AI-modeller og plattformer
Baseten utvider beslutningsmodellene til 128K kontekst og bildeinndata

Viktige punkterBison-1 leder Artificial Analysiss Decision Index med den laveste Brier-skåren blant de…
Vis mer
- Bison-1 leder Artificial Analysiss Decision Index med den laveste Brier-skåren blant de evaluerte beslutningsmodellene.
- Baseten avviser forespørsler som overskrider trente lengdegrenser i stedet for å avkorte dem for å bevare kalibrerte beslutningsutdata.
- Groundhog-1 mangler en uavhengig Decision Index-skår, noe som etterlater ytelsen til dens mixture-of-experts uverifisert.
Baseten lanserte bison-1 og groundhog-1 20. november 2026, to modeller med åpne vekter som er ettertrent fra Googles Gemma 4 for å gi kalibrerte sannsynligheter for forhåndsdefinerte beslutninger. Artificial Analysis ga bison-1 76 poeng på Decision Index v2.1, noe som plasserte modellen på førsteplass blant 19 evaluerte beslutningsmodeller.
Begge er tilgjengelige via Baseten Model APIs og som vekter på Hugging Face. De tar imot tekst og bilder og støtter 131 072 token; Baseten oppgir at dette er åtte ganger så mye som konteksten på 16K i de tidligere API-ene mammoth-1, elephant-1 og joey-1. En forespørsel kan samle én tilstand og et hvilket som helst antall spørsmål med ja/nei-svar, navngitte svaralternativer eller ordnede poengsummer i én prefylling med felles prefiks, uten å generere tekst.
To modellstørrelser, samme vilkår for distribusjon
Bison-1 er en tett modell med 31 mrd. parametere, ettertrent fra Gemma 4 31B. Groundhog-1 er en blanding-av-eksperter-modell med 26 mrd. parametere basert på Gemma 4 26B-A4B, med omtrent 4 mrd. aktive parametere per token. Baseten tar henholdsvis 0,10 og 0,035 dollar per million token, samme priser som for mammoth-1 og elephant-1.
Begge bruker samme API som Basetens tidligere beslutningsmodeller, og forespørsler som overskrider grensene for treningslengde, avvises i stedet for å bli avkortet. Googles grunnmodeller Gemma 4 er underlagt vilkårene i Apache License 2.0; Basetens endringer er utgitt under MIT License, og bruk er underlagt begge lisensene.
Uavhengige resultater fra beslutningsindeksen
Artificial Analysis Decision Index v2.1 kombinerer seks evalueringer som Artificial Analysis har gjennomført uavhengig. AA-Paperclip, som dekker beslutninger og datauttrekk fra 1 500 CV-er, kvitteringer, fakturaer og forskningsartikler, står for 30 % av vektingen. Evalueringen av verktøykall, When2Call, står for 10 %, mens testene av dømmekraft på arbeidsplassen, kunnskap og hallusinering, resonnering og beslutningsinvarians hver står for 15 %.
Beslutningspoengsummen trekker en Brier-kalibreringsstraff fra nøyaktigheten. Sannsynlighetene som ligger til grunn, gjør det også mulig å bruke konfidensgrenser: Systemet svarer på noen tilfeller og sender andre videre. Dermed er kalibrering relevant for hvordan et beslutningssystem tas i bruk.
Resultatene fra Artificial Analysis 19. november 2026 plasserer d1.2-ultra på andreplass med 75 poeng og mammoth-1 med 71, mens bison-1s Brier-poengsum på 0,14 er den laveste i indeksen, sammenlignet med 0,15 for d1.2-ultra. Brier-målet beregner det gjennomsnittlige kvadrerte avviket mellom sannsynligheten som er tildelt det valgte svaret, og om svaret er riktig. Lavere verdier betyr at konfidensen samsvarer bedre med de faktiske utfallene.
Modellkortet for bison-1 rapporterer resultater på førsteplass i When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 og AA-Symmetry v1.1, samt andreplass i AA-Paperclip. Modellens 60 poeng i AA-Omniscience-Decision v1.1 ga 11. plass, så ledelsen sammenlagt rommer betydelig variasjon mellom delene og skyldes ikke en jevnt overlegen prestasjon.
Modellkortet for Groundhog-1 opplyser at modellen ennå ikke har fått en poengsum på Artificial Analysis Decision Index.
Treningsdata og tester av lang kontekst
Begge modellene ble trent på 6,71 millioner beslutningseksempler som dekker grunnleggende beslutningsferdigheter, sikkerhet og avståelse, vurdering og ekspertområder, dokumenter og oppgaver med lang kontekst, inkludert offentlige referansedatasett. Målfunksjonen kombinerer kryssentropi med et Brier-kalibreringsledd og inkluderer et innlært I don't know alternativ. Omtrent ett av sju eksempler har et sannsynlighetsmål i stedet for ett enkelt riktig svar.
Baseten tilskriver en betydelig forbedring i kalibreringen at disse målene med myke etiketter ble utvidet sammen med Gemma-grunnmodellen. Treningen brukte 192 B200-GPU-er for bison-1 og 128 for groundhog-1.
I Basetens egne tester med lang kontekst og 128K token fikk bison-1 84,8 på LongMemEval M og 87,1 på LongMemEval S, mens groundhog-1 fikk henholdsvis 77,4 og 79,3. Disse testene, som selskapet selv gjennomførte, måler ytelse med lang kontekst separat fra den bredere seksdelte indeksen til Artificial Analysis.
Lanseringen utvider beslutningstaking med lang kontekst og flere modaliteter til begge de etablerte prisklassene til Base Labs. Det uavklarte spørsmålet er fortsatt hvordan Groundhog-1 gjør det på den uavhengige indeksen, og om blanding-av-eksperter-designet gir ytelse på nivå med mammoth-1, slik Baseten forventer.












