Modèles et plateformes d’IA
Baseten étend ses modèles de décision à un contexte de 128K et à l’entrée d’images

Points clésBison-1 est en tête de l'Indice de décision d'Artificial Analysis avec le score de…
Voir plus
- Bison-1 est en tête de l'Indice de décision d'Artificial Analysis avec le score de Brier le plus bas parmi les modèles de décision évalués.
- Baseten rejette les requêtes dépassant les limites de longueur d'entraînement plutôt que de les tronquer afin de préserver des sorties de décision calibrées.
- Groundhog-1 n'a pas de score indépendant à l'Indice de décision, laissant sa performance de mélange d'experts non vérifiée.
Le 20 novembre 2026, Baseten a lancé bison-1 et groundhog-1, deux modèles à poids ouverts post-entraînés à partir de Gemma 4 de Google, conçus pour renvoyer des probabilités calibrées pour des décisions prédéfinies. Artificial Analysis a attribué à bison-1 un score de 76 à l’index Decision Index v2.1, ce qui le place en tête des 19 modèles de décision évalués.
Les deux modèles sont disponibles via les API Model de Baseten et sous forme de poids sur Hugging Face. Ils acceptent du texte et des images et prennent en charge 131 072 jetons ; selon Baseten, cela représente huit fois la longueur de contexte de 16K de ses précédentes API mammoth-1, elephant-1 et joey-1. Une requête peut regrouper un état et autant de questions à réponse oui/non, à choix nommé ou à score ordonné que nécessaire dans une seule préremplissage à préfixe partagé, sans générer de texte.
Deux tailles de modèles, des conditions de déploiement communes
Bison-1 est un modèle dense de 31 milliards de paramètres, post-entraîné à partir de Gemma 4 31B. Groundhog-1 est un modèle à mélange d’experts de 26 milliards de paramètres, fondé sur Gemma 4 26B-A4B, avec environ 4 milliards de paramètres actifs par jeton. Baseten les facture respectivement 0,10 $ et 0,035 $ par million de jetons, comme mammoth-1 et elephant-1.
Les deux modèles utilisent la même API que les modèles de décision précédents de Baseten, et les requêtes dépassant les limites de longueur d’entraînement sont rejetées plutôt que tronquées. Les modèles de base Gemma 4 de Google sont soumis aux conditions de la licence Apache 2.0 ; les modifications apportées par Baseten sont publiées sous licence MIT, et leur utilisation est soumise aux deux licences.
Résultats indépendants de l’index de décision
L’Artificial Analysis Decision Index v2.1 regroupe six évaluations menées indépendamment par Artificial Analysis. AA-Paperclip, qui porte sur la prise de décision et l’extraction d’informations à partir de 1 500 CV, reçus, factures et articles de recherche, compte pour 30 % du score. L’évaluation d’utilisation d’outils When2Call compte pour 10 %, tandis que les tests portant sur le jugement en milieu professionnel, les connaissances et les hallucinations, le raisonnement et l’invariance des décisions comptent chacun pour 15 %.
Le score de décision soustrait à la précision une pénalité de calibration Brier. Les probabilités sous-jacentes permettent également de définir des seuils de confiance : le système répond à certains cas et en redirige d’autres ailleurs, ce qui rend la calibration pertinente pour le déploiement d’un système de décision.
Dans les résultats publiés par Artificial Analysis le 19 novembre 2026, d1.2-ultra arrive en deuxième position avec 75, et mammoth-1 obtient 71. Le score Brier de 0,14 de bison-1 est le plus faible de l’index, contre 0,15 pour d1.2-ultra. La mesure Brier calcule l’écart quadratique moyen entre la probabilité attribuée à la réponse choisie et le fait que cette réponse soit correcte ou non. Des valeurs plus faibles indiquent un niveau de confiance qui correspond davantage aux résultats réels.
La fiche de modèle de bison-1 fait état de résultats en première place à When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 et AA-Symmetry v1.1, ainsi que d’une deuxième place à AA-Paperclip. Son score de 60 à AA-Omniscience-Decision v1.1 le classe au 11e rang ; l’avance au classement général s’accompagne donc d’écarts importants entre les composantes, plutôt que d’une domination uniforme.
La fiche de modèle de Groundhog-1 indique qu’il n’a pas encore reçu de score à l’Artificial Analysis Decision Index.
Données d’entraînement et tests à long contexte
Les deux modèles ont été entraînés sur 6,71 millions d’exemples de décision couvrant les compétences fondamentales en matière de décision, la sécurité et l’abstention, le jugement et les domaines d’expertise, les documents et les tâches à long contexte, y compris des jeux de données de référence publics. L’objectif combine l’entropie croisée avec un terme de calibration Brier et comprend une option d’abstention entraînée I don't know option. Environ un exemple sur sept comporte une cible de probabilité plutôt qu’une seule réponse correcte.
Baseten attribue un gain important de calibration à l’élargissement de ces cibles à étiquettes souples, en complément du modèle Gemma de base. L’entraînement a utilisé 192 GPU B200 pour bison-1 et 128 pour groundhog-1.
Lors de ses propres essais à long contexte sur 128K jetons, Baseten a mesuré des scores de 84,8 à LongMemEval M et de 87,1 à LongMemEval S pour bison-1, tandis que groundhog-1 a obtenu respectivement 77,4 et 79,3. Ces tests menés par l’entreprise évaluent les performances à long contexte séparément de l’index général en six volets d’Artificial Analysis.
Cette sortie étend la prise de décision multimodale à long contexte aux deux niveaux tarifaires établis de Base Labs. Le résultat indépendant de Groundhog-1 à l’index reste la principale inconnue pour déterminer si son architecture à mélange d’experts offre les performances du niveau de mammoth-1 attendues par Baseten.












