Модели и платформы ИИ
Baseten расширяет возможности моделей принятия решений: контекст до 128K и обработка изображений

Ключевые моментыBison-1 возглавляет Индекс решений Artificial Analysis с самым низким показателем…
Показать больше
- Bison-1 возглавляет Индекс решений Artificial Analysis с самым низким показателем Брайера среди оцениваемых моделей принятия решений.
- Baseten отклоняет запросы, превышающие обученные ограничения длины, вместо их усечения для сохранения калиброванных выходных данных решений.
- Groundhog-1 не имеет независимой оценки Индекса решений, что оставляет его производительность смеси экспертов непроверенной.
20 ноября 2026 года Baseten выпустила bison-1 и groundhog-1 — две модели с открытыми весами, дообученные на основе Gemma 4 от Google для выдачи калиброванных вероятностей заранее заданных решений. Artificial Analysis поставила bison-1 76 баллов в индексе решений v2.1, благодаря чему модель заняла первое место среди 19 оценённых моделей для принятия решений.
Обе модели доступны через Baseten Model APIs и в виде весов на Hugging Face. Они принимают текст и изображения и поддерживают контекст длиной 131 072 токена; по словам Baseten, это в восемь раз больше, чем контекст в 16K у прежних API mammoth-1, elephant-1 и joey-1. Один запрос может объединять одно состояние и любое количество вопросов с ответом «да/нет», выбором из именованных вариантов или упорядоченной оценкой в одном предзаполнении с общим префиксом — без генерации текста.
Два размера моделей, общие условия развёртывания
Bison-1 — плотная модель с 31 млрд параметров, дообученная на основе Gemma 4 31B. Groundhog-1 — модель на основе смеси экспертов с 26 млрд параметров, построенная на Gemma 4 26B-A4B; на каждый токен приходится около 4 млрд активных параметров. Baseten установила для них цены в $0.10 и $0.035 за миллион токенов соответственно — на уровне mammoth-1 и elephant-1.
Обе модели используют тот же API, что и прежние модели Baseten для принятия решений; запросы, превышающие пределы обученной длины, отклоняются, а не обрезаются. Базовые модели Gemma 4 от Google распространяются на условиях лицензии Apache 2.0; изменения Baseten — на условиях лицензии MIT, при этом использование регулируется обеими лицензиями.
Результаты независимой оценки в индексе решений
В индексе решений Artificial Analysis v2.1 объединены результаты шести оценок, независимо проведённых Artificial Analysis. На AA-Paperclip, где оцениваются принятие решений и извлечение данных из 1 500 резюме, чеков, счетов и научных статей, приходится 30% итогового веса. На оценку использования инструментов When2Call приходится 10%, а тесты на рабочие решения, знания и галлюцинации, рассуждение и инвариантность решений получают по 15% каждый.
При расчёте оценки за принятие решений из точности вычитается штраф за калибровку по Брайеру. Вероятности, лежащие в основе оценки, также позволяют задавать порог уверенности: отвечать на одни случаи и направлять другие в иное место, поэтому калибровка важна для развёртывания системы принятия решений.
Согласно результатам Artificial Analysis от 19 ноября 2026 года, d1.2-ultra занимает второе место с результатом 75 баллов, а mammoth-1 набрала 71 балл; при этом показатель Брайера bison-1 — 0.14 — самый низкий в индексе, тогда как у d1.2-ultra он составляет 0.15. Показатель Брайера рассчитывает средний квадрат разницы между вероятностью, присвоенной выбранному ответу, и тем, является ли этот ответ правильным. Более низкие значения означают, что уверенность точнее соответствует фактическим результатам.
В карточке модели bison-1 указаны первые места в When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 и AA-Symmetry v1.1, а также второе место в AA-Paperclip. Результат 60 баллов в AA-Omniscience-Decision v1.1 принёс модели 11-е место, поэтому лидерство по совокупному показателю сочетается со значительными различиями в результатах по отдельным компонентам, а не с равномерным превосходством.
В карточке модели Groundhog-1 указано, что она пока не получила оценку в индексе решений Artificial Analysis.
Данные для обучения и тестирование длинного контекста
Обе модели обучались на 6,71 млн примеров принятия решений, охватывающих базовые навыки принятия решений, безопасность и воздержание от ответа, оценивание и экспертные области, работу с документами и задачи с длинным контекстом, в том числе общедоступные наборы для тестирования. Целевая функция объединяет перекрёстную энтропию с компонентом калибровки по Брайеру и включает обученный I don't know вариант.
Baseten связывает значительное улучшение калибровки с расширением использования этих мягких целевых меток наряду с базовой моделью Gemma. Для обучения bison-1 использовали 192 графических процессора B200, а для groundhog-1 — 128.
В собственных испытаниях Baseten с длинным контекстом в 128K токенов bison-1 набрала 84.8 балла в LongMemEval M и 87.1 — в LongMemEval S, тогда как результаты groundhog-1 составили соответственно 77.4 и 79.3. Эти испытания, проведённые компанией, оценивают работу с длинным контекстом отдельно от более широкой шестикомпонентной оценки Artificial Analysis.
Этот выпуск расширяет возможности принятия решений с длинным контекстом и мультимодальными данными в обоих устоявшихся ценовых сегментах Base Labs. Результат Groundhog-1 в независимом индексе пока остаётся открытым вопросом: он покажет, обеспечивает ли архитектура смеси экспертов ожидаемый Baseten уровень производительности mammoth-1.












