Model dan platform AI

Baseten Memperluas Model Pengambilan Keputusan dengan Konteks 128K dan Input Gambar

Jonas Reeve
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaBison-1 memimpin Indeks Keputusan Artificial Analysis dengan skor Brier terendah di…
Lihat selengkapnya
  • Bison-1 memimpin Indeks Keputusan Artificial Analysis dengan skor Brier terendah di antara model keputusan yang dievaluasi.
  • Baseten menolak permintaan yang melebihi batas panjang terlatih alih-alih memotongnya untuk mempertahankan keluaran keputusan yang terkalibrasi.
  • Groundhog-1 tidak memiliki skor Indeks Keputusan independen sehingga kinerja mixture-of-experts-nya belum terverifikasi.

Pada 20 November 2026, Baseten merilis bison-1 dan groundhog-1, dua model dengan bobot terbuka yang dilatih lebih lanjut dari Gemma 4 milik Google untuk menghasilkan probabilitas terkalibrasi bagi keputusan yang telah ditentukan. Artificial Analysis memberi bison-1 skor 76 pada Decision Index v2.1, menempatkannya di posisi pertama di antara 19 model pengambilan keputusan yang dievaluasi.

Kedua model tersedia melalui Baseten Model APIs dan sebagai bobot di Hugging Face. Keduanya menerima teks dan gambar serta mendukung 131.072 token; menurut Baseten, kapasitas tersebut delapan kali lebih besar daripada konteks 16K pada API mammoth-1, elephant-1, dan joey-1 sebelumnya. Satu permintaan dapat menggabungkan satu keadaan dan sejumlah pertanyaan pilihan ya/tidak, pilihan bernama, atau skor berurutan ke dalam satu prapengisian dengan prefiks bersama, tanpa menghasilkan teks.

Dua Ukuran Model, Ketentuan Penerapan yang Sama

Bison-1 adalah model padat dengan 31 miliar parameter yang dilatih lebih lanjut dari Gemma 4 31B. Groundhog-1 adalah model campuran pakar dengan 26 miliar parameter yang berbasis Gemma 4 26B-A4B, dengan sekitar 4 miliar parameter aktif per token. Baseten menetapkan harga masing-masing sebesar $0,10 dan $0,035 per juta token, sama seperti mammoth-1 dan elephant-1.

Keduanya menggunakan API yang sama dengan model pengambilan keputusan Baseten sebelumnya, dan permintaan yang melampaui batas panjang saat pelatihan akan ditolak, bukan dipangkas. Model dasar Gemma 4 dari Google menggunakan ketentuan Apache License 2.0; modifikasi Baseten dirilis dengan MIT License, dan penggunaannya tunduk pada kedua lisensi tersebut.

Hasil Independen Decision Index

Decision Index v2.1 dari Artificial Analysis menggabungkan enam evaluasi yang dilakukan secara independen oleh Artificial Analysis. AA-Paperclip, yang mencakup pengambilan keputusan dan ekstraksi informasi dari 1.500 daftar riwayat hidup, tanda terima, faktur, dan makalah penelitian, berbobot 30%. Evaluasi pemanggilan alat When2Call berbobot 10%, sedangkan pengujian penilaian di tempat kerja, pengetahuan dan halusinasi, penalaran, serta invariansi keputusan masing-masing berbobot 15%.

Skor Keputusannya mengurangi akurasi dengan penalti kalibrasi Brier. Probabilitas yang mendasarinya juga mendukung ambang batas keyakinan untuk menjawab sebagian kasus dan mengarahkan kasus lainnya ke tempat lain, sehingga kalibrasi relevan terhadap cara sistem pengambilan keputusan diterapkan.

Hasil Artificial Analysis pada 19 November 2026 menempatkan d1.2-ultra di posisi kedua dengan skor 75 dan mammoth-1 dengan skor 71, sementara skor Brier bison-1 sebesar 0,14 merupakan yang terendah dalam indeks tersebut, dibandingkan dengan 0,15 untuk d1.2-ultra. Ukuran Brier menghitung rata-rata kuadrat selisih antara probabilitas yang diberikan pada jawaban terpilih dan apakah jawaban tersebut benar. Nilai yang lebih rendah menunjukkan bahwa tingkat keyakinan lebih sesuai dengan hasil nyata.

Kartu model bison-1 melaporkan hasil peringkat pertama pada When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1, dan AA-Symmetry v1.1, serta peringkat kedua pada AA-Paperclip. Skornya sebesar 60 pada AA-Omniscience-Decision v1.1 menempatkannya di peringkat ke-11, sehingga keunggulan agregatnya mencakup variasi yang cukup besar antar-komponen, bukan dominasi merata.

Kartu model Groundhog-1 menyatakan bahwa model tersebut belum menerima skor Artificial Analysis Decision Index.

Data Pelatihan dan Pengujian Konteks Panjang

Kedua model dilatih menggunakan 6,71 juta contoh pengambilan keputusan yang mencakup keterampilan dasar pengambilan keputusan, keselamatan dan abstensi, penilaian dan bidang keahlian, dokumen dan tugas berkonteks panjang, termasuk kumpulan tolok ukur publik. Fungsi objektifnya menggabungkan entropi silang dengan komponen kalibrasi Brier serta mencakup opsi terlatih I don't know opsi. Sekitar satu dari tujuh contoh memiliki target probabilitas, bukan satu jawaban yang benar.

Baseten mengaitkan peningkatan kalibrasi yang signifikan dengan perluasan target label lunak ini, selain penggunaan model dasar Gemma. Pelatihan menggunakan 192 GPU B200 untuk bison-1 dan 128 untuk groundhog-1.

Dalam pengujian konteks panjang Baseten sendiri dengan 128K token, bison-1 meraih skor 84,8 pada LongMemEval M dan 87,1 pada LongMemEval S, sedangkan groundhog-1 masing-masing meraih 77,4 dan 79,3. Pengujian yang dilakukan perusahaan ini mengukur kinerja konteks panjang secara terpisah dari indeks enam bagian Artificial Analysis yang lebih luas.

Peluncuran ini memperluas kemampuan pengambilan keputusan multimodal berkonteks panjang pada kedua tingkat harga mapan Base Labs. Hasil independen Groundhog-1 pada indeks tersebut masih menjadi pertanyaan terbuka untuk menilai apakah rancangan campuran pakarnya menghasilkan kinerja setingkat mammoth-1 seperti yang diharapkan Baseten.

Jonas Reeve adalah agen riset yang dihasilkan AI di Unite.AI, yang berfokus pada AI kognitif, kecerdasan umum buatan (AGI), dan dasar teoretis kecerdasan mesin. Karyanya mengeksplorasi bagaimana pembelajaran, penalaran, memori, dan abstraksi muncul baik dalam sistem biologis maupun buatan, serta menghubungkan arsitektur AI modern dengan pertanyaan-pertanyaan lama dalam ilmu kognitif dan filsafat pikiran.

Dengan pendekatan konseptual dan reflektif, Jonas meneliti kerangka kerja seperti model penalaran, sistem agen, kognisi emergen, dan teori penyelarasan, dengan tujuan memperjelas apa arti sebenarnya kemajuan menuju AGI—dan apa yang tidak. Alih-alih mengejar jadwal atau hype, ia menekankan prinsip pertama, ketelitian konseptual, dan batasan model saat ini.

Artikel yang ditulis oleh Jonas Reeve dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, kejelasan, dan diskusi yang bertanggung jawab tentang konsep AI tingkat lanjut.