AI-mallit ja alustat
Baseten laajentaa päätösmallien kontekstin 128K:hon ja tuo niihin kuvasyötteen

Keskeiset kohdatBison-1 johtaa Artificial Analysisin Decision Indexiä alhaisimmalla Brier-pisteellä…
Näytä lisää
- Bison-1 johtaa Artificial Analysisin Decision Indexiä alhaisimmalla Brier-pisteellä arvioitujen päätösmallien joukossa.
- Baseten hylkää pyynnöt, jotka ylittävät koulutetut pituusrajat, sen sijaan että se katkaisisi ne kalibroitujen päätöstulosten säilyttämiseksi.
- Groundhog-1:ltä puuttuu itsenäinen Decision Index -pisteet, joten sen asiantuntijamixturen suorituskyky on vahvistamatta.
Baseten julkaisi bison-1- ja groundhog-1-mallit 20. marraskuuta 2026. Nämä kaksi avoimilla painoilla julkaistua mallia on jälkikoulutettu Googlen Gemma 4 -mallien pohjalta, ja ne palauttavat ennalta määritellyille päätöksille kalibroituja todennäköisyyksiä. Artificial Analysis antoi bison-1:lle Decision Index v2.1 -indeksissä 76 pistettä, mikä nosti sen ensimmäiseksi 19 arvioidun päätösmallin joukossa.
Molemmat ovat saatavilla Baseten Model API -rajapintojen kautta ja painoina Hugging Facessa. Ne käsittelevät tekstiä ja kuvia sekä tukevat 131 072 tokenin kontekstia. Basetenin mukaan se on kahdeksan kertaa enemmän kuin sen aiempien mammoth-1-, elephant-1- ja joey-1-rajapintojen 16K:n konteksti. Pyyntöön voi sisällyttää yhden tilan ja minkä tahansa määrän kyllä/ei-kysymyksiä, nimettyjä vaihtoehtoja sisältäviä kysymyksiä tai järjestettyjä pisteytyskysymyksiä, jotka käsitellään yhdessä yhteisen etuliitteen esitäytössä ilman tekstin generointia.
Kaksi mallikokoa, samat käyttöönottoehdot
Bison-1 on tiheä 31 miljardin parametrin malli, joka on jälkikoulutettu Gemma 4 31B:n pohjalta. Groundhog-1 on 26 miljardin parametrin asiantuntijaseosmalli, joka perustuu Gemma 4 26B-A4B:hen ja jossa on noin 4 miljardia aktiivista parametria tokenia kohden. Baseten veloittaa malleista vastaavasti 0,10 ja 0,035 dollaria miljoonaa tokenia kohden, eli hinnat ovat samat kuin mammoth-1- ja elephant-1-malleilla.
Molemmat käyttävät samaa rajapintaa kuin Basetenin aiemmat päätösmallit. Koulutuksessa käytetyt pituusrajat ylittävät pyynnöt hylätään katkaisemisen sijaan. Googlen Gemma 4 -pohjamallien lisenssiehdot ovat Apache License 2.0:n mukaiset; Basetenin muutokset on julkaistu MIT License -lisenssillä, ja käyttöön sovelletaan molempia lisenssejä.
Riippumattoman päätösindeksin tulokset
Artificial Analysis Decision Index v2.1 yhdistää kuusi Artificial Analysisin itsenäisesti toteuttamaa arviointia. AA-Paperclip, jossa arvioidaan päätöksentekoa ja tiedon poimintaa 1 500 ansioluettelosta, kuitista, laskusta ja tutkimusartikkelista, muodostaa 30 % painotuksesta. When2Call-työkalunkäyttöarvioinnin paino on 10 %, kun taas työelämän harkintakykyä, tietämystä ja hallusinaatioita, päättelyä sekä päätösinvarianssia mittaavien testien paino on kussakin 15 %.
Decision Score -pistemäärässä tarkkuudesta vähennetään Brier-kalibrointivirhe. Mallien tuottamien todennäköisyyksien avulla voidaan myös asettaa luottamusrajoja: niiden perusteella malli vastaa osaan tapauksista ja ohjaa muut eteenpäin. Siksi kalibroinnilla on merkitystä päätöksentekojärjestelmän käyttöönotossa.
Artificial Analysisin 19. marraskuuta 2026 julkaisemat tulokset sijoittavat d1.2-ultran toiseksi 75 pisteellä ja mammoth-1:n 71 pisteellä. Bison-1:n Brier-pistemäärä 0,14 on indeksin matalin; d1.2-ultran vastaava tulos on 0,15. Brier-mittari laskee valitulle vastaukselle annetun todennäköisyyden ja vastauksen oikeellisuuden välisen eron neliöiden keskiarvon. Pienempi arvo tarkoittaa, että luottamus vastaa paremmin todellisia tuloksia.
Bison-1:n mallikortin mukaan malli sijoittui ensimmäiseksi When2Call-, EvalSafe-O*NET-AA-, HLE-MultiChoice v1.1- ja AA-Symmetry v1.1 -testeissä sekä toiseksi AA-Paperclipissä. Sen 60 pistettä AA-Omniscience-Decision v1.1 -testissä riittivät 11. sijaan, joten kokonaiskilpailun johto perustuu osa-alueiden huomattavaan vaihteluun eikä tasaiseen ylivoimaan.
Groundhog-1:n mallikortissa todetaan, ettei sille ole vielä annettu Artificial Analysis Decision Index -pistemäärää.
Koulutusdata ja pitkän kontekstin testit
Molemmat mallit koulutettiin 6,71 miljoonalla päätöksentekoesimerkillä, jotka kattavat keskeiset päätöksentekotaidot, turvallisuuden ja pidättäytymisen, arvioinnin ja asiantuntija-alat, asiakirjat sekä pitkän kontekstin tehtävät, mukaan lukien julkiset vertailuaineistot. Tavoitefunktio yhdistää ristientropian ja Brier-kalibrointitermin sekä sisältää koulutetun I don't know vaihtoehdon. Noin joka seitsemännessä esimerkissä annetaan yksittäisen oikean vastauksen sijaan todennäköisyystavoite.
Basetenin mukaan pehmeiden tavoitearvojen lisääminen Gemma-pohjamallin rinnalla paransi kalibrointia merkittävästi. Koulutuksessa käytettiin bison-1-malliin 192:ta B200-grafiikkasuoritinta ja groundhog-1-malliin 128:aa.
Basetenin omissa 128K tokenin pitkän kontekstin testeissä bison-1 sai LongMemEval M -testissä 84,8 ja LongMemEval S -testissä 87,1 pistettä. Groundhog-1:n vastaavat tulokset olivat 77,4 ja 79,3. Nämä yrityksen tekemät testit arvioivat pitkän kontekstin suorituskykyä erillään Artificial Analysisin laajemmasta kuusiosaisesta indeksistä.
Julkaisu laajentaa pitkän kontekstin multimodaalisen päätöksenteon Base Labsin vakiintuneisiin hintaluokkiin. Groundhog-1:n riippumaton indeksitulos on yhä avoin kysymys, kun arvioidaan, saavuttaako sen asiantuntijaseosarkkitehtuuri Basetenin odottaman mammoth-1-tasoisen suorituskyvyn.












