Amazon Web Services đã phát hành Strands Decider 2B, một mô hình quyết định mã nguồn mở lấy cảm hứng từ Jev của TypeSafe. Mô hình chọn một phương án từ danh sách đã xác định trước, sau đó trả về mức độ tin cậy cho lựa chọn đó. Strands Decider 2B đủ nhỏ để chạy cục bộ và được thiết kế cho những bước ra quyết định trong quy trình tác tử AI.
Theo TechCrunch ngày 1/10/2026, Amazon giới thiệu mô hình trong cùng tuần OpenAI công bố một sản phẩm có chức năng tương tự. Các sản phẩm xuất hiện liên tiếp khi giới phát triển AI tìm kiếm mô hình phù hợp hơn với tự động hóa máy tính. Họ không muốn dùng một mô hình ngôn ngữ lớn cho mọi bước xử lý.
Một mô hình chỉ tập trung vào nội dung quyết định
Strands Decider 2B không được xây dựng để tạo văn bản dài. Mô hình nhận một tập hợp phương án đóng, chọn phương án phù hợp và trả về điểm tin cậy đã được hiệu chỉnh. Cấu trúc này phù hợp với những quy trình mà tác tử chỉ cần xác định hành động tiếp theo.
Marc Brooker, kỹ sư xuất sắc của Amazon, bắt đầu dự án sau khi biết đến Jev và thử xây dựng phiên bản của riêng mình. Theo TechCrunch, mô hình thử nghiệm từng đứng đầu bảng xếp hạng Jevbench trong nhóm mô hình cùng kích thước. Các kỹ sư Amazon sau đó hoàn thiện dự án và phát hành qua Strands Labs, tổ chức phát triển công cụ cùng giao thức triển khai tác tử AI.
Nhu cầu về mô hình quyết định xuất hiện trong các cuộc trao đổi giữa Brooker và khách hàng AWS. Nhiều quy trình tác tử không cần toàn bộ năng lực hoặc không cần gánh chi phí của một LLM hoàn chỉnh ở mọi bước. Trong những hệ thống như tác tử AI viết mã, bước chọn hành động tiếp theo có thể được tách khỏi phần tạo văn bản phức tạp.
Vì sao điểm tin cậy có ý nghĩa
Điểm tin cậy cho biết Strands Decider 2B chắc chắn đến đâu khi chọn một hành động. Lựa chọn này nằm trong miền câu trả lời giới hạn. Đầu ra có thể giúp hệ thống tiếp tục với phương án được đề xuất hoặc chuyển trường hợp chưa chắc chắn sang bước xử lý khác.
Brooker mô tả nhiệm vụ của mô hình quyết định bằng một câu hỏi cụ thể: dựa trên trạng thái hiện tại, hệ thống nên làm gì tiếp theo? Vì miền câu trả lời đã được giới hạn, điểm tin cậy có thể giúp bước xử lý ổn định hơn. Cách tiếp cận này cũng hướng tới độ trễ và chi phí thấp hơn so với việc gọi một LLM đầy đủ cho từng quyết định.
Điểm khác biệt chính nằm ở đầu ra. Một LLM thông thường sinh văn bản, còn Strands Decider 2B trả về một lựa chọn đã được hiệu chỉnh. Theo TechCrunch, mô hình vẫn dựa trên phần lõi của một LLM, cụ thể là Qen3.5-2B, nhưng được điều chỉnh cho nhiệm vụ ra quyết định. Với các đội ngũ xây dựng hạ tầng cho tác tử AI, kiến trúc này phân tách bước suy luận mở khỏi bước chọn giữa các phương án có sẵn.
Từ Jevons đến làn sóng mô hình mới
Jev của TypeSafe được đặt theo tên nhà kinh tế William Stanley Jevons. Cái tên gợi đến lý thuyết của Jevons rằng chi phí của một thứ giảm có thể làm nhu cầu tăng. Trong trường hợp này, TypeSafe muốn liên hệ lý thuyết đó với trí tuệ máy tính: chi phí của trí tuệ máy tính giảm có thể làm nhu cầu sử dụng nó tăng.
Theo TechCrunch, các nhà nghiên cứu đã tạo ra hàng chục mô hình tương tự kể từ khi TypeSafe giới thiệu Jev. Mức độ quan tâm tăng nhanh cũng đặt ra câu hỏi về giá trị thực tế của từng sản phẩm. Brooker nhận định thách thức là tăng tốc độ quyết định mà không làm suy giảm khả năng hiểu và mức độ thông minh của mô hình.
Sự cân bằng này đặc biệt quan trọng đối với khả năng hiểu nhiều ngôn ngữ và duy trì kiến thức tổng quát. Nếu quá trình tối ưu độ chính xác và hiệu chỉnh làm suy yếu những năng lực đó, mô hình sẽ mất một phần giá trị cần thiết để hoạt động trong nhiều tình huống.
Chi phí thấp chưa đồng nghĩa với mô hình thông minh
Rào cản tài chính thấp có thể giúp nhiều nhóm thử nghiệm mô hình quyết định, nhưng chi phí xây dựng không xác định mức độ hữu ích của sản phẩm. Theo Brooker, thách thức vẫn là duy trì khả năng hiểu trong khi tăng tốc độ ra quyết định. TypeSafe cũng phân biệt việc triển khai kiến trúc với việc tạo ra trí tuệ có giá trị thực tế.
Brooker không cho rằng các phòng thí nghiệm AI tiên phong chắc chắn sẽ thống trị lĩnh vực này. Theo ông, ở những thị trường nhỏ hơn, chi phí để xây dựng một sản phẩm đáng chú ý có thể chỉ ở mức hàng trăm hoặc hàng nghìn đô la Mỹ. Rào cản tài chính thấp hơn có thể giải thích vì sao nhiều mô hình quyết định xuất hiện trong thời gian ngắn.
Diogo Almeida là giám đốc điều hành kiêm nhà sáng lập TypeSafe. Ông nói với TechCrunch rằng nhiều người xem lĩnh vực này như một cuộc đổ xô tìm vàng. Theo Almeida, họ có thể đánh giá thấp độ khó của việc làm cho mô hình thật sự thông minh. Nhận định này đặt trọng tâm vào chất lượng trí tuệ thay vì số lượng mô hình được phát hành.
Almeida hiện chưa xem các sản phẩm mới là đối thủ thực sự của TypeSafe. Theo đánh giá của ông, phần lớn là nỗ lực của những người làm học máy muốn triển khai một kiến trúc mới, thay vì kết quả từ một đội ngũ tập trung sâu vào việc biến trí tuệ thành công cụ hữu dụng.
Điều đáng chú ý với người làm AI tại Việt Nam
Strands Decider 2B gợi ý một cách phân chia nhiệm vụ rõ hơn trong hệ thống tác tử AI. LLM có thể tiếp tục xử lý nội dung và yêu cầu mở, còn mô hình quyết định nhỏ hơn đảm nhiệm những bước chỉ cần chọn một hành động từ danh sách đóng. Hiệu quả của cách phân chia này vẫn phụ thuộc vào từng quy trình.
Hướng phát triển này liên quan trực tiếp đến cách doanh nghiệp thiết kế hạ tầng AI. Việc chạy cục bộ cũng mở ra khả năng đặt mô hình quyết định gần hệ thống sử dụng nó, dù bài viết nguồn chưa cung cấp kết quả triển khai thực tế để xác nhận lợi ích trong mọi môi trường.
Dữ liệu được TechCrunch dẫn lại chưa chứng minh rằng Strands Decider 2B luôn rẻ hơn hoặc chính xác hơn trong mọi trường hợp. Amazon nhấn mạnh tiềm năng giảm độ trễ và chi phí, còn hiệu quả cuối cùng phụ thuộc vào quy trình cụ thể cùng khả năng cân bằng tốc độ, độ chính xác và mức độ hiểu của mô hình.
Hãy tiếp tục theo dõi Sine để cập nhật những thay đổi đáng chú ý trong cách các tác tử AI đưa ra quyết định.
