Modele i platformy AI
Baseten rozszerza modele decyzyjne o kontekst 128K i obsługę obrazów

Kluczowe punktyBison-1 prowadzi w Decision Index Artificial Analysis z najniższym wynikiem Brier wśród…
Zobacz więcej
- Bison-1 prowadzi w Decision Index Artificial Analysis z najniższym wynikiem Brier wśród ocenianych modeli decyzyjnych.
- Baseten odrzuca żądania przekraczające wytrenowane limity długości, zamiast je skracać, aby zachować skalibrowane wyniki decyzyjne.
- Groundhog-1 nie ma niezależnego wyniku Decision Index, co pozostawia jego wydajność mixture-of-experts niezweryfikowaną.
20 listopada 2026 r. Baseten udostępnił modele bison-1 i groundhog-1 — dwa modele o otwartych wagach, dostrojone po treningu na podstawie Gemma 4 firmy Google, które zwracają skalibrowane prawdopodobieństwa dla z góry określonych decyzji. Artificial Analysis przyznało modelowi bison-1 wynik 76 w indeksie decyzyjnym v2.1, co dało mu pierwsze miejsce wśród 19 ocenianych modeli decyzyjnych.
Oba modele są dostępne za pośrednictwem interfejsów API Baseten Model oraz w postaci wag w serwisie Hugging Face. Przyjmują tekst i obrazy oraz obsługują kontekst o długości 131 072 tokenów; według Baseten to osiem razy więcej niż kontekst 16K w interfejsach API wcześniejszych modeli mammoth-1, elephant-1 i joey-1. Jedno żądanie może łączyć jeden stan z dowolną liczbą pytań wymagających odpowiedzi tak/nie, wyboru wskazanej opcji lub uporządkowania ocen. Wszystkie są przetwarzane w ramach jednego wstępnego przebiegu z użyciem wspólnego prefiksu, bez generowania tekstu.
Dwa rozmiary modeli, wspólne warunki wdrożenia
Bison-1 to gęsty model o 31 mld parametrów, dostrojony po treningu na podstawie Gemma 4 31B. Groundhog-1 to model typu mixture of experts o 26 mld parametrów, oparty na Gemma 4 26B-A4B, z około 4 mld aktywnych parametrów na token. Baseten ustalił ceny tych modeli odpowiednio na 0,10 USD i 0,035 USD za milion tokenów, tak samo jak w przypadku mammoth-1 i elephant-1.
Oba modele korzystają z tego samego interfejsu API co wcześniejsze modele decyzyjne Baseten, a żądania przekraczające limity długości uwzględnione podczas treningu są odrzucane, a nie skracane. Podstawowe modele Gemma 4 firmy Google są objęte warunkami licencji Apache 2.0; modyfikacje Baseten udostępniono na licencji MIT, a korzystanie z nich podlega warunkom obu licencji.
Wyniki w niezależnym indeksie decyzyjnym
Indeks decyzyjny Artificial Analysis v2.1 łączy wyniki sześciu niezależnych ocen przeprowadzonych przez Artificial Analysis. AA-Paperclip, obejmujący podejmowanie decyzji i ekstrakcję informacji z 1500 życiorysów, paragonów, faktur i prac naukowych, stanowi 30% wagi indeksu. Ocena korzystania z narzędzi When2Call ma wagę 10%, a testy dotyczące osądu w miejscu pracy, wiedzy i halucynacji, rozumowania oraz niezmienności decyzji mają po 15%.
Wynik decyzyjny oblicza się, odejmując od trafności karę za kalibrację Briera. Uzyskane prawdopodobieństwa pozwalają również ustalać progi ufności: dla części przypadków model udziela odpowiedzi, a pozostałe przekazuje dalej. Dzięki temu kalibracja ma znaczenie dla sposobu wdrażania systemu decyzyjnego.
Wyniki Artificial Analysis z 19 listopada 2026 r. plasują d1.2-ultra na drugim miejscu z wynikiem 75, a mammoth-1 — z wynikiem 71. Jednocześnie wynik Briera modelu bison-1, wynoszący 0,14, jest najniższy w indeksie; dla d1.2-ultra wynosi on 0,15. Miara Briera oblicza średni kwadrat różnicy między prawdopodobieństwem przypisanym wybranej odpowiedzi a tym, czy ta odpowiedź jest prawidłowa. Niższe wartości oznaczają, że poziom pewności lepiej odpowiada rzeczywistym wynikom.
Karta modelu bison-1 podaje, że zajął on pierwsze miejsce w testach When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 i AA-Symmetry v1.1, a drugie miejsce w AA-Paperclip. Wynik 60 w teście AA-Omniscience-Decision v1.1 dał mu 11. miejsce, więc prowadzenie w klasyfikacji łącznej odzwierciedla znaczne różnice między poszczególnymi składowymi, a nie jednakową przewagę we wszystkich testach.
Według karty modelu Groundhog-1 nie otrzymał jeszcze wyniku w indeksie decyzyjnym Artificial Analysis.
Dane treningowe i testy długiego kontekstu
Oba modele trenowano na 6,71 mln przykładów decyzyjnych obejmujących podstawowe umiejętności podejmowania decyzji, bezpieczeństwo i wstrzymywanie się od odpowiedzi, ocenianie i dziedziny eksperckie, dokumenty oraz zadania wymagające długiego kontekstu, w tym publiczne zestawy testowe. Funkcja celu łączy entropię krzyżową ze składnikiem kalibracyjnym Briera i obejmuje wytrenowaną I don't know opcję. Około jeden przykład na siedem zawiera docelowe prawdopodobieństwo zamiast jednej prawidłowej odpowiedzi.
Baseten przypisuje znaczną poprawę kalibracji rozszerzeniu zbioru tych miękkich etykiet wraz z bazowym modelem Gemma. Do treningu wykorzystano 192 procesory graficzne B200 dla bison-1 i 128 dla groundhog-1.
W przeprowadzonych przez Baseten testach długiego kontekstu przy 128K tokenów bison-1 uzyskał 84,8 w LongMemEval M i 87,1 w LongMemEval S, a groundhog-1 — odpowiednio 77,4 i 79,3. Testy te, przeprowadzone przez firmę, oceniają działanie przy długim kontekście niezależnie od szerszego, sześcioczęściowego indeksu Artificial Analysis.
Premiera rozszerza obsługę długiego kontekstu i multimodalnego podejmowania decyzji na oba ugruntowane progi cenowe Base Labs. Otwarta pozostaje kwestia niezależnego wyniku Groundhog-1 w indeksie: pozwoli on ocenić, czy architektura mixture of experts zapewnia wydajność na poziomie mammoth-1, której oczekuje Baseten.












