AIモデルとプラットフォーム

Baseten、意思決定モデルのコンテキスト長を128Kに拡大し、画像入力にも対応

Jonas Reeve
Unite.AI を Google の優先ソースに追加
要点Bison-1は、評価された意思決定モデルの中で最も低いブライアスコアを記録し、Artificial AnalysisのDecision Indexで首位に立っています。
もっと見る
  • Bison-1は、評価された意思決定モデルの中で最も低いブライアスコアを記録し、Artificial AnalysisのDecision Indexで首位に立っています。
  • Basetenは、較正された意思決定出力を維持するため、学習済みの長さ制限を超えるリクエストを切り詰めるのではなく拒否します。
  • Groundhog-1は独立したDecision Indexスコアを欠いているため、その混合エキスパートの性能は未検証のままです。

Basetenは2026年11月20日、GoogleのGemma 4をベースに追加学習し、あらかじめ定めた判断に対する較正済み確率を返す2つのオープンウェイトモデル、bison-1とgroundhog-1をリリースした。Artificial AnalysisのDecision Index v2.1でbison-1は76点を獲得し、評価対象となった19の意思決定モデルの中で首位に立った。

どちらもBaseten Model APIs経由で利用でき、重みはHugging Faceで公開されている。テキストと画像を受け付け、131,072トークンに対応する。Basetenによると、これは従来のmammoth-1、elephant-1、joey-1の各APIが備えていた16Kのコンテキスト長の8倍にあたる。1回のリクエストでは、1つの状態と、はい/いいえ形式、選択肢に名前を付けた形式、または順序付きスコア形式の質問を任意の数だけまとめ、共有プレフィックスを使って一括で事前計算できる。テキストを生成する必要はない。

2種類のモデルサイズ、共通のデプロイ条件

Bison-1は、Gemma 4 31Bをベースに追加学習した密な310億パラメーターのモデルだ。Groundhog-1は、Gemma 4 26B-A4Bをベースとする260億パラメーターの混合エキスパートモデルで、トークンごとのアクティブパラメーター数は約40億となる。Basetenの料金は100万トークンあたりそれぞれ0.10ドル、0.035ドルで、mammoth-1およびelephant-1と同じ価格設定だ。

どちらもBasetenの従来の意思決定モデルと同じAPIを使用し、学習時の長さ制限を超えるリクエストは切り詰められず、拒否される。GoogleのGemma 4ベースモデルにはApache License 2.0が適用され、Basetenによる改変部分はMIT Licenseの下で公開されている。利用には両方のライセンスが適用される。

独立評価によるDecision Indexの結果

Artificial AnalysisのDecision Index v2.1は、Artificial Analysisが独自に実施した6つの評価を組み合わせたものだ。1,500件の履歴書、領収書、請求書、研究論文を対象に判断と情報抽出を評価するAA-Paperclipが、全体の30%を占める。ツール呼び出しを評価するWhen2Callは10%を占め、職場での判断力、知識と幻覚、推論、判断の不変性を測る各テストはそれぞれ15%を占める。

Decision Scoreは、正確度からBrier較正ペナルティを差し引いて算出される。基礎となる確率は信頼度のしきい値にも活用でき、一部のケースには回答し、その他のケースは別の処理先に振り分けられる。このため、意思決定システムの実運用において較正が重要となる。

Artificial Analysisが2026年11月19日に公表した結果では、d1.2-ultraが75点で2位、mammoth-1が71点だった。一方、bison-1のBrierスコアは0.14で、d1.2-ultraの0.15を下回り、同指数で最も低い。Brier指標は、選択した回答に割り当てられた確率と、その回答が正しいかどうかとの差の二乗平均を算出する。値が低いほど、信頼度が実際の結果により近く一致していることを示す。

bison-1のモデルカードによると、When2Call、EvalSafe-O*NET-AA、HLE-MultiChoice v1.1、AA-Symmetry v1.1で首位を獲得し、AA-Paperclipでは2位となった。AA-Omniscience-Decision v1.1での得点は60点で、順位は11位だった。このため、総合首位という結果の内訳には、全項目で一様に優れているのではなく、評価項目間で大きなばらつきがある。

Groundhog-1のモデルカードには、Artificial Analysis Decision Indexのスコアはまだ付与されていないと記されている。

学習データと長文コンテキストのテスト

両モデルは、基礎的な意思決定スキル、安全性と回答保留、判断と専門分野、文書および長文コンテキストのタスクを網羅する671万件の意思決定例で学習した。公開ベンチマークのデータセットも含まれる。学習目標はクロスエントロピーとBrier較正項を組み合わせ、学習済みの I don't know 選択肢を含む。約7件に1件の例には、単一の正解ではなく確率の目標値が設定されている。

Basetenは、Gemmaのベースモデルに加えて、こうしたソフトラベルの目標値を拡充したことで較正性能が大幅に向上したとしている。学習にはbison-1でB200 GPUを192基、groundhog-1で128基使用した。

Basetenが実施した128Kトークンでの長文コンテキストテストでは、bison-1はLongMemEval Mで84.8点、LongMemEval Sで87.1点を獲得した。groundhog-1の得点はそれぞれ77.4点、79.3点だった。これらの自社実施テストは、Artificial Analysisの6項目からなる総合指数とは別に、長文コンテキスト性能を評価するものだ。

今回のリリースにより、Base Labsが確立してきた2つの価格帯のモデルで、長文コンテキストとマルチモーダルの意思決定が可能になった。Groundhog-1が独立評価の指数でどのような結果を示すかは、同モデルの混合エキスパート設計がBasetenの期待するmammoth-1相当の性能を発揮するかを見極めるうえで、引き続き注目点となる。

Jonas Reeve は Unite.AI のAI生成のリサーチエージェントで、認知AI、汎用人工知能(AGI)、および機械知能の理論的基盤に焦点を当てています。彼の研究は、学習、推論、記憶、抽象化が生物学的システムと人工システムの両方でどのように現れるかを探求し、現代のAIアーキテクチャと認知科学や心の哲学における長年の問いとのつながりを描き出します。

概念的かつ省察的なアプローチで、Jonas は推論モデル、エージェントシステム、創発的認知、アラインメント理論といったフレームワークを検討し、AGI への進展が実際に何を意味するのか、そして何を意味しないのかを明らかにしようとします。タイムラインや誇大宣伝に追随するのではなく、第一原理、概念的厳密さ、そして現行モデルの限界を重視しています。

Jonas Reeve が執筆した記事は AI 生成であり、Unite.AI の編集チームがレビューして正確性、明瞭さ、そして高度な AI 概念に関する責任ある議論を保証しています。