Modele și platforme AI
Baseten extinde modelele de decizie la un context de 128K și la intrări de imagini

Puncte cheieBison-1 conduce Indexul Deciziilor al Artificial Analysis cu cel mai scăzut scor Brier…
Vezi mai mult
- Bison-1 conduce Indexul Deciziilor al Artificial Analysis cu cel mai scăzut scor Brier dintre modelele de decizie evaluate.
- Baseten respinge cererile care depășesc limitele de lungime antrenate, în loc să le trunceze, pentru a păstra rezultatele de decizie calibrate.
- Groundhog-1 nu are un scor independent în Indexul Deciziilor, lăsând neconfirmată performanța sa de tip mixture-of-experts.
Baseten a lansat bison-1 și groundhog-1 pe 20 noiembrie 2026: două modele cu ponderi deschise, post-antrenate pornind de la Gemma 4 de la Google, care furnizează probabilități calibrate pentru decizii prestabilite. Artificial Analysis a acordat modelului bison-1 un scor de 76 în Decision Index v2.1, plasându-l pe primul loc între cele 19 modele de decizie evaluate.
Ambele sunt disponibile prin API-urile Baseten Model și ca ponderi pe Hugging Face. Acceptă text și imagini și suportă 131.072 de tokeni; potrivit Baseten, aceasta este o fereastră de context de opt ori mai mare decât cea de 16K a API-urilor sale anterioare mammoth-1, elephant-1 și joey-1. O solicitare poate grupa o stare și orice număr de întrebări cu răspuns da/nu, cu opțiuni nominale sau cu scoruri ordonate într-o singură etapă de preumplere cu prefix partajat, fără a genera text.
Două dimensiuni ale modelelor, aceiași termeni de implementare
Bison-1 este un model dens cu 31B de parametri, post-antrenat pornind de la Gemma 4 31B. Groundhog-1 este un model Mixture of Experts cu 26B de parametri, bazat pe Gemma 4 26B-A4B, cu aproximativ 4B de parametri activi per token. Baseten le stabilește prețurile la 0,10 USD și, respectiv, 0,035 USD per milion de tokeni, la fel ca pentru mammoth-1 și elephant-1.
Ambele folosesc același API ca modelele de decizie anterioare ale Baseten, iar solicitările care depășesc limitele de lungime folosite la antrenare sunt respinse, nu trunchiate. Modelele de bază Gemma 4 de la Google sunt distribuite în condițiile licenței Apache 2.0; modificările Baseten sunt publicate în condițiile licenței MIT, iar utilizarea se supune ambelor licențe.
Rezultatele indicelui independent de decizie
Artificial Analysis Decision Index v2.1 combină șase evaluări realizate independent de Artificial Analysis. AA-Paperclip, care acoperă decizii și extragerea de informații din 1.500 de CV-uri, bonuri, facturi și lucrări de cercetare, reprezintă 30% din pondere. Evaluarea utilizării instrumentelor When2Call reprezintă 10%, iar testele privind judecata la locul de muncă, cunoștințele și halucinațiile, raționamentul și invariabilitatea deciziilor au fiecare o pondere de 15%.
Scorul de decizie scade din scorul de acuratețe o penalizare pentru calibrarea Brier. Probabilitățile rezultate permit, de asemenea, stabilirea unor praguri de încredere, astfel încât unele cazuri să primească un răspuns, iar altele să fie direcționate în altă parte; prin urmare, calibrarea contează pentru modul în care este implementat un sistem de decizie.
Rezultatele publicate de Artificial Analysis la 19 noiembrie 2026 plasează d1.2-ultra pe locul al doilea, cu 75, și mammoth-1 la 71, în timp ce scorul Brier de 0,14 al lui bison-1 este cel mai mic din indice, comparativ cu 0,15 pentru d1.2-ultra. Măsura Brier calculează diferența pătratică medie dintre probabilitatea atribuită răspunsului ales și faptul că acel răspuns este corect. Valorile mai mici indică un nivel de încredere care corespunde mai îndeaproape rezultatelor reale.
Fișa modelului bison-1 raportează rezultate de pe primul loc la When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 și AA-Symmetry v1.1, precum și locul al doilea la AA-Paperclip. Scorul său de 60 la AA-Omniscience-Decision v1.1 l-a plasat pe locul 11, ceea ce arată că poziția de lider în clasamentul agregat ascunde variații semnificative între componente, nu o superioritate uniformă.
Fișa modelului Groundhog-1 precizează că acesta nu a primit încă un scor în Artificial Analysis Decision Index.
Datele de antrenare și testele cu contexte lungi
Ambele modele au fost antrenate pe 6,71 milioane de exemple de decizie, care acoperă competențe de bază în luarea deciziilor, siguranță și abținere, evaluare și domenii de expertiză, documente și sarcini cu contexte lungi, inclusiv seturi de evaluare comparative publice. Obiectivul combină entropia încrucișată cu un termen de calibrare Brier și include o I don't know opțiune antrenată. Aproximativ un exemplu din șapte are ca țintă o probabilitate, în locul unui singur răspuns corect.
Baseten atribuie un câștig semnificativ de calibrare extinderii acestor ținte cu etichete soft, alături de modelul Gemma de bază. La antrenare au fost folosite 192 de GPU-uri B200 pentru bison-1 și 128 pentru groundhog-1.
În testele proprii Baseten cu contexte lungi de 128K de tokeni, bison-1 a obținut 84,8 la LongMemEval M și 87,1 la LongMemEval S, în timp ce groundhog-1 a obținut 77,4 și, respectiv, 79,3. Aceste teste efectuate de companie evaluează separat performanța în contexte lungi față de indicele mai amplu, alcătuit din șase componente, al Artificial Analysis.
Lansarea extinde capacitatea de luare a deciziilor multimodală cu contexte lungi la ambele niveluri de preț consacrate ale Base Labs. Rezultatul independent al Groundhog-1 în indice rămâne o întrebare deschisă pentru a evalua dacă arhitectura sa Mixture of Experts oferă performanța de nivelul lui mammoth-1 pe care o anticipează Baseten.












