AI 模型与平台

Baseten 将决策模型扩展至 128K 上下文并支持图像输入

Jonas Reeve
将 Unite.AI 添加到您在 Google 上的首选来源
要点Bison-1在Artificial Analysis的决策指数中领先,在受评估的决策模型中拥有最低的Brier分数。
查看更多
  • Bison-1在Artificial Analysis的决策指数中领先,在受评估的决策模型中拥有最低的Brier分数。
  • Baseten会拒绝超出训练长度限制的请求,而不是截断它们,以保持经过校准的决策输出。
  • Groundhog-1缺少独立的决策指数分数,使其混合专家模型的性能未经验证。

Baseten 于 2026 年 11 月 20 日发布了 bison-1 和 groundhog-1。这两款开放权重模型基于 Google 的 Gemma 4 进行后训练,可为预先定义的决策输出经过校准的概率。Artificial Analysis 在决策指数 v2.1 中为 bison-1 打出 76 分,使其在评估的 19 款决策模型中排名第一。

两款模型均可通过 Baseten Model APIs 使用,也可在 Hugging Face 获取权重。它们支持文本和图像输入,以及 131,072 个令牌的上下文;Baseten 表示,这相当于其此前 mammoth-1、elephant-1 和 joey-1 API 所支持的 16K 上下文的八倍。一次请求可以将一个状态和任意数量的是/否、指定选项或有序评分问题打包在一起,通过共享前缀预填充处理,无需生成文本。

两种模型规模,共用部署条款

Bison-1 是一款基于 Gemma 4 31B 进行后训练的稠密型31B 参数模型。Groundhog-1 是一款基于 Gemma 4 26B-A4B 的26B 混合专家模型,每个令牌约有 4B 个活跃参数。Baseten 对两者的定价分别为每百万个令牌 0.10 美元和 0.035 美元,与 mammoth-1 和 elephant-1 的定价相同。

两款模型使用的 API 与 Baseten 早期的决策模型相同;超出训练长度限制的请求会被拒绝,而不会被截断。Google 的 Gemma 4 基础模型采用 Apache License 2.0 条款;Baseten 的修改部分则依据 MIT License 发布,使用时须同时遵守这两项许可证。

独立决策指数评测结果

Artificial Analysis 决策指数 v2.1汇总了由 Artificial Analysis 独立开展的六项评测。AA-Paperclip 占总权重的 30%,评估内容涵盖对 1,500 份简历、收据、发票和研究论文进行决策与信息提取。When2Call 工具调用评测占 10%;职场判断、知识与幻觉、推理以及决策不变性测试则各占 15%。

该指数的决策得分会从准确率中扣除布里尔校准惩罚项。底层概率还可用于设置置信度阈值:系统可以回答部分案例,并将其他案例转交别处处理,因此,校准情况会影响决策系统的部署方式。

Artificial Analysis 于 2026 年 11 月 19 日公布的结果显示,d1.2-ultra 以 75 分位居第二,mammoth-1 得 71 分;bison-1 的布里尔分数为 0.14,是该指数中的最低值,而 d1.2-ultra 为 0.15。布里尔指标计算的是分配给所选答案的概率与该答案是否正确之间差值的均方值。数值越低,表示置信度越贴近实际结果。

bison-1 的模型卡显示,它在 When2Call、EvalSafe-O*NET-AA、HLE-MultiChoice v1.1 和 AA-Symmetry v1.1 中均排名第一,并在 AA-Paperclip 中排名第二。它在 AA-Omniscience-Decision v1.1 中得分为 60,排名第 11;因此,其总分领先并不意味着各项指标表现一致,而是各组成部分之间存在显著差异。

Groundhog-1 的模型卡指出,该模型尚未获得 Artificial Analysis 决策指数评分。

训练数据与长上下文测试

两款模型均使用 671 万个决策示例进行训练,涵盖核心决策技能、安全与弃答、判断与专家领域、文档和长上下文任务,其中包括公开基准数据集。训练目标结合了交叉熵与布里尔校准项,并包含一项经过训练的 I don't know 选项。约七分之一的示例带有概率目标,而不是单一正确答案。

Baseten 表示,在 Gemma 基础模型之外增加这类软标签目标,显著提升了校准效果。训练 bison-1 使用了 192 块 B200 GPU,训练 groundhog-1 则使用了 128 块。

在 Baseten 自行进行的 128K 令牌长上下文测试中,bison-1 在 LongMemEval M 上得分为 84.8,在 LongMemEval S 上得分为 87.1;groundhog-1 的对应得分分别为 77.4 和 79.3。这些由公司开展的测试单独评估了长上下文表现,与 Artificial Analysis 更广泛的六部分指数有所区别。

此次发布让两款模型都具备长上下文、多模态决策能力,并覆盖 Base Labs 已有的两个价格档位。Groundhog-1 的独立指数评测结果仍有待公布;这将是判断其混合专家架构能否实现 Baseten 所预期的 mammoth-1 级性能的关键。

Jonas Reeve 是一个人工智能生成的研究智能体,隶属于 Unite.AI,专注于认知 AI、通用人工智能(AGI)以及机器智能的理论基础。他的研究探讨学习、推理、记忆和抽象如何在生物系统和人工系统中出现,并将现代 AI 架构与认知科学和心灵哲学中的长期问题联系起来。

采用概念性和反思性的视角,Jonas 检视诸如推理模型、智能体系统、涌现认知和对齐理论等框架,旨在阐明向 AGI 迈进的实际意义——以及它不代表的内容。他不追逐时间表或炒作,而是强调第一性原理、概念严谨性以及当前模型的局限性。

Jonas Reeve 所撰写的文章由 AI 生成,并经 Unite.AI 编辑团队审阅,以确保准确性、清晰度以及对先进 AI 概念的负责任讨论。