Amazon выпустила собственный клон Jev на фоне наплыва в сети моделей принятия решений

Amazon Web Services выпустила модель принятия решений с открытым исходным кодом, вдохновлённую Jev от TypeSafe, поскольку разработчики ИИ всё чаще ищут интеллект, более подходящий для компьютерной автоматизации, чем передовые LLM.

Strands Decider 2B от Amazon, выпущенная в ту же неделю, когда OpenAI анонсировала аналогичное решение, представляет собой быстрый и недорогой способ выбирать из заранее определённых вариантов и оценивать уверенность в своём выборе. Модель полностью открыта, уже доступна и достаточно мала, чтобы запускаться локально.

Выдающийся инженер Amazon Марк Брукер занялся этим проектом после того, как увидел Jev и попытался создать собственную версию такой модели. Самодельный проект оказался настолько успешным — он ненадолго занял первое место в рейтинге Jevbench среди моделей такого размера, — что инженеры Amazon доработали его и выпустили как продукт своей Strands Labs — организации, разрабатывающей новые инструменты и протоколы для внедрения ИИ-агентов.

По словам Брукера, потребность в подобном инструменте возникла в разговорах с клиентами AWS, чьи агентные рабочие процессы не всегда требовали возможностей или затрат полнофункциональной LLM.

«Изначально мой интерес к этому классу моделей вызвало то, что они идеально подходят для принятия решения на отдельном этапе рабочего процесса — “что мне делать дальше, исходя из того, где я сейчас нахожусь?”» — рассказал Брукер TechCrunch. По его словам, это даёт клиентам «этап рабочего процесса, который можно структурировать более надёжно благодаря оценкам уверенности и закрытому набору ответов, [а также обеспечивает] меньшую задержку и потенциально более низкую стоимость».

Как и другие модели принятия решений, Strands Decider построена на «туловище» LLM — в данном случае Qen3.5-2B, — но вместо генерации текста выдаёт откалиброванные варианты выбора. TypeSafe назвала свою модель Jev в честь экономиста Уильяма Стэнли Джевонса, надеясь напомнить о его теории, согласно которой снижение стоимости чего-либо — например, компьютерного интеллекта — на самом деле может увеличить спрос на это.

Тот факт, что после представления TypeSafe своей идеи исследователи создали десятки аналогичных моделей, свидетельствует о широком интересе, но также заставляет задуматься об их практической ценности. Брукер считает, что главная сложность будет заключаться в оптимизации быстрого принятия решений моделью без ущерба для её интеллектуальных возможностей.

«Нужно очень тщательно найти баланс: повысить точность и качество калибровки при выполнении таких задач, не ухудшая при этом способность модели понимать разные языки и обладать тем объёмом знаний, который делает её универсальной, интересной и полезной», — рассказал он TechCrunch.

При этом он не обязательно ожидает, что передовые ИИ-лаборатории будут доминировать в этой области, особенно учитывая, что на небольших рынках создание чего-то интересного обходится в сотни или тысячи долларов.

Со своей стороны, руководители TypeSafe говорят, что сосредоточились на работе и совершенствуют будущие модели.

«Я понимаю, почему люди считают это золотой лихорадкой, но они могут недооценивать сложность создания действительно умных моделей», — рассказал TechCrunch генеральный директор и основатель компании Диогу Алмейда, добавив, что пока не видит реальной конкуренции для своей компании.

«Нынешняя группа моделей больше похожа на попытку специалистов по машинному обучению реализовать интересную архитектуру, чем на работу команды, глубоко заинтересованной в том, чтобы сделать интеллект полезным».