AWS Strands 把决策模型铺成四档：换到 Gemma 4 底座，231 题最高 89.6%
10 月 15 日，AWS 的 Strands Labs 在 10 月初开源 Decider 2B 之后，把这条线扩成四档：E2B、E4B、12B、26B-A4B，分别建在 google/gemma-4-E2B-it、-E4B-it、-12B-it、-26B-A4B-it 上（26B-A4B 推理时约激活 4B）。四档共用同一套问题格式——给状态后问三类问题：noul 返回答案为真的概率，choice 在选项中选一个并给出置信度与各选项概率，score 返回期望值、置信度与每个有序标签的概率。
官方给出的对比是自家 JevBench v1 的 231 道公开题（4096 token 窗口）：E2B 180/231（77.9%）、E4B 187/231（81.0%）、12B 200/231（86.6%）、26B-A4B 207/231（89.6%），Brier 从 0.313 降到 0.162，单块 H100 80GB 上每题中位延迟分别为 102 / 139 / 136 / 245 毫秒。训练上沿用首版的指针头加 LoRA 结构（每个尺寸各自的适配器与读出头，底座权重单独下载），数据为 Hobson v21 配方的 123,339 行加 12,263 行代码任务，每个模型跑三个随机种子并对 LoRA 更新取平均。
这条最实用的信息是「模型该多大」被摆到了一张表上：官方自己的建议是先试 E2B，不达标再往 E4B、12B 试，最后才上 26B-A4B——因为 12B 在 JevBench 上只落后 26B-A4B 约 3 个点，而中位延迟少一半多。同时官方也把边界写清楚了：这些模型在需要多步推理的长文档上会失手，校准温度是在短的留出分类任务上拟合的，置信度阈值必须自己在真实流量上重测。