AI-modeller och plattformar
Baseten utökar beslutsmodellerna med 128K kontext och bildinmatning

Viktiga punkterBison-1 leder Artificial Analysiss Decision Index med den lägsta Brier-poängen bland de…
Visa mer
- Bison-1 leder Artificial Analysiss Decision Index med den lägsta Brier-poängen bland de utvärderade beslutsmodellerna.
- Baseten avvisar förfrågningar som överskrider tränade längdgränser i stället för att trunkera dem för att bevara kalibrerade beslutsutdata.
- Groundhog-1 saknar en oberoende Decision Index-poäng vilket lämnar dess mixture-of-experts-prestanda overifierad.
Baseten lanserade bison-1 och groundhog-1 den 20 november 2026, två modeller med öppna vikter som eftertränats från Googles Gemma 4 för att ge kalibrerade sannolikheter för fördefinierade beslut. Artificial Analysis gav bison-1 poängen 76 i Decision Index v2.1, vilket placerade modellen först bland de 19 utvärderade beslutsmodellerna.
Båda finns tillgängliga via Baseten Model APIs och som vikter på Hugging Face. De tar emot text och bilder och stöder 131 072 token; enligt Baseten är det åtta gånger mer än kontextfönstret på 16K i företagets tidigare API:er för mammoth-1, elephant-1 och joey-1. En förfrågan kan samla ett tillstånd och valfritt antal frågor med ja- eller nejsvar, namngivna svarsalternativ eller rangordnade poäng i en enda förifyllning med gemensamt prefix, utan att generera text.
Två modellstorlekar med samma driftsättningsvillkor
Bison-1 är en tät modell med 31 miljarder parametrar, eftertränad från Gemma 4 31B. Groundhog-1 är en blandning-av-experter-modell med 26 miljarder parametrar baserad på Gemma 4 26B-A4B, med omkring 4 miljarder aktiva parametrar per token. Baseten tar 0,10 respektive 0,035 dollar per miljon token, samma priser som för mammoth-1 och elephant-1.
Båda använder samma API som Basetens tidigare beslutsmodeller, och förfrågningar som överskrider de tränade längdgränserna avvisas i stället för att kapas. Googles Gemma 4-basmodeller omfattas av villkoren i Apache License 2.0; Basetens ändringar ges ut under MIT License, och användningen omfattas av båda licenserna.
Resultat i det oberoende beslutsindexet
Beslutsindexet från Artificial Analysis, version 2.1, sammanväger sex utvärderingar som genomförts oberoende av Artificial Analysis. AA-Paperclip, som omfattar beslutsfattande och informationsutvinning ur 1 500 CV:n, kvitton, fakturor och forskningsartiklar, står för 30 % av vikten. Utvärderingen av verktygsanrop When2Call står för 10 %, medan testerna av omdöme på arbetsplatsen, kunskap och hallucinationer, resonemang respektive beslutsinvarians står för 15 % vardera.
Beslutspoängen beräknas genom att ett kalibreringsavdrag baserat på Brier-måttet dras från träffsäkerheten. De underliggande sannolikheterna möjliggör också konfidensgränser, så att systemet kan besvara vissa fall och skicka andra vidare. Därför har kalibreringen betydelse för hur ett beslutssystem driftsätts.
I Artificial Analysis resultat från den 19 november 2026 hamnar d1.2-ultra på andra plats med 75 och mammoth-1 får 71, medan bison-1:s Brier-poäng på 0,14 är den lägsta i indexet, jämfört med 0,15 för d1.2-ultra. Brier-måttet beräknar den genomsnittliga kvadrerade skillnaden mellan sannolikheten som tilldelats det valda svaret och huruvida svaret är korrekt. Lägre värden tyder på att konfidensen bättre överensstämmer med de faktiska utfallen.
Enligt modellkortet för bison-1 kom modellen på första plats i When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 och AA-Symmetry v1.1, och på andra plats i AA-Paperclip. Poängen 60 i AA-Omniscience-Decision v1.1 räckte till en elfteplats, så modellens samlade ledning speglar betydande variation mellan delmomenten snarare än en jämnt överlägsen prestation.
I modellkortet för Groundhog-1 anges att modellen ännu inte har fått någon poäng i Artificial Analysis Decision Index.
Träningsdata och tester med långa kontextfönster
Båda modellerna tränades på 6,71 miljoner beslutsexempel inom grundläggande beslutsförmåga, säkerhet och avstående, bedömning och expertområden, dokument och uppgifter med långa kontextfönster, däribland offentliga benchmarkdataset. Målfunktionen kombinerar korsentropi med en Brier-term för kalibrering och omfattar ett tränat I don't know alternativ. Ungefär vart sjunde exempel har ett sannolikhetsmål i stället för ett enda rätt svar.
Baseten tillskriver en betydande förbättring av kalibreringen en utökning av dessa mål med mjuka etiketter, tillsammans med Gemma-basmodellen. Träningen använde 192 B200-GPU:er för bison-1 och 128 för groundhog-1.
I Basetens egna tester med långa kontextfönster på 128K token fick bison-1 poängen 84,8 på LongMemEval M och 87,1 på LongMemEval S, medan groundhog-1 fick 77,4 respektive 79,3. Dessa tester, som genomförts av företaget, mäter prestanda med långa kontextfönster separat från Artificial Analysis bredare index med sex delmoment.
Lanseringen utökar beslutsfattande med långa kontextfönster och flera modaliteter till båda av Base Labs etablerade prisnivåer. Groundhog-1:s resultat i det oberoende indexet är fortfarande en öppen fråga när det gäller att avgöra om blandning-av-experter-designen ger den prestanda på mammoth-1-nivå som Baseten förväntar sig.












