書かないAI「Strands Decider 2B」が来た。仕分け係みたいに一瞬で選ぶ仕組みを5分で整理する

2026年10月1日、Strands Agents のチームが、文章を一切書かない小さなAIモデル「Strands Decider 2B」を公開しました。郵便の仕分け係のように、渡された選択肢から一瞬で1つを選び、どれくらい自信があるかまで数字で返します。クラスメソッドさんの M4 Mac での検証記事を手がかりに、公式リポジトリで裏を取り、手元の M4 Mac でも動かしながら日本語で整理しました。

先に1分で知りたい人は、ショート動画でどうぞ。

1. Decider は「郵便の仕分け係」と同じ発想

郵便局の仕分け係は、手紙を書きません。宛先を見て、どの棚に入れるかを一瞬で決めるのが仕事です。

Decider も同じです。ChatGPT のような普通のAI（LLM）は作文が得意ですが、Decider は文章を生成しません。「この問い合わせは請求・営業・店舗のどれ？」のような質問に、選択肢から1つ選んで答えるだけです。公式はこれを「decision model（判定モデル）」「system one model（直感で答えるモデル）」と呼んでいます。

ただ、本物の仕分け係と違って、棚（選択肢）は固定ではありません。リクエストのたびに好きな選択肢を渡せます。追加の学習なしで、いろいろな分類や採点に使えるのが特徴です。

2. どうやって選ぶのか：マークシートと「塗りの濃さ」

仕組みはマークシートに似ています。

1. 土台は Qwen3.5-2B-Base という既存の言語モデル（1.9B パラメータ）

2. 次の単語を出す「口」の部分（LM ヘッド）を取り外す

3. 代わりに、選択肢を指さす小さな部品（pointer head、約100万パラメータ）を付ける

4. 1回の計算で、選択肢ごとのスコアを出す。文章を1文字ずつ生成するループはない

答えを書く代わりにマークを塗るイメージです。しかも塗りには濃淡があります。手元で公式の例（「3日間、支払いが失敗している！」をどのチームに回すか）を聞くと、請求 0.894・営業 0.055・店舗 0.052 と返り、確信度は 0.841 でした。

質問の形は3種類です。

• yes / no で答える（noul）

• N個から1つ選ぶ（choice）

• 段階で採点する（score）

エンジニア向けに補足すると、pointer head は <answer> 位置の隠れ状態と、各選択肢の最後のトークンの隠れ状態を比べてスコアを出します。選択肢ごとの重みを持たないので、「1番目が正解になりやすい」といった癖を覚えにくく、選択肢の数にも上限がありません。土台は rank-16 の LoRA で調整されています（公式 README より）。

3. 具体的に何ができるか：エージェントの分岐点3つ

公式が挙げる用途は、モデルの振り分け、ツール選択、評価、ガードレール、メモリ管理、ポリシー分類などです。AIエージェントの中にある「次にどうするか」の小さな分かれ道で使う部品だと考えると分かりやすいです。

例1：モデルの振り分け。 依頼を「簡単・普通・難しい」に分けて、使うLLMを変えます。クラスメソッドさんは、Kiro Crew の Auto モード（プロンプトの難しさでモデルを振り分ける機能）の判定役に使えるかを検証していました。

例2：実行前のチェック。 エージェントがツールを動かす直前に、「その引数はユーザーの発言に根拠があるか」「今呼ぶのは早すぎないか」を判定します。公式サンプルでは、「天気は？」としか言われていないのにAIが勝手にシアトルで調べようとすると、根拠なしと判定して聞き返させます。

例3：問い合わせの仕分け。 「支払いが失敗している」→請求チーム、のような振り分けです。先ほどの例がこれにあたります。

公式サンプルの説明では、この判定は手元で数百ミリ秒の計算で済み、会話を外部に送らずに済みます。結果は数字なので、エージェントに言い訳の余地を与えず、普通の if 文で分岐できる、という考え方です。

4. 数字で見る：公式ベンチと手元の実測

公式の数字と、クラスメソッドさんの検証、自分の M4 Mac（メモリ16GB）での実測を並べます。

v21 は v19 に「質問の言い換え」と「Qwen3.5-4B からの蒸留」を足した版で、Hugging Face への公開は2026年10月5日です。公式は「1回ずつの計測なので、改善幅として読まないでほしい」とも書いています。

5. 入れ方：uv で3行

Python 3.12 の環境に strands-decider を入れるだけです。手元では次の3行で動きました（バージョン 0.1.0）。

uv venv sd-venv --python 3.12
VIRTUAL_ENV=sd-venv uv pip install strands-decider
sd-venv/bin/strands-decider ask StrandsAgents/strands-decider-2B-hobson-v21 \
  --state "Help! My payouts have been failing for 3 days!" \
  --choice "Which team should handle this?=billing,sales,retail" --device mps

初回は土台モデル（約4.5GB）のダウンロードを含めて約3分20秒かかりました。サーバーとして常駐させる場合は strands-decider serve <モデル名> --device mps を使います。キャッシュ済みなら28秒で起動し、POST /v1/systemone に JSON で質問を送れます。

6. 気をつけること：迷う問題では、確信度が低く出る

公式自身が「複雑な問題は推論モデルよりかなり劣る」と書いています。文章生成、コーディング、要約、チャットには使えません。

手元で、自作の日本語12問（簡単・普通・難しいを4問ずつ）を振り分けさせると、v21 の正解は12問中8問でした。「本番だけ遅くなる原因を調べて直して」のような難しい依頼は、どれも「普通」に寄りました。

ここで効いてくるのが確信度です。

• 12問の確信度は 0.08〜0.62 で、0.9 以上は1件もありませんでした

• 「この文は何語？」のような明らかな質問には 0.98 でした

• 公式の目安は「0.9以上ならそのまま実行、0.5〜0.9は確認、0.5未満は人に回す」。閾値は自分のデータで測るように、とも書かれています

もう1つの注意点は、聞き方で結果が変わることです。

• 選択肢ごとの説明文（criteria）は必須です。空だと HTTP 422 が返ります（クラスメソッドさんの検証より）

• 手元では、同じ「金額をでっち上げた返金」を JSON のまま渡すと見抜けず、公式サンプルと同じ文章形式で渡すと「聞き返す」側に判定しました。ただ、公式形式でも5件中1件（都市名を言っているのに聞き返す）は外れました

個人的には、駅の自動改札くらいの位置づけがちょうどいいと思います。ほとんどは自動で通し、迷ったら有人窓口（人や上位のLLM）に回す。Decider はその「迷った」を数字で教えてくれるのが強みです。

7. LLM・Jev と比べる：部長か、専門家か、チェックリストか

同じ「判定モデル」の分野には、TypeSafe の API で使える Jev や、ローカルで動く Kev-4B があります。クラスメソッドさんの日本語20問では、Jev が 18/20、Kev-4B が 16/20 でした。

会社にたとえると、汎用LLMは毎回部長に聞くやり方です。何でも答えてくれますが、時間もお金もかかります。Jev は社外の専門家に電話するイメージで、速くて正確ですが、相談内容は外に出ます。Decider は自席のチェックリストです。速く、外に出ません。ただし、書かれていないケースではチェックリストより大胆に推測するので、確信度を見るのが前提です。

8. どれを選ぶか：データを外に出せるか、出せないか

プロンプトを外部に送れない、APIの費用をかけずに分岐を増やしたいなら Decider。運用の手間なしで速さと日本語の精度を取るなら Jev。判断の理由を文章で残したいなら、汎用LLMのままがいいです。

個人的には、まずエージェントの「ツール実行前のチェック」に1つだけ入れてみるのが入り口として良いと思っています。yes / no の2択で、閾値の効き方が一番わかりやすいからです。

この記事の内容を1分ほどの縦型ショート動画にもまとめました。

9. 補足：参考リンク

• クラスメソッド DevelopersIO の検証記事：https://dev.classmethod.jp/articles/strands-decider-2b-m4-mac-kiro-crew/

• Strands 公式ブログ「Introducing Strands Decider 2B」：https://strandsagents.com/blog/introducing-strands-decider/

• GitHub（strands-labs/strands-decider）：https://github.com/strands-labs/strands-decider

• Hugging Face（StrandsAgents）：https://huggingface.co/StrandsAgents

• AWS「Introducing Strands Agents, an Open Source AI Agents SDK」：https://aws.amazon.com/blogs/opensource/introducing-strands-agents-an-open-source-ai-agents-sdk/

#StrandsAgents #AIエージェント #生成AI #LLM #ローカルLLM #JEV #AI活用 #AWS #Mac