AI-modellen en platforms
Baseten breidt beslismodellen uit met een context van 128K en beeldinvoer

Belangrijkste puntenBison-1 leidt de Decision Index van Artificial Analysis met de laagste Brier-score…
Meer weergeven
- Bison-1 leidt de Decision Index van Artificial Analysis met de laagste Brier-score onder de geëvalueerde beslissingsmodellen.
- Baseten weigert verzoeken die de getrainde lengtelimieten overschrijden in plaats van ze af te kappen om gekalibreerde beslissingsuitvoer te behouden.
- Groundhog-1 mist een onafhankelijke Decision Index-score, waardoor de mixture-of-experts-prestatie niet is geverifieerd.
Baseten bracht bison-1 en groundhog-1 uit op 20 november 2026: twee modellen met open gewichten die na de training verder zijn verfijnd op basis van Gemma 4 van Google. Ze leveren gekalibreerde waarschijnlijkheden voor vooraf gedefinieerde beslissingen. Artificial Analysis gaf bison-1 een score van 76 op de Beslisindex v2.1, waarmee het model de eerste plaats innam van de 19 beoordeelde beslismodellen.
Beide modellen zijn beschikbaar via de Model API’s van Baseten en als gewichten op Hugging Face. Ze accepteren tekst en afbeeldingen en ondersteunen 131.072 tokens; volgens Baseten is dat acht keer de contextlengte van 16K van de eerdere API’s voor mammoth-1, elephant-1 en joey-1. Eén verzoek kan één status en een willekeurig aantal vragen met ja/nee-antwoorden, benoemde antwoordkeuzes of scores in een vaste volgorde bundelen in één prefill met een gedeelde prefix, zonder tekst te genereren.
Twee modelgroottes, dezelfde implementatievoorwaarden
Bison-1 is een dicht model met 31 miljard parameters, dat na de training verder is verfijnd op basis van Gemma 4 31B. Groundhog-1 is een model met 26 miljard parameters van het mixture-of-experts-type, gebaseerd op Gemma 4 26B-A4B, met ongeveer 4 miljard actieve parameters per token. Baseten rekent hiervoor respectievelijk $0,10 en $0,035 per miljoen tokens, dezelfde tarieven als voor mammoth-1 en elephant-1.
Beide modellen gebruiken dezelfde API als de eerdere beslismodellen van Baseten. Verzoeken die de lengtelimieten overschrijden waarop de modellen zijn getraind, worden afgewezen in plaats van afgekapt. De basismodellen Gemma 4 van Google vallen onder de voorwaarden van Apache License 2.0; de aanpassingen van Baseten zijn uitgebracht onder MIT License, en het gebruik valt onder beide licenties.
Resultaten op de onafhankelijke beslisindex
De Beslisindex v2.1 van Artificial Analysis combineert zes evaluaties die onafhankelijk door Artificial Analysis zijn uitgevoerd. AA-Paperclip, dat beslissingen en gegevensextractie beoordeelt aan de hand van 1.500 cv’s, kassabonnen, facturen en onderzoeksartikelen, telt mee voor 30% van de totaalscore. De evaluatie van gereedschapsaanroepen When2Call telt mee voor 10%; tests van beoordelingsvermogen op de werkplek, kennis en hallucinaties, redeneren en beslissingsinvariantie tellen elk mee voor 15%.
De beslisscore wordt berekend door een Brier-kalibratiecorrectie van de nauwkeurigheid af te trekken. De onderliggende waarschijnlijkheden maken ook het instellen van betrouwbaarheidsdrempels mogelijk: sommige gevallen worden beantwoord, terwijl andere elders naartoe worden geleid. Kalibratie is dus relevant voor de manier waarop een beslissysteem wordt ingezet.
In de resultaten van Artificial Analysis van 19 november 2026 staat d1.2-ultra met 75 op de tweede plaats en mammoth-1 met 71; de Brier-score van bison-1, 0,14, is de laagste op de index, tegenover 0,15 voor d1.2-ultra. De Brier-maat berekent het gemiddelde kwadraat van het verschil tussen de waarschijnlijkheid die aan het gekozen antwoord is toegekend en de vraag of dat antwoord juist is. Lagere waarden wijzen erop dat het zelfvertrouwen beter overeenkomt met de werkelijke uitkomsten.
Volgens de modelkaart van bison-1 behaalt het model de eerste plaats op When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 en AA-Symmetry v1.1, en de tweede plaats op AA-Paperclip. De score van 60 op AA-Omniscience-Decision v1.1 leverde de 11e plaats op. De voorsprong in het totaalklassement gaat dus gepaard met aanzienlijke verschillen tussen de onderdelen, in plaats van met een gelijkmatige dominantie.
Volgens de modelkaart heeft Groundhog-1 nog geen score gekregen op de Beslisindex van Artificial Analysis.
Trainingsgegevens en tests met lange context
Beide modellen zijn getraind op 6,71 miljoen beslisvoorbeelden, verdeeld over kernvaardigheden voor besluitvorming, veiligheid en het zich onthouden van antwoorden, beoordeling en expertisedomeinen, documenten en taken met lange context, waaronder openbare benchmarkdatasets. De doelstelling combineert cross-entropie met een Brier-term voor kalibratie en omvat een getrainde I don't know optie.
Baseten schrijft een aanzienlijke verbetering van de kalibratie toe aan de uitbreiding van deze zachte labels naast het Gemma-basismodel. Voor de training zijn 192 B200-GPU’s gebruikt voor bison-1 en 128 voor groundhog-1.
In de eigen tests van Baseten met een context van 128K tokens behaalde bison-1 scores van 84,8 op LongMemEval M en 87,1 op LongMemEval S; groundhog-1 behaalde respectievelijk 77,4 en 79,3. Deze door het bedrijf uitgevoerde tests beoordelen prestaties met lange context afzonderlijk van de bredere index van Artificial Analysis, die uit zes onderdelen bestaat.
Met deze release breidt Baseten multimodale besluitvorming met lange context uit naar beide gevestigde prijsklassen van Base Labs. De onafhankelijke indexscore van Groundhog-1 blijft een open vraag bij de beoordeling of het mixture-of-expertsontwerp de prestaties op het niveau van mammoth-1 levert die Baseten verwacht.












