | 运营团队 | 对收到的消息分流 | 标出听起来很紧急的消息
AI 安全 | 平台团队 | 加入护栏和检查 | 在工具运行前检查参数

如果你需要会写长回答的模型，可以跳过它，因为它只做决策。

用在哪里：

• 你自己的电脑，用 Python 在 CPU、CUDA 或 Apple MPS 上运行
• 由 strands-decider 命令启动的本地 HTTP 服务器，用于实验
• 需要路由、工具选择和评估的智能体流程

Use case | Who | What they get back
路由 | 智能体开发者 | 带置信度分数的最佳选项
紧急程度检查 | 客服团队 | 是或否的概率
打分 | 分析师 | 有序等级上的一个级别及其概率

如何设置：

• 带 pip 的 Python
• strands-decider 包
• 一个设备，CPU、cuda 或 mps 都可以，基础权重在首次使用时下载

1. 安装 strands-decider 包。
2. 用 ask 命令提问，给它一个状态和一个或多个问题。
3. 如有需要，用 serve 命令启动本地服务器。

pip install strands-decider

如果只想获取模型文件，可以用 Hugging Face 的步骤。

pip install -U huggingface_hub
hf download StrandsAgents/strands-decider-2B-qwen3.5-v1-2610

如何使用：你给 ask 命令一个状态和类型化问题。可以传入设备参数，也可以让它自己选最合适的设备。模型卡的示例问的是哪个团队该处理这条消息、它是否紧急，以及写信的人有多沮丧。

strands-decider ask StrandsAgents/strands-decider-2B-qwen3.5-v1-2610 \
  --state "Help! My payouts have been failing for 3 days! " \
  --choice "Which team should handle this?=billing,sales,retail" \
  --noul "Does this convey urgency?" \
  --score "How frustrated is the writer?=calm,frustrated,depressed"

noul_0 noul = 0.858
choice_0 -> billing (confidence 0.659)
  billing                  0.773
  sales                    0.121
  retail                   0.106
score_0 score = 1.03 (confidence 0.509)
  0: calm                                     0.196
  1: frustrated                               0.574
  2: depressed                                0.230

要在你自己的机器上通过 HTTP 提供服务，模型卡给出了这条命令。

strands-decider serve StrandsAgents/strands-decider-2B-qwen3.5-v1-2610 --port 8000

Tool | What it does
noul | 是或否的问题
choice | 在几个选项里选一个
score | 按有序等级打一个级别
ask | 在命令行里回答关于某个状态的问题
serve | 启动模型的本地服务器

示例：你传入那条关于付款失败的消息，问哪个团队该处理它。模型卡的输出选中了 billing，置信度为 0.659，并把这条消息评为 frustrated。

新手与专家：如果你是新手，复制 ask 命令，换成你自己的消息和选项。看每个答案旁边的置信度，来决定什么时候该信它。

如果你是专家，v1 是把三次训练平均得到的 soup。它的数据混合有 246,678 行。在 gemma-4-31B-it 的答案与标准标签一致时，它学习其输出分布，并通过一个 KL 项锚定在早先的 v19 版本上。

你给出状态和类型化问题
LoRA 适配器读取它们
读出头给每个选项打分
你得到带校准置信度的答案

注意事项：模型卡报告在公开的 JevBench 上 231 个任务答对了 180 个。它还列出了自己保留集上的准确率。

Title: 模型卡中保留集上的准确率
musique: 0.882 准确率
contractnli: 0.878 准确率
hotpotqa: 0.832 准确率
boardgame: 0.810 准确率
short tasks: 0.653 准确率

• License: Apache 2.0，与 Hugging Face 记录一致。
• Cost to run: 没有提到 API 密钥或账号。用 CPU 就能试。
• Data it reaches: 基础权重在你第一次运行时从 Hugging Face 获取。可选的服务器只监听你自己的电脑。
• Not for: 对外暴露的服务器。模型卡说该服务器没有认证，所以只用于本地实验。

Hugging Face 上的数据（2026年11月13日）

• 任务：text classification
• 框架：peft
• Formats: Safetensors
• 最近 30 天下载：0
• 点赞：18
• 许可证：apache-2.0
• 基于：Qwen/Qwen3.5-2B-Base
• Quantized versions: 1
• 标签：peft, safetensors, strands-decider, decision-model, lora, qwen3.5, classification, calibration, typed-decisions, code, text-classification, model-index

链接

• 模型：https://huggingface.co/StrandsAgents/strands-decider-2B-qwen3.5-v1-2610
• 文件：https://huggingface.co/StrandsAgents/strands-decider-2B-qwen3.5-v1-2610/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download StrandsAgents/strands-decider-2B-qwen3.5-v1-2610

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。