โมเดลและแพลตฟอร์ม AI
Baseten ขยายขีดความสามารถของโมเดลการตัดสินใจให้รองรับบริบท 128K และอินพุตภาพ

ประเด็นสำคัญBison-1 นำดัชนีการตัดสินใจของ Artificial Analysis ด้วยคะแนน Brier…
ดูเพิ่มเติม
- Bison-1 นำดัชนีการตัดสินใจของ Artificial Analysis ด้วยคะแนน Brier ที่ต่ำที่สุดในบรรดาโมเดลการตัดสินใจที่ได้รับการประเมิน
- Baseten ปฏิเสธคำขอที่เกินขีดจำกัดความยาวที่ฝึกไว้แทนที่จะตัดทอนคำขอเหล่านั้นเพื่อรักษาผลลัพธ์การตัดสินใจที่ปรับเทียบแล้ว
- Groundhog-1 ไม่มีคะแนนดัชนีการตัดสินใจที่เป็นอิสระ ทำให้ประสิทธิภาพแบบ mixture-of-experts ของมันยังไม่ได้รับการยืนยัน
เมื่อวันที่ 20 พฤศจิกายน 2026 Baseten เปิดตัว bison-1 และ groundhog-1 ซึ่งเป็นโมเดลแบบเปิดน้ำหนัก 2 รุ่นที่นำ Gemma 4 ของ Google มาฝึกต่อ เพื่อให้ส่งคืนค่าความน่าจะเป็นที่ผ่านการปรับเทียบแล้วสำหรับการตัดสินใจที่กำหนดไว้ล่วงหน้า Artificial Analysis ให้คะแนน bison-1 ที่ 76 ใน Decision Index v2.1 ทำให้โมเดลนี้อยู่ในอันดับหนึ่งจากโมเดลการตัดสินใจ 19 รุ่นที่ได้รับการประเมิน
ทั้งสองรุ่นใช้งานได้ผ่าน Baseten Model APIs และดาวน์โหลดน้ำหนักโมเดลได้จาก Hugging Face โดยรับอินพุตทั้งข้อความและภาพ และรองรับบริบท 131,072 โทเค็น Baseten ระบุว่าความยาวบริบทนี้มากกว่า 8 เท่าของบริบท 16K ใน API รุ่นก่อนหน้า ได้แก่ mammoth-1, elephant-1 และ joey-1 คำขอหนึ่งรายการสามารถรวมสถานะหนึ่งรายการกับคำถามแบบใช่/ไม่ใช่ แบบเลือกคำตอบที่ระบุชื่อ หรือแบบให้คะแนนตามลำดับจำนวนเท่าใดก็ได้ไว้ในการเติมข้อมูลนำหน้าร่วมกันครั้งเดียว โดยไม่ต้องสร้างข้อความ
โมเดลสองขนาด พร้อมเงื่อนไขการใช้งานเดียวกัน
Bison-1 เป็น โมเดลหนาแน่นที่มีพารามิเตอร์ 31B ซึ่งฝึกต่อจาก Gemma 4 31B ส่วน Groundhog-1 เป็น โมเดลแบบผสมผู้เชี่ยวชาญที่มีพารามิเตอร์ 26B ซึ่งพัฒนาจาก Gemma 4 26B-A4B โดยมีพารามิเตอร์ที่ทำงานอยู่ประมาณ 4B ต่อโทเค็น Baseten กำหนดราคาโมเดลทั้งสองไว้ที่ 0.10 ดอลลาร์และ 0.035 ดอลลาร์ต่อหนึ่งล้านโทเค็นตามลำดับ ซึ่งเท่ากับราคาของ mammoth-1 และ elephant-1
ทั้งสองรุ่นใช้ API เดียวกับโมเดลการตัดสินใจรุ่นก่อนหน้าของ Baseten และระบบจะปฏิเสธคำขอที่ยาวเกินขีดจำกัดความยาวที่ใช้ฝึก แทนที่จะตัดเนื้อหาให้สั้นลง โมเดลพื้นฐาน Gemma 4 ของ Google อยู่ภายใต้เงื่อนไขของ Apache License 2.0 ส่วนการดัดแปลงของ Baseten เผยแพร่ภายใต้ MIT License โดยการใช้งานต้องเป็นไปตามเงื่อนไขของใบอนุญาตทั้งสองฉบับ
ผลการประเมินจากดัชนีการตัดสินใจอิสระ
ดัชนีการตัดสินใจของ Artificial Analysis v2.1 รวมผลการประเมิน 6 รายการที่ดำเนินการโดย Artificial Analysis อย่างเป็นอิสระ AA-Paperclip ซึ่งประเมินการตัดสินใจและการดึงข้อมูลจากเรซูเม่ ใบเสร็จ ใบแจ้งหนี้ และงานวิจัย 1,500 รายการ มีน้ำหนัก 30% ส่วนการประเมินการเรียกใช้เครื่องมือ When2Call มีน้ำหนัก 10% ขณะที่การทดสอบวิจารณญาณในที่ทำงาน ความรู้และการหลอนข้อมูล การให้เหตุผล และความไม่แปรเปลี่ยนของการตัดสินใจ แต่ละรายการมีน้ำหนัก 15%
คะแนนการตัดสินใจของดัชนีคำนวณจากความแม่นยำหักด้วยค่าปรับด้านการปรับเทียบแบบ Brier นอกจากนี้ ค่าความน่าจะเป็นที่ได้ยังช่วยกำหนดเกณฑ์ความเชื่อมั่น เพื่อให้ระบบตอบคำถามบางกรณีและส่งกรณีอื่นไปดำเนินการที่อื่นได้ ทำให้การปรับเทียบมีความสำคัญต่อการนำระบบตัดสินใจไปใช้งาน
ผลการประเมินของ Artificial Analysis เมื่อวันที่ 19 พฤศจิกายน 2026 จัดให้ d1.2-ultra อยู่ในอันดับสองด้วยคะแนน 75 และ mammoth-1 ได้ 71 ขณะที่คะแนน Brier ของ bison-1 ซึ่งอยู่ที่ 0.14 เป็นค่าต่ำสุดในดัชนี เทียบกับ 0.15 ของ d1.2-ultra การวัดแบบ Brier คำนวณค่าเฉลี่ยของผลต่างกำลังสองระหว่างความน่าจะเป็นที่กำหนดให้กับคำตอบที่เลือกกับสถานะว่าคำตอบนั้นถูกต้องหรือไม่ ค่าที่ต่ำกว่าบ่งชี้ว่าระดับความเชื่อมั่นสอดคล้องกับผลลัพธ์จริงมากกว่า
การ์ดโมเดลของ bison-1 รายงานผลอันดับหนึ่งในการประเมิน When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 และ AA-Symmetry v1.1 รวมถึงอันดับสองใน AA-Paperclip คะแนน 60 ใน AA-Omniscience-Decision v1.1 ทำให้โมเดลอยู่ในอันดับที่ 11 ดังนั้นผลคะแนนรวมที่นำเป็นอันดับหนึ่งจึงสะท้อนความแตกต่างอย่างมากระหว่างองค์ประกอบต่าง ๆ มากกว่าความเป็นเลิศที่สม่ำเสมอในทุกด้าน
การ์ดโมเดลของ Groundhog-1 ระบุว่าโมเดลยังไม่ได้รับคะแนนจาก Artificial Analysis Decision Index
ข้อมูลฝึกและการทดสอบบริบทยาว
โมเดลทั้งสองได้รับการฝึกด้วยตัวอย่างสำหรับการตัดสินใจ 6.71 ล้านรายการ ครอบคลุมทักษะการตัดสินใจหลัก ความปลอดภัยและการงดตอบ การประเมินและขอบเขตความเชี่ยวชาญ เอกสารและงานบริบทยาว รวมถึงชุดข้อมูลเกณฑ์มาตรฐานสาธารณะ วัตถุประสงค์ในการฝึกผสานการสูญเสียแบบครอสเอนโทรปีกับองค์ประกอบการปรับเทียบแบบ Brier และมีตัวเลือกที่ผ่านการฝึก I don't know ด้วย ตัวอย่างประมาณ 1 ใน 7 รายการกำหนดเป้าหมายเป็นค่าความน่าจะเป็น แทนที่จะมีคำตอบที่ถูกต้องเพียงคำตอบเดียว
Baseten ระบุว่าการขยายเป้าหมายแบบป้ายกำกับนุ่มควบคู่ไปกับโมเดลพื้นฐาน Gemma ช่วยเพิ่มการปรับเทียบได้อย่างมีนัยสำคัญ การฝึกใช้ GPU B200 จำนวน 192 ตัวสำหรับ bison-1 และ 128 ตัวสำหรับ groundhog-1
ในการทดสอบบริบทยาวของ Baseten เองที่ 128K โทเค็น bison-1 ได้คะแนน 84.8 ใน LongMemEval M และ 87.1 ใน LongMemEval S ส่วน groundhog-1 ได้ 77.4 และ 79.3 ตามลำดับ การทดสอบที่บริษัทดำเนินการเหล่านี้ประเมินประสิทธิภาพในบริบทยาวแยกต่างหากจากดัชนี 6 ส่วนที่ครอบคลุมกว่าของ Artificial Analysis
การเปิดตัวครั้งนี้ช่วยขยายความสามารถในการตัดสินใจแบบหลายโมดัลที่รองรับบริบทยาวให้ครอบคลุมระดับราคาสองระดับที่ Base Labs มีอยู่แล้ว ผลการประเมินอิสระของ Groundhog-1 ในดัชนียังคงเป็นประเด็นที่ต้องติดตาม เพื่อพิจารณาว่าการออกแบบแบบผสมผู้เชี่ยวชาญจะให้ประสิทธิภาพระดับ mammoth-1 ตามที่ Baseten คาดหวังหรือไม่












