Base Labsは、GoogleのGemma 4をベースにした新しい意思決定モデルbison-1とgroundhog-1を発表しました。これらは、アメリカの基盤モデルを求めるチーム向けに設計されています。先月リリースされたmammoth-1とelephant-1はQwenバックボーン上に構築され、当時世界最高の意思決定モデルでしたが、今回の新モデルはその性能レベルを西洋のバックボーン上で実現したものです。
bison-1とgroundhog-1は、mammoth-1やelephant-1と同様の速度を維持しながら品質を向上させ、コンテキストウィンドウを128kトークンに拡大しました。これは以前のモデルの8倍で、テキストと画像のマルチモーダル入力に対応します。既存の意思決定モデルと同じAPIを使用するため、モデル名を変更するだけで試すことができます。
Artificial Analysis Decision Index v2.1では、bison-1が19の意思決定モデル中1位となるスコア76を記録し、d1.2-ultra(75)とmammoth-1(71)を上回りました。groundhog-1は公式指数でmammoth-1と同等の性能が期待されています。リリース時点で、bison-1はArtificial Analysisがベンチマークした中で最も知能の高い意思決定モデルです。
bison-1のリリースとモデル性能チームの取り組みにより、Base Labsの意思決定モデルファミリーは、elephant-1からbison-1までのすべてのサイズで精度対時間のパレートフロンティアを占めるようになりました。これは、他のどのモデルもより高速かつ高精度ではないことを意味します。
キャリブレーションにも力を入れています。bison-1は指数上で最低のBrierスコア0.14を記録し、d1.2-ultraの0.15を上回りました。スコアが低いほど、モデルが表明する信頼度が実際の正解率に近いことを意味します。この改善は一部Gemmaベースでの訓練によるものですが、大きな成果は新しい訓練データ混合物で「ソフトラベル」の使用を拡大したことによるものです。つまり、「100% Aを選ぶ」ではなく「83% A、17% B」にキャリブレーションするようモデルを教えています。
長いコンテキストは意思決定に重要です。なぜなら、決定を変える詳細が質問から遠く離れた場所に埋もれている可能性があるからです。例えば、請求書は支払い準備ができているように見えても、以前のメールで注文がキャンセルされたことが示されているかもしれません。その履歴がなければ、モデルは拒否すべき支払いを承認してしまう可能性があります。bison-1とgroundhog-1はModel APIsを通じて8倍のコンテキストを提供し、チームは抜粋や要約を事前に選択することなく、完全なポリシーや会話履歴を含めることができます。
Base Labsは、アメリカのモデルを選ぶことが性能に基づく選択となることを望んでおり、これらのモデルを他のモデルと同じ基準で評価しています。モデルファミリー内での位置づけは、groundhog-1がelephant-1と同じ価格、bison-1がmammoth-1と同じ価格であり、選択は具体的な意思決定のニーズに依存します。bison-1は310億パラメータ、groundhog-1は260億パラメータ(MoE、約40億アクティブ)で、両方ともGemma 4バックボーンを使用しています。bison-1は最高の精度と長いコンテキストが必要な場合に、groundhog-1は低遅延・低コストで長いコンテキストが必要な場合に適しています。
両モデルは本日よりBaseten Model APIsで利用可能で、bison-1は100万トークンあたり0.10ドル、groundhog-1は0.035ドルです。両方ともテキストと画像入力に対応し、同じAPIを使用し、重みはHugging Faceで公開されています。bison-1とgroundhog-1は、アメリカのバックボーンに関するさらなる研究の出発点であり、訓練データと手法の改善に伴い、これらの進歩を成長するモデルファミリーに還元し、チームが性能に基づいてアメリカのモデルを選ぶ理由を増やしていきます。