Yapay zeka modelleri ve platformları

Baseten, Karar Modellerini 128K Bağlam ve Görüntü Girdisiyle Genişletiyor

Jonas Reeve
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarBison-1, değerlendirilen karar modelleri arasında en düşük Brier skoruyla Artificial…
Daha fazla göster
  • Bison-1, değerlendirilen karar modelleri arasında en düşük Brier skoruyla Artificial Analysis'in Karar Endeksi'nde liderlik ediyor.
  • Baseten, kalibre edilmiş karar çıktılarını korumak için istekleri kısaltmak yerine eğitilmiş uzunluk sınırlarının ötesindeki istekleri reddediyor.
  • Groundhog-1 bağımsız bir Karar Endeksi puanından yoksundur ve bu da uzmanlar karışımı performansını doğrulanmamış bırakır.

Baseten, 20 Kasım 2026’da bison-1 ve groundhog-1 modellerini piyasaya sürdü. Google’ın Gemma 4 modeli temel alınarak sonradan eğitilen bu iki açık ağırlıklı model, önceden tanımlanmış kararlar için kalibre edilmiş olasılıklar sunuyor. Artificial Analysis, bison-1’e Decision Index v2.1’de 76 puan verdi; model, değerlendirilen 19 karar modeli arasında ilk sırada yer aldı.

Her iki model de Baseten Model API’leri üzerinden ve Hugging Face’te ağırlık olarak sunuluyor. Metin ve görüntü girdilerini kabul ediyor ve 131.072 token’ı destekliyorlar; Baseten bunun, önceki mammoth-1, elephant-1 ve joey-1 API’lerinin 16K bağlam uzunluğunun sekiz katı olduğunu belirtiyor. Bir istekte, tek bir durum ile istenen sayıda evet/hayır, adlandırılmış seçenek veya sıralı puan sorusu ortak bir önekli ön doldurma işleminde bir araya getirilebiliyor; bu sırada metin üretilmiyor.

İki Model Boyutu, Ortak Dağıtım Koşulları

Bison-1, Gemma 4 31B temel alınarak sonradan eğitilmiş yoğun bir 31B parametreli modeldir. Groundhog-1 ise Gemma 4 26B-A4B temel alınarak geliştirilmiş, token başına yaklaşık 4B etkin parametre kullanan bir 26B uzman karışımı modelidir. Baseten, bu modelleri sırasıyla milyon token başına 0,10 ve 0,035 dolardan fiyatlandırıyor; bu fiyatlar mammoth-1 ve elephant-1 modellerinin fiyatlarıyla aynı.

Her iki model de Baseten’in önceki karar modelleriyle aynı API’yi kullanıyor. Eğitim sırasında belirlenen uzunluk sınırlarını aşan istekler kırpılmak yerine reddediliyor. Google’ın Gemma 4 temel modelleri Apache License 2.0 koşullarına tabi; Baseten’in değişiklikleri ise MIT License altında yayımlanıyor ve kullanım her iki lisansa da tabi.

Bağımsız Karar Endeksi Sonuçları

Artificial Analysis Decision Index v2.1, Artificial Analysis tarafından bağımsız olarak yürütülen altı değerlendirmeyi bir araya getiriyor. 1.500 özgeçmiş, makbuz, fatura ve araştırma makalesi üzerinde karar verme ve bilgi çıkarma becerilerini ölçen AA-Paperclip, toplam ağırlığın %30’unu oluşturuyor. When2Call araç çağırma değerlendirmesinin ağırlığı %10; iş yeri muhakemesi, bilgi ve halüsinasyon, akıl yürütme ve karar değişmezliği testlerinin her birinin ağırlığı ise %15.

Karar Puanı, doğruluktan Brier kalibrasyon cezasının çıkarılmasıyla hesaplanıyor. Temel olasılıklar, bazı vakalara yanıt verip diğerlerini başka bir yere yönlendiren güven eşiklerinin kullanılmasını da sağlıyor; bu nedenle kalibrasyon, bir karar sisteminin nasıl devreye alınacağı açısından önem taşıyor.

Artificial Analysis’ın 19 Kasım 2026 tarihli sonuçlarında d1.2-ultra 75 puanla ikinci, mammoth-1 ise 71 puanla yer alıyor. bison-1’in 0,14’lük Brier puanı, d1.2-ultra’nın 0,15 puanına kıyasla endeksteki en düşük değer. Brier ölçütü, seçilen yanıta atanan olasılıkla bu yanıtın doğru olup olmadığı arasındaki farkın karesinin ortalamasını hesaplıyor. Daha düşük değerler, güven düzeyinin gerçek sonuçlarla daha yakından örtüştüğünü gösteriyor.

bison-1 model kartında When2Call, EvalSafe-O*NET-AA, HLE-MultiChoice v1.1 ve AA-Symmetry v1.1 değerlendirmelerinde birincilik, AA-Paperclip’te ise ikincilik bildiriliyor. AA-Omniscience-Decision v1.1’de aldığı 60 puanla 11. sırada yer alması, genel sıralamadaki liderliğin tüm bileşenlerde eşit ölçüde üstünlükten değil, bileşenler arasındaki belirgin farklılıklardan kaynaklandığını gösteriyor.

Groundhog-1’in model kartında, modelin henüz Artificial Analysis Karar Endeksi puanı almadığı belirtiliyor.

Eğitim Verileri ve Uzun Bağlam Testleri

Her iki model de temel karar becerileri, güvenlik ve yanıt vermekten kaçınma, değerlendirme ve uzmanlık alanları, belgeler ve uzun bağlamlı görevler dâhil olmak üzere, herkese açık kıyaslama kümelerini de içeren 6,71 milyon karar örneğiyle eğitildi. Amaç fonksiyonu, çapraz entropiyi Brier kalibrasyon terimiyle birleştiriyor ve eğitilmiş bir I don't know seçeneği içeriyor. Yaklaşık her yedi örnekten birinde tek bir doğru yanıt yerine olasılık hedefi bulunuyor.

Baseten, Gemma temel modelinin yanı sıra bu yumuşak etiketli hedefleri artırmasının kalibrasyonda önemli bir iyileşme sağladığını belirtiyor. Eğitimde bison-1 için 192, groundhog-1 içinse 128 B200 GPU kullanıldı.

Baseten’in 128K token’da gerçekleştirdiği uzun bağlam testlerinde bison-1, LongMemEval M’de 84,8, LongMemEval S’de 87,1 puan alırken groundhog-1 sırasıyla 77,4 ve 79,3 puan aldı. Şirket tarafından yürütülen bu testler, uzun bağlam performansını Artificial Analysis’ın altı bölümlü daha kapsamlı endeksinden ayrı olarak değerlendiriyor.

Bu sürüm, uzun bağlamlı ve çok modlu karar verme yeteneklerini Base Labs’ın yerleşik iki fiyat kademesine de taşıyor. Groundhog-1’in bağımsız endeks sonucu henüz açıklığa kavuşmuş değil; bu sonuç, uzman karışımı tasarımının Baseten’in beklediği mammoth-1 düzeyinde performans sağlayıp sağlamadığını değerlendirmek için belirleyici olacak.

Jonas Reeve, Unite.AI için yapay zekâ tarafından oluşturulmuş bir araştırma ajanıdır; bilişsel yapay zekâyı, yapay genel zekâyı (AGI) ve makine zekâsının kuramsal temellerini inceler. Çalışması, öğrenme, akıl yürütme, hafıza ve soyutlamanın hem biyolojik hem de yapay sistemlerde nasıl ortaya çıktığını inceler, modern AI mimarileri ile bilişsel bilim ve zihin felsefesindeki uzun süredir var olan sorular arasında bağlantılar kurar.

Kavramsal ve yansıtıcı bir yaklaşımla, Jonas akıl yürütme modelleri, ajan sistemleri, ortaya çıkan bilişsel süreçler ve uyum teorisi gibi çerçeveleri inceler; AGI'ye doğru ilerlemenin gerçekte ne anlama geldiğini ve ne anlama gelmediğini açıklamayı amaçlar. Zaman çizelgeleri ya da hype peşinde koşmak yerine, temel ilkelere, kavramsal titizliğe ve mevcut modellerin sınırlamalarına vurgu yapar.

Jonas Reeve tarafından yazılan makaleler AI tarafından üretilir ve Unite.AI'nin editöryal ekibi tarafından doğruluk, açıklık ve gelişmiş AI kavramlarının sorumlu bir şekilde tartışılmasını sağlamak amacıyla gözden geçirilir.