Amazon publie Strands Decider 2B, les modèles de décision se bousculent sur les benchmarks
Amazon Web Services a publié Strands Decider 2B le 1er octobre, un modèle de décision open source qui choisit entre des options déjà arrêtées et renvoie un score de confiance. La même semaine, OpenAI a annoncé une offre similaire, un mois après Jev de TypeSafe, qui a ouvert la catégorie.

Amazon Web Services a publié Strands Decider 2B le 1er octobre. Ce petit modèle open source n'écrit pas de prose. Il choisit entre des options qu'un flux de travail a déjà définies et indique à quel point il est sûr de son choix. TechCrunch a rapporté la sortie le jour même : le modèle est assez petit pour tourner en local et se télécharge gratuitement. C'est le dernier arrivé dans une catégorie qui existait à peine un mois plus tôt. TypeSafe AI, un laboratoire de San Francisco fondé par l'ancien chercheur d'OpenAI Diogo Almeida, a livré Jev et l'a présenté comme le premier de ses System One Models. La promesse est étroite : pas de chat, pas de génération de texte, seulement des réponses probabilistes typées sur lesquelles un logiciel peut agir.
Ce que renvoie vraiment un modèle de décision
Selon InfoQ, l'appelant envoie à Jev un état, sous forme de chaîne ou de données structurées, plus un ensemble de questions typées. Le modèle les évalue en une seule passe parallèle et renvoie des réponses Choice, Score et Noul avec une distribution de probabilité et une valeur de confiance. Le code appelant agit au-dessus d'un seuil et escalade en dessous.
Les détails commerciaux sont publics. L'entrée coûte 0,042 dollar par million de tokens, la sortie est gratuite, la fenêtre de contexte est de 32 000 tokens et TypeSafe annonce une latence de bout en bout de 70 ms à 500 ms. L'entraînement repose sur une méthode baptisée Reinforcement Learning for Calibrated Decisions. Ces chiffres viennent de l'article d'InfoQ du 1er octobre.
La version d'Amazon est bâtie sur le torse de Qen3.5-2B. Marc Brooker, ingénieur distingué chez Amazon, l'a construite après avoir vu Jev et tenté sa propre approche. Le projet maison a brièvement atteint la première place du classement Jevbench pour les modèles de sa taille, rapporte TechCrunch, et les ingénieurs d'Amazon l'ont nettoyé pour le publier sous Strands Labs.
« Ce qui a d'abord retenu mon attention dans cette classe de modèles, c'est qu'ils font un décideur parfait pour une étape de flux de travail : quelle est la prochaine chose que je dois faire ici, compte tenu de l'endroit où je suis ? » a déclaré Brooker à TechCrunch.
Il décrit l'attrait comme une fiabilité venue des scores de confiance et d'un domaine de réponses fermé, avec en plus une latence plus faible et un coût potentiellement plus bas. C'est tout l'argument de vente de la catégorie, et c'est le même que celui de TypeSafe.
Les chiffres d'adoption et leurs limites
Les premiers résultats de Jev sont la preuve la plus concrète que la catégorie a des acheteurs. Vercel a ajouté Jev à son AI Gateway dès le deuxième jour et affirme avoir atteint près de 13 % des équipes payantes en 24 heures, soit le double de la part de la famille GPT-5.6, selon InfoQ. Netlify a suivi. LangChain a livré une intégration TypeSafeClassifier avec routage de modèles et un middleware AutoMode qui filtre les appels d'outils avant leur exécution. Cinq clients Elixir indépendants sont apparus en quelques jours.
Les promesses de performance méritent le scepticisme. L'ingénieur de Vercel Pranit Sharma a constaté qu'un classificateur de sécurité tournait cinq à 18 fois plus vite que le LLM qu'il remplaçait. Nikhil Mudholkar, CTO de Bryo AI, a jugé Gemini légèrement plus précis sur la classification d'e-mails mais 10 à 20 fois plus cher, et a apprécié que Jev soit le seul à rendre une véritable probabilité.
Une analyse de 12 759 tweets de lancement par OpenChamber situe les gains de vitesse rapportés par les utilisateurs à une médiane de 7x, contre le chiffre vedette de 193,6x. Les économies de coût atteignent une médiane de 30x, la latence une médiane de 76 ms avec un quartile supérieur à 270 ms. Ce sont des chiffres déclarés dans des posts sur les réseaux sociaux, agrégés, et ils restent loin du chiffre marketing.
Armin Ronacher, CTO d'Earendil, a déclaré à TechCrunch que la conception « délègue un peu le problème de l'hallucination à l'utilisateur », qui doit décider si une probabilité de 50 % vaut la peine d'agir. Il cite le routage de modèles comme autre bon usage. Sur Hacker News, un développeur a fait remarquer que Jev ne peut pas produire un type invalide, mais qu'il peut toujours produire une valeur valide complètement fausse.
Un terrain encombré à la valeur incertaine
Des dizaines de modèles similaires sont apparus depuis que TypeSafe a lancé l'idée. Cela montre l'intérêt. Cela pose aussi la question de la valeur de chacun d'eux, surtout quand la méthode sous-jacente est publique et le coût de construction faible.
Brooker a déclaré à TechCrunch qu'il ne s'attend pas forcément à ce que les laboratoires de pointe dominent ce segment : sur des marchés plus petits, le coût pour construire quelque chose d'intéressant se compte en centaines ou en milliers de dollars. Les dirigeants de TypeSafe affirment qu'ils restent discrets et améliorent leurs futurs modèles.
« Je comprends que les gens y voient une ruée vers l'or, mais ils sous-estiment peut-être la difficulté de rendre ces modèles réellement intelligents », a déclaré à TechCrunch le PDG et fondateur Diogo Almeida, ajoutant que pour l'instant il ne voyait pas encore de vraie concurrence se lever contre son entreprise.
Brooker présente le compromis d'ingénierie comme un équilibre entre précision et calibration sur les tâches de décision, sans dégrader la compréhension du langage ni les connaissances générales du modèle. Poussez l'un, l'autre bouge.
Le problème de mesure en arrière-plan
Les modèles de décision arrivent dans un environnement de mesure déjà contesté. Un article déposé sur arXiv le 29 septembre, More Choices, Fewer Decisions, examine le biais d'échelle ordinale dans les modèles à décision directe de type JEV, ce qui remet directement en cause la façon dont ces systèmes sont notés. Un autre article arXiv soumis le même jour, ArgGYM, soutient que la réussite sur des spécifications de problème fixes et des critères d'évaluation stables peut ne pas se transférer au raisonnement sur des informations incomplètes et révisables. Il introduit un benchmark procédural de 1 440 instances vérifiées réparties sur quinze configurations de programme.
Les travaux cliniques vont dans le même sens. Un article accepté à Findings EMNLP 2026, Sense and Sensitivity, a comparé des LLM à des médecins en exercice sur plus de 6 000 scénarios cliniques et 7 000 annotations de médecins. Il a constaté que les LLM recommandaient plus souvent que les médecins des soins inutiles en situation de base, avec une tendance qui s'accentue sous des entrées perturbées, et une sensibilité plus forte aux changements de genre et de ton. Les scores de benchmark ne l'avaient pas prédit.
Le matériel est un autre axe. AgBench, également publié le 29 septembre, a évalué l'exécution locale, hybride et cloud d'agents sur 162 070 000 points de données. Aucune architecture ne domine à la fois sur la réussite des tâches, le goodput, le coût cloud et l'exposition des données. L'exécution locale seule élimine les coûts d'API cloud et l'exposition d'informations sensibles, mais elle a généralement une réussite plus faible et des temps d'achèvement plus longs.
Ce constat compte pour le discours d'Amazon en faveur du local. Strands Decider 2B peut tourner sur votre propre machine. Savoir s'il le doit, pour un flux de travail donné, dépend de chiffres qu'AgBench dit que personne ne publie dans un seul tableau comparable.
La même semaine a produit un tout autre type de sortie. Google a lancé Gemini 4 Argon le 30 septembre, en le présentant comme son modèle le plus puissant à ce jour, mais l'a réservé à un groupe restreint de partenaires en cybersécurité via son Fairwind Program. The Guardian a rapporté le 1er octobre que Koray Kavukcuoglu, architecte IA en chef de Google, écrivait que publier sans risque des capacités de pointe à ce niveau exige une approche par étapes, et que Google donne volontairement un accès anticipé au gouvernement américain.
Le contraste résume le mois. D'un côté, un modèle de 2B que tout le monde peut télécharger et faire tourner sur un ordinateur portable. De l'autre, un système de pointe retenu du public pour risque de mauvais usage, après la décision d'OpenAI d'abandonner GPT-6.1 Astra faute de réussir les tests d'alignement, comme l'ont rapporté CNBC et WIRED les 28 et 29 septembre.
Les modèles de décision ne se battent pas sur cet axe. Ils se battent sur la capacité à rendre une étape de flux de travail moins chère, plus rapide et plus prévisible qu'un appel à un modèle général. Jevstiller, un projet GitHub publié le 30 septembre, pousse la logique jusqu'au bout : il se place devant des appels répétés de classification à Jev, apprend de ses propres distributions de probabilité et répond localement à la plupart des requêtes dès que le modèle local est d'accord avec Jev dans une marge fixée. Sur Banking77, rejoué contre les réponses enregistrées de Jev, le modèle local a répondu à 71,9 % des messages retenus avec un accord de 99,50 % avec Jev, prenant en charge l'essentiel du trafic à partir d'environ 5 000 messages.
L'économie de la catégorie est encore à l'épreuve. Les 13 % d'équipes payantes de Vercel en 24 heures sont une vraie adoption, mais celle d'une intégration de passerelle en offre gratuite, pas la preuve d'une dépense durable. Le gain de vitesse médian de 7x d'OpenChamber est loin du chiffre vedette. Et les articles de benchmark arrivés cette semaine suggèrent que le domaine n'a pas tranché comment distinguer un bon décideur d'un décideur rapide.
Pour l'instant, les modèles sont bon marché, ouverts et se multiplient. La mesure ne suit pas.
Sources
11- 01Amazon releases its own Jev clone as decision models flood the webEN
- 02TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
- 03More Choices, Fewer Decisions: Ordinal-Scale Bias in JEV-like Direct-Decision ModelsEN
- 04ArgGYM: A Procedural, Engine-Verified Benchmark for Structured Defeasible ReasoningEN
- 05Sense and Sensitivity: Benchmarking LLM Clinical Triage Recommendations with Physician ExpertsEN
- 06AgBench: Agentic AI Benchmarks for Personal AI DevicesEN
- 07Jevstiller: Distill a repeated Jev classification task into a local modelEN
- 08Google rolls out new Gemini AI model but restricts access over safety concernsEN
- 09Google releases Gemini 4 Argon, called its most powerful model yetEN
- 10OpenAI abandons plan to release upcoming model as safety concerns escalateEN
- 11OpenAI Delays Release of Latest Model Over Safety ConcernsEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.