Μοντέλα και πλατφόρμες AI
Η Baseten επεκτείνει τα μοντέλα λήψης αποφάσεων σε περιβάλλον 128K και σε εικόνες

Βασικά σημείαΤο Bison-1 ηγείται του Δείκτη Αποφάσεων του Artificial Analysis με το χαμηλότερο σκορ…
Δείτε περισσότερα
- Το Bison-1 ηγείται του Δείκτη Αποφάσεων του Artificial Analysis με το χαμηλότερο σκορ Brier μεταξύ των αξιολογημένων μοντέλων αποφάσεων.
- Το Baseten απορρίπτει αιτήματα που υπερβαίνουν τα εκπαιδευμένα όρια μήκους αντί να τα περικόπτει για να διατηρήσει βαθμονομημένα αποτελέσματα αποφάσεων.
- Το Groundhog-1 δεν διαθέτει ανεξάρτητη βαθμολογία Δείκτη Αποφάσεων, αφήνοντας την απόδοση του μείγματος ειδικών του μη επαληθευμένη.
Η Baseten κυκλοφόρησε τα bison-1 και groundhog-1 στις 20 Νοεμβρίου 2026: δύο μοντέλα ανοιχτών βαρών, μετεκπαιδευμένα από το Gemma 4 της Google, τα οποία επιστρέφουν βαθμονομημένες πιθανότητες για προκαθορισμένες αποφάσεις. Η Artificial Analysis βαθμολόγησε το bison-1 με 76 στον Decision Index v2.1, κατατάσσοντάς το πρώτο μεταξύ 19 μοντέλων λήψης αποφάσεων που αξιολογήθηκαν.
Και τα δύο διατίθενται μέσω των Baseten Model APIs, καθώς και ως βάρη στο Hugging Face. Δέχονται κείμενο και εικόνες και υποστηρίζουν 131.072 tokens· σύμφωνα με την Baseten, αυτό είναι οκταπλάσιο του περιβάλλοντος 16K των προηγούμενων API της, mammoth-1, elephant-1 και joey-1. Ένα αίτημα μπορεί να περιλαμβάνει μία κατάσταση και οποιονδήποτε αριθμό ερωτήσεων ναι/όχι, ερωτήσεων με ονομαστές επιλογές ή ερωτήσεων με διατεταγμένη βαθμολόγηση, σε μία προπλήρωση με κοινό πρόθεμα, χωρίς παραγωγή κειμένου.
Δύο μεγέθη μοντέλων, κοινοί όροι ανάπτυξης
Το Bison-1 είναι ένα πυκνό μοντέλο με 31 δισ. παραμέτρους, μετεκπαιδευμένο από το Gemma 4 31B. Το Groundhog-1 είναι ένα μοντέλο με 26 δισ. παραμέτρους και αρχιτεκτονική μείγματος ειδικών, βασισμένο στο Gemma 4 26B-A4B, με περίπου 4 δισ. ενεργές παραμέτρους ανά token. Η Baseten τα τιμολογεί αντίστοιχα στα 0,10 και 0,035 δολάρια ανά εκατομμύριο tokens, όσο και τα mammoth-1 και elephant-1.
Και τα δύο χρησιμοποιούν το ίδιο API με τα προηγούμενα μοντέλα λήψης αποφάσεων της Baseten, ενώ τα αιτήματα που υπερβαίνουν τα όρια μήκους για τα οποία εκπαιδεύτηκαν απορρίπτονται αντί να περικόπτονται. Τα βασικά μοντέλα Gemma 4 της Google διατίθενται με τους όρους της Apache License 2.0· οι τροποποιήσεις της Baseten διατίθενται με την MIT License, και η χρήση υπόκειται και στις δύο άδειες.
Αποτελέσματα του ανεξάρτητου Decision Index
Ο Artificial Analysis Decision Index v2.1 συνδυάζει έξι αξιολογήσεις που διεξήγαγε ανεξάρτητα η Artificial Analysis. Το AA-Paperclip, το οποίο καλύπτει αποφάσεις και εξαγωγή πληροφοριών από 1.500 βιογραφικά, αποδείξεις, τιμολόγια και ερευνητικές εργασίες, έχει συντελεστή βαρύτητας 30%. Η αξιολόγηση χρήσης εργαλείων When2Call έχει συντελεστή βαρύτητας 10%, ενώ οι δοκιμασίες κρίσης στον χώρο εργασίας, γνώσεων και παραισθήσεων, συλλογιστικής και αναλλοίωτου των αποφάσεων έχουν από 15% η καθεμία.
Η Βαθμολογία Απόφασης αφαιρεί από την ακρίβεια μια ποινή βαθμονόμησης Brier. Οι υποκείμενες πιθανότητες επιτρέπουν επίσης τον καθορισμό ορίων εμπιστοσύνης, ώστε να απαντώνται ορισμένες περιπτώσεις και άλλες να παραπέμπονται αλλού, καθιστώντας τη βαθμονόμηση σημαντική για τον τρόπο ανάπτυξης ενός συστήματος λήψης αποφάσεων.
Στα αποτελέσματα της Artificial Analysis για τις 19 Νοεμβρίου 2026, το d1.2-ultra κατατάσσεται δεύτερο με 75 και το mammoth-1 συγκεντρώνει 71, ενώ η βαθμολογία Brier 0,14 του bison-1 είναι η χαμηλότερη στον δείκτη, έναντι 0,15 για το d1.2-ultra. Η μέτρηση Brier υπολογίζει τη μέση τετραγωνική απόκλιση ανάμεσα στην πιθανότητα που αποδίδεται στην επιλεγμένη απάντηση και στο αν αυτή είναι σωστή. Οι χαμηλότερες τιμές υποδηλώνουν ότι ο βαθμός εμπιστοσύνης αντιστοιχεί καλύτερα στα πραγματικά αποτελέσματα.
Η κάρτα μοντέλου του bison-1 αναφέρει ότι κατέλαβε την πρώτη θέση στα When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 και AA-Symmetry v1.1, καθώς και τη δεύτερη θέση στο AA-Paperclip. Η βαθμολογία του 60 στο AA-Omniscience-Decision v1.1 το κατέταξε στην 11η θέση, επομένως το συνολικό προβάδισμα συνοδεύεται από σημαντικές διακυμάνσεις μεταξύ των επιμέρους αξιολογήσεων και όχι από ομοιόμορφη υπεροχή.
Η κάρτα μοντέλου του Groundhog-1 αναφέρει ότι δεν έχει λάβει ακόμη βαθμολογία στον Artificial Analysis Decision Index.
Δεδομένα εκπαίδευσης και δοκιμές μεγάλου περιβάλλοντος
Και τα δύο μοντέλα εκπαιδεύτηκαν σε 6,71 εκατομμύρια παραδείγματα λήψης αποφάσεων, που καλύπτουν βασικές δεξιότητες λήψης αποφάσεων, ασφάλεια και αποχή, κρίση και εξειδικευμένους τομείς, έγγραφα και εργασίες μεγάλου περιβάλλοντος, συμπεριλαμβανομένων δημόσιων συνόλων αξιολόγησης. Ο στόχος συνδυάζει διασταυρούμενη εντροπία με έναν όρο βαθμονόμησης Brier και περιλαμβάνει μια εκπαιδευμένη I don't know επιλογή. Περίπου ένα στα επτά παραδείγματα περιλαμβάνει στόχο πιθανότητας αντί για μία μόνο σωστή απάντηση.
Η Baseten αποδίδει σημαντικό κέρδος στη βαθμονόμηση στην επέκταση αυτών των στόχων με μαλακές ετικέτες παράλληλα με το βασικό μοντέλο Gemma. Η εκπαίδευση πραγματοποιήθηκε με 192 GPU B200 για το bison-1 και 128 για το groundhog-1.
Στις δικές της δοκιμές μεγάλου περιβάλλοντος με 128K tokens, η Baseten κατέγραψε για το bison-1 βαθμολογίες 84,8 στο LongMemEval M και 87,1 στο LongMemEval S, ενώ το groundhog-1 σημείωσε 77,4 και 79,3, αντίστοιχα. Αυτές οι δοκιμές που διεξήγαγε η εταιρεία εξετάζουν τις επιδόσεις σε μεγάλο περιβάλλον ξεχωριστά από τον ευρύτερο δείκτη της Artificial Analysis, ο οποίος περιλαμβάνει έξι μέρη.
Η κυκλοφορία επεκτείνει τη λήψη αποφάσεων με μεγάλο περιβάλλον και πολλαπλές μορφές δεδομένων στα δύο καθιερωμένα επίπεδα τιμολόγησης της Base Labs. Το ανεξάρτητο αποτέλεσμα του Groundhog-1 στον δείκτη παραμένει το ανοιχτό ερώτημα για να κριθεί αν η αρχιτεκτονική μείγματος ειδικών αποδίδει στο επίπεδο του mammoth-1, όπως αναμένει η Baseten.












