एआई मॉडल और प्लेटफ़ॉर्म
Baseten ने निर्णय मॉडल की संदर्भ क्षमता 128K तक बढ़ाई और छवि इनपुट जोड़ा

मुख्य बिंदुबाइसन-1 मूल्यांकित निर्णय मॉडलों में सबसे कम ब्रायर स्कोर के साथ आर्टिफिशियल एनालिसिस…
और देखें
- बाइसन-1 मूल्यांकित निर्णय मॉडलों में सबसे कम ब्रायर स्कोर के साथ आर्टिफिशियल एनालिसिस के डिसीजन इंडेक्स में अग्रणी है।
- बेसटेन कैलिब्रेटेड निर्णय आउटपुट संरक्षित रखने के लिए अनुरोधों को छोटा करने के बजाय प्रशिक्षित लंबाई सीमाओं से अधिक अनुरोधों को अस्वीकार करता है।
- ग्राउंडहॉग-1 के पास स्वतंत्र डिसीजन इंडेक्स स्कोर नहीं है जिससे उसका मिश्रण-के-विशेषज्ञ प्रदर्शन असत्यापित रहता है।
Baseten ने 20 नवंबर, 2026 को bison-1 और groundhog-1 जारी किए। ये Google के Gemma 4 से पोस्ट-ट्रेन किए गए दो खुले-वेट मॉडल हैं, जो पहले से तय निर्णयों के लिए कैलिब्रेटेड संभाव्यताएँ देते हैं। Artificial Analysis ने Decision Index v2.1 में bison-1 को 76 अंक दिए, जिससे वह मूल्यांकन किए गए 19 निर्णय मॉडलों में पहले स्थान पर रहा।
दोनों Baseten Model APIs के ज़रिए और Hugging Face पर वेट के रूप में उपलब्ध हैं। ये पाठ और छवियाँ स्वीकार करते हैं और 131,072 टोकन का समर्थन करते हैं; Baseten का कहना है कि यह उसके पिछले mammoth-1, elephant-1 और joey-1 APIs की 16K संदर्भ क्षमता से आठ गुना है। किसी अनुरोध में एक स्थिति और हाँ/नहीं, नामित विकल्पों या क्रमबद्ध अंकों वाले कितने भी प्रश्न शामिल किए जा सकते हैं। इन्हें साझा प्रीफ़िक्स प्रीफ़िल में रखा जाता है और इसके लिए पाठ जनरेट नहीं करना पड़ता।
दो मॉडल आकार, तैनाती की एक जैसी शर्तें
Bison-1, Gemma 4 31B से पोस्ट-ट्रेन किया गया सघन 31 अरब पैरामीटर वाला मॉडल है। Groundhog-1, Gemma 4 26B-A4B पर आधारित 26 अरब पैरामीटर वाला मिक्सचर-ऑफ़-एक्सपर्ट्स मॉडल है, जिसमें हर टोकन के लिए लगभग 4 अरब पैरामीटर सक्रिय होते हैं। Baseten इनके लिए क्रमशः प्रति 10 लाख टोकन पर $0.10 और $0.035 शुल्क लेता है, जो mammoth-1 और elephant-1 की कीमतों के बराबर है।
दोनों Baseten के पहले के निर्णय मॉडलों वाला ही API इस्तेमाल करते हैं। प्रशिक्षित सीमा से अधिक लंबाई वाले अनुरोधों को काटने के बजाय अस्वीकार कर दिया जाता है। Google के Gemma 4 आधार मॉडलों पर Apache License 2.0 की शर्तें लागू होती हैं; Baseten के संशोधन MIT License के तहत जारी किए गए हैं और इनके उपयोग पर दोनों लाइसेंस लागू होते हैं।
स्वतंत्र निर्णय सूचकांक के नतीजे
Artificial Analysis का Decision Index v2.1, Artificial Analysis द्वारा स्वतंत्र रूप से किए गए छह मूल्यांकनों को मिलाकर तैयार किया गया है। AA-Paperclip में 1,500 बायोडेटा, रसीदों, चालानों और शोधपत्रों से जुड़े निर्णयों और जानकारी निकालने की क्षमता का आकलन किया जाता है; सूचकांक में इसका भार 30% है। When2Call टूल-कॉलिंग मूल्यांकन का भार 10% है, जबकि कार्यस्थल पर निर्णय क्षमता, ज्ञान और मतिभ्रम, तर्क तथा निर्णय-अपरिवर्तनीयता के परीक्षणों में से हर एक का भार 15% है।
इसका Decision Score सटीकता में से Brier कैलिब्रेशन दंड घटाकर निकाला जाता है। मूल संभाव्यताओं के आधार पर विश्वास की ऐसी सीमाएँ भी तय की जा सकती हैं जिनके तहत कुछ मामलों के उत्तर दिए जाते हैं और बाकी को कहीं और भेजा जाता है। इसलिए निर्णय प्रणाली को तैनात करने के तरीके के लिए कैलिब्रेशन मायने रखता है।
Artificial Analysis के 19 नवंबर, 2026 के नतीजों में d1.2-ultra 75 अंकों के साथ दूसरे और mammoth-1 71 अंकों के साथ उसके बाद है। वहीं, bison-1 का 0.14 Brier स्कोर सूचकांक में सबसे कम है, जबकि d1.2-ultra का स्कोर 0.15 है। Brier माप, चुने गए उत्तर को दी गई संभाव्यता और उस उत्तर के सही होने की स्थिति के बीच के अंतर के वर्ग का औसत निकालता है। कम मान का अर्थ है कि मॉडल का विश्वास वास्तविक नतीजों से अधिक मेल खाता है।
bison-1 के मॉडल कार्ड के अनुसार, उसने When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 और AA-Symmetry v1.1 में पहला स्थान हासिल किया, जबकि AA-Paperclip में वह दूसरे स्थान पर रहा। AA-Omniscience-Decision v1.1 में उसके 60 अंकों ने उसे 11वें स्थान पर रखा। इसलिए समग्र बढ़त अलग-अलग घटकों में पर्याप्त भिन्नता के साथ आई है, न कि हर जगह एकसमान दबदबे के कारण।
Groundhog-1 के मॉडल कार्ड में कहा गया है कि उसे अभी तक Artificial Analysis Decision Index का स्कोर नहीं मिला है।
प्रशिक्षण डेटा और लंबी संदर्भ क्षमता के परीक्षण
दोनों मॉडलों को निर्णय लेने के बुनियादी कौशल, सुरक्षा और जवाब देने से परहेज़, मूल्यांकन और विशेषज्ञता वाले क्षेत्रों, दस्तावेज़ों तथा लंबी संदर्भ क्षमता वाले कार्यों के 67.1 लाख उदाहरणों पर प्रशिक्षित किया गया। इनमें सार्वजनिक बेंचमार्क सेट भी शामिल थे। प्रशिक्षण उद्देश्य में क्रॉस-एंट्रॉपी और Brier कैलिब्रेशन पद शामिल हैं और इसमें एक प्रशिक्षित I don't know विकल्प भी शामिल है। लगभग हर सात में से एक उदाहरण में एक सही उत्तर के बजाय संभाव्यता का लक्ष्य दिया गया है।
Baseten के अनुसार, Gemma के आधार मॉडल के साथ इन सॉफ्ट-लेबल लक्ष्यों का विस्तार करने से कैलिब्रेशन में उल्लेखनीय सुधार हुआ। bison-1 को 192 B200 GPU और groundhog-1 को 128 GPU पर प्रशिक्षित किया गया।
128K टोकन पर Baseten के अपने लंबी संदर्भ क्षमता वाले परीक्षणों में bison-1 ने LongMemEval M पर 84.8 और LongMemEval S पर 87.1 अंक हासिल किए, जबकि groundhog-1 के अंक क्रमशः 77.4 और 79.3 रहे। कंपनी द्वारा किए गए ये परीक्षण लंबी संदर्भ क्षमता के प्रदर्शन का आकलन करते हैं और Artificial Analysis के छह-भाग वाले व्यापक सूचकांक से अलग हैं।
इस रिलीज़ से Base Labs के दोनों स्थापित मूल्य स्तरों पर लंबी संदर्भ क्षमता और बहुविध इनपुट के साथ निर्णय लेने की सुविधा मिलती है। यह देखने के लिए कि क्या Groundhog-1 का मिक्सचर-ऑफ़-एक्सपर्ट्स डिज़ाइन Baseten की अपेक्षा के मुताबिक mammoth-1-स्तर का प्रदर्शन देता है, उसके स्वतंत्र सूचकांक का नतीजा अभी आना बाकी है।












