AI-modeller og platforme
Baseten udvider beslutningsmodeller med kontekstvindue på 128K og billedinput

NøglepunkterBison-1 fører Artificial Analysis' Decision Index med den laveste Brier-score blandt de…
Vis mere
- Bison-1 fører Artificial Analysis' Decision Index med den laveste Brier-score blandt de evaluerede beslutningsmodeller.
- Baseten afviser anmodninger ud over de trænede længdegrænser i stedet for at afkorte dem for at bevare kalibrerede beslutningsoutputs.
- Groundhog-1 mangler en uafhængig Decision Index-score, hvilket efterlader dets mixture-of-experts-ydeevne uverificeret.
Baseten udgav bison-1 og groundhog-1 den 20. november 2026, to modeller med åbne vægte, der er eftertrænet på Googles Gemma 4 til at returnere kalibrerede sandsynligheder for foruddefinerede beslutninger. Artificial Analysis gav bison-1 76 point på Decision Index v2.1, hvilket placerede modellen på førstepladsen blandt 19 evaluerede beslutningsmodeller.
Begge modeller er tilgængelige via Basetens Model API’er og som vægte på Hugging Face. De kan behandle tekst og billeder og understøtter 131.072 tokens; Baseten oplyser, at det er otte gange så meget som kontekstvinduet på 16K i virksomhedens tidligere API’er til mammoth-1, elephant-1 og joey-1. En forespørgsel kan samle én tilstand og et vilkårligt antal spørgsmål med ja/nej-svar, navngivne valgmuligheder eller ordnede scores i én præfyldning med fælles præfiks, uden at generere tekst.
To modelstørrelser med fælles vilkår for implementering
Bison-1 er en tæt model med 31 mia. parametre, eftertrænet på Gemma 4 31B. Groundhog-1 er en model med en mixture-of-experts-arkitektur på 26 mia. parametre, baseret på Gemma 4 26B-A4B, med cirka 4 mia. aktive parametre pr. token. Baseten tager henholdsvis 0,10 og 0,035 dollar pr. million tokens, samme priser som for mammoth-1 og elephant-1.
Begge modeller bruger samme API som Basetens tidligere beslutningsmodeller, og forespørgsler, der overskrider de trænede længdegrænser, afvises i stedet for at blive afkortet. Googles grundmodeller Gemma 4 er udgivet på vilkårene i Apache License 2.0; Basetens ændringer er udgivet under MIT License, og brugen er underlagt begge licenser.
Resultater fra det uafhængige Decision Index
The Artificial Analysis Decision Index v2.1 samler seks evalueringer, som Artificial Analysis har gennemført uafhængigt. AA-Paperclip, der dækker beslutninger og dataudtræk fra 1.500 CV’er, kvitteringer, fakturaer og forskningsartikler, vægter 30 %. Evalueringen af værktøjskald, When2Call, vægter 10 %, mens test af dømmekraft på arbejdspladsen, viden og hallucinationer, ræsonnement samt beslutningsinvarians hver vægter 15 %.
Beslutningsscoren beregnes ved at trække en Brier-kalibreringsstraf fra nøjagtigheden. De underliggende sandsynligheder gør det også muligt at fastsætte konfidensgrænser, så nogle tilfælde besvares, mens andre sendes videre et andet sted hen; derfor har kalibreringen betydning for, hvordan et beslutningssystem implementeres.
Artificial Analysis’ resultater fra 19. november 2026 placerer d1.2-ultra på andenpladsen med 75 point og mammoth-1 med 71 point, mens bison-1’s Brier-score på 0,14 er den laveste i indekset sammenlignet med 0,15 for d1.2-ultra. Brier-målet beregner den gennemsnitlige kvadrerede forskel mellem sandsynligheden for det valgte svar og spørgsmålet om, hvorvidt svaret er korrekt. Lavere værdier betyder, at konfidensen i højere grad stemmer overens med de faktiske resultater.
Modelkortet for bison-1 rapporterer førstepladser i When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 og AA-Symmetry v1.1 samt en andenplads i AA-Paperclip. Modellens score på 60 i AA-Omniscience-Decision v1.1 placerede den som nummer 11, så den samlede føring dækker over betydelige forskelle mellem de enkelte komponenter og er ikke udtryk for ensartet dominans.
Det fremgår af modelkortet for Groundhog-1, at modellen endnu ikke har fået en score på Artificial Analysis Decision Index.
Træningsdata og test med lange kontekstvinduer
Begge modeller blev trænet på 6,71 millioner beslutningseksempler, der dækkede grundlæggende beslutningsfærdigheder, sikkerhed og afståelse fra at svare, vurdering og ekspertområder, dokumenter og opgaver med lange kontekster, herunder offentligt tilgængelige benchmarksæt. Målfunktionen kombinerer krydsentropi med et Brier-kalibreringsled og omfatter en trænet I don't know mulighed. Cirka ét ud af syv eksempler har et sandsynlighedsmål i stedet for ét enkelt korrekt svar.
Baseten tilskriver en betydelig forbedring af kalibreringen en udvidelse af disse mål med bløde etiketter sideløbende med Gemma-grundmodellen. Træningen brugte 192 B200-GPU’er til bison-1 og 128 til groundhog-1.
I Basetens egne kørsler med lange kontekster på 128K tokens fik bison-1 84,8 på LongMemEval M og 87,1 på LongMemEval S, mens groundhog-1 fik henholdsvis 77,4 og 79,3. Disse tests, som virksomheden selv har kørt, undersøger ydeevnen med lange kontekster særskilt fra Artificial Analysis’ bredere indeks med seks dele.
Udgivelsen udvider beslutningstagning med lange kontekster og flere modaliteter på tværs af begge af Base Labs’ etablerede prisklasser. Groundhog-1’s resultat på det uafhængige indeks er fortsat et åbent spørgsmål, når det gælder vurderingen af, om modellens mixture-of-experts-design leverer den ydeevne på niveau med mammoth-1, som Baseten forventer.












