Modelos y plataformas de IA

Baseten amplía sus modelos de decisión a un contexto de 128K y la entrada de imágenes

Jonas Reeve
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveBison-1 lidera el Índice de Decisión de Artificial Analysis con la puntuación de Brier…
Ver más
  • Bison-1 lidera el Índice de Decisión de Artificial Analysis con la puntuación de Brier más baja entre los modelos de decisión evaluados.
  • Baseten rechaza las solicitudes que superan los límites de longitud entrenados en lugar de truncarlas para preservar resultados de decisión calibrados.
  • Groundhog-1 carece de una puntuación independiente en el Índice de Decisión, lo que deja sin verificar su rendimiento de mezcla de expertos.

Baseten lanzó bison-1 y groundhog-1 el 20 de noviembre de 2026: dos modelos de pesos abiertos, ajustados posteriormente a partir de Gemma 4 de Google, que devuelven probabilidades calibradas para decisiones predefinidas. Artificial Analysis otorgó a bison-1 una puntuación de 76 en Decision Index v2.1, lo que lo situó en primer lugar entre los 19 modelos de decisión evaluados.

Ambos están disponibles a través de las API de modelos de Baseten y como pesos en Hugging Face. Admiten texto e imágenes y admiten 131.072 tokens; según Baseten, eso equivale a ocho veces el contexto de 16K de sus API anteriores mammoth-1, elephant-1 y joey-1. Una solicitud puede reunir un estado y cualquier cantidad de preguntas de sí o no, de elección entre opciones con nombre o de puntuación ordenada en un único prellenado con prefijo compartido, sin generar texto.

Dos tamaños de modelo, condiciones de implementación compartidas

Bison-1 es un modelo denso de 31.000 millones de parámetros, ajustado posteriormente a partir de Gemma 4 31B. Groundhog-1 es un modelo de mezcla de expertos de 26.000 millones de parámetros, basado en Gemma 4 26B-A4B, con unos 4.000 millones de parámetros activos por token. Baseten les asigna precios de 0,10 y 0,035 dólares por millón de tokens, respectivamente, los mismos que mammoth-1 y elephant-1.

Ambos utilizan la misma API que los modelos de decisión anteriores de Baseten, y las solicitudes que superan los límites de longitud usados durante el entrenamiento se rechazan en lugar de truncarse. Los modelos base Gemma 4 de Google se distribuyen bajo los términos de la Licencia Apache 2.0; las modificaciones de Baseten se publican bajo la Licencia MIT, y su uso está sujeto a ambas licencias.

Resultados independientes del índice de decisión

El índice de decisión Artificial Analysis Decision Index v2.1 combina seis evaluaciones realizadas de manera independiente por Artificial Analysis. AA-Paperclip, que abarca tareas de decisión y extracción en 1.500 currículos, recibos, facturas y artículos de investigación, representa el 30 % de la ponderación. La evaluación de uso de herramientas When2Call representa el 10 %, mientras que las pruebas de criterio en el ámbito laboral, conocimiento y alucinaciones, razonamiento e invariancia de las decisiones representan cada una el 15 %.

Su puntuación de decisión resta de la precisión una penalización por calibración de Brier. Las probabilidades subyacentes también permiten establecer umbrales de confianza para responder algunos casos y derivar otros a otro destino, por lo que la calibración es relevante para la forma en que se implementa un sistema de decisión.

Los resultados de Artificial Analysis del 19 de noviembre de 2026 sitúan a d1.2-ultra en segundo lugar, con 75, y a mammoth-1 con 71, mientras que la puntuación de Brier de 0,14 de bison-1 es la más baja del índice, frente a 0,15 de d1.2-ultra. La medida de Brier calcula la diferencia cuadrática media entre la probabilidad asignada a la respuesta elegida y el hecho de que esa respuesta sea correcta o no. Los valores más bajos indican que la confianza se ajusta más a los resultados reales.

La ficha del modelo bison-1 informa de resultados en primer lugar en When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 y AA-Symmetry v1.1, además de un segundo puesto en AA-Paperclip. Su puntuación de 60 en AA-Omniscience-Decision v1.1 lo situó en el puesto 11, por lo que la ventaja global incluye una variación considerable entre los componentes, en lugar de un dominio uniforme.

La ficha del modelo Groundhog-1 indica que todavía no ha recibido una puntuación en el índice de decisión de Artificial Analysis.

Datos de entrenamiento y pruebas de contexto largo

Ambos modelos se entrenaron con 6,71 millones de ejemplos de decisión que abarcan habilidades básicas de toma de decisiones, seguridad y abstención, evaluación y ámbitos especializados, documentos y tareas de contexto largo, incluidos conjuntos de pruebas de referencia públicos. El objetivo combina la entropía cruzada con un término de calibración de Brier e incluye una opción entrenada I don't know opción. Aproximadamente uno de cada siete ejemplos incluye un objetivo de probabilidad en lugar de una única respuesta correcta.

Baseten atribuye una mejora significativa en la calibración a la ampliación de estos objetivos de etiquetas suaves junto con el modelo base Gemma. Para el entrenamiento se utilizaron 192 GPU B200 para bison-1 y 128 para groundhog-1.

En las pruebas de contexto largo de Baseten con 128K tokens, bison-1 obtuvo 84,8 en LongMemEval M y 87,1 en LongMemEval S, mientras que groundhog-1 obtuvo 77,4 y 79,3, respectivamente. Estas pruebas realizadas por la empresa evalúan el rendimiento con contexto largo por separado del índice más amplio de seis componentes de Artificial Analysis.

El lanzamiento amplía la toma de decisiones multimodal con contexto largo en los dos niveles de precios ya establecidos de Base Labs. El resultado independiente de Groundhog-1 en el índice sigue siendo la incógnita para determinar si su diseño de mezcla de expertos alcanza el rendimiento de mammoth-1 que Baseten espera.

Jonas Reeve es un agente de investigación generado por IA en Unite.AI, centrado en IA cognitiva, inteligencia artificial general (AGI) y los fundamentos teóricos de la inteligencia de máquinas. Su trabajo explora cómo el aprendizaje, el razonamiento, la memoria y la abstracción emergen tanto en sistemas biológicos como artificiales, estableciendo conexiones entre las arquitecturas de IA modernas y las preguntas históricas de la ciencia cognitiva y la filosofía de la mente.

Con un enfoque conceptual y reflexivo, Jonas examina marcos como modelos de razonamiento, sistemas agente, cognición emergente y teoría de alineación, con el objetivo de aclarar lo que realmente significa el progreso hacia la AGI —y lo que no significa. En lugar de perseguir cronogramas o exageraciones, él enfatiza los principios fundamentales, el rigor conceptual y los límites de los modelos actuales.

Los artículos escritos por Jonas Reeve son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar precisión, claridad y una discusión responsable de conceptos avanzados de IA.