一句话:这两个模型一个字都不写,只吐 0 到 1 的概率,反而比会写小作文的大模型更适合塞进业务系统。
2026 年 11 月 20 日,Baseten 发布 bison-1 和 groundhog-1。据 Baseten 官方博客与 Hugging Face 模型卡,bison-1 是 31B 稠密模型,groundhog-1 是 26B 混合专家、每个 token 约 4B 激活,两个都基于 Google 的 Gemma 4 后训练。
官方给的理由很直白:给想用美国基座模型的团队一个能按实力选的理由。权重已开在 Hugging Face,接口挂在 Baseten Model API 上,价格分别是每百万 token 0.10 美元和 0.035 美元。
放到产品线里看会更清楚:上一代 mammoth-1 和 elephant-1 用的是 Qwen 基座。这次换 Gemma 4,质量往上走,速度基本持平,上下文从 16k 拉到 128k。
先说一句我的判断:这类模型的出现,说明「大模型」这个词正在被拆开卖。生成归生成,判断归判断,后者不需要文采,只需要一份能对账的概率。


决策模型到底在做什么
它不吃自然语言指令,吃的是「状态 + 问题」。状态可以是文本、结构化字段,也可以带图片;问题只有三种:是非题、多选题、打分题。
比如把一段客服对话当状态,问题写成「客户是不是在要求退款」。模型返回的不是「是的,客户要求退款」这句话,而是一个 0.87。
你的代码拿到 0.87,自己跟阈值比一下,走退款流程还是转人工。整条链路上没有提示词工程,也没有解析模型输出的正则。
Hugging Face 模型卡里写得很细:一次请求带一个状态和任意多个问题,共用同一段前缀预填充,不生成文本;超长请求直接拒绝,不截断。换句话说,它只负责「算」,算完怎么用完全不归它管。

划重点:校准比准确率更要紧
校准的意思是:模型说 0.8,那批样本里就该真有大约 80% 属于正类。它说 0.9 的十次里只中六次,就是没校准。
为什么这事比准确率要紧?因为业务系统不看模型答得漂不漂亮,只看阈值切在哪里。发票审批把线定在 0.7,校准差一个点,误批率就可能翻倍。
准确率漂亮的模型可能只是在 0.5 附近准,你把阈值往上一调就散架。校准好的模型,想保守就把线拉高,想放量就往下降,误判率大致跟着走。这也是它敢把「我不知道」当成一个正式输出的原因。
另一条判断:决策模型真正抢的不是生成式大模型的地盘,是那些写在 if-else 和规则引擎里的老判定。这类逻辑维护十年之后没人敢动,现在多了一个能算概率的替代品。

拆榜单:76 分背后的三个数
据 Artificial Analysis 的 Decision Index v2.1(2026 年 11 月 19 日打分),bison-1 在 19 个决策模型里排第一,76 分;第二名 d1.2-ultra 是 75 分,上一代 mammoth-1 是 71 分。
第二个数是 Brier 分数 0.14,榜单最低,d1.2-ultra 是 0.15。这个指标越低越好,量的是「你说的置信度」和「你实际对的频率」差多远。
第三个数是 128k。上一代在 API 上只有 16k,这次是 8 倍。官方举的例子挺实用:一张发票看着能付,但几个月前的一封邮件说订单已取消,那封邮件就躺在长上下文里。
分数分布并不均匀,这点比总分更值得看。同一份模型卡里,When2Call 98 分排第一,HLE-MultiChoice 51 分也排第一,但 AA-Omniscience-Decision 只有 60 分、排第 11。知识密集型判断仍是短板。

说白了:它卖的是不用提示词的分类器
说白了,这是一门把「分类器」重新包装成接口的生意。过去你要做退款判定,要么训一个小模型,要么写一长串提示词逼大模型吐 JSON。
前者要标注、要训练、要维护;后者便宜但脆,模型换个版本输出格式就歪,概率更没法用——大模型自报的「我有九成把握」基本是嘴上说说。
决策模型占了中间地带:入口是 API,出口是类型化概率,背后是一个专门为这件事后训练过的模型。模型卡里写,训练用了 671 万条决策样本,目标函数是交叉熵加一个 Brier 校准项。
他们还干了件聪明事:约七分之一的训练样本给的不是唯一正确答案,而是「83% 选 A、17% 选 B」这种软标签,另外还专门训练了一个「我不知道」选项。校准能力就是从这来的。

但这里有个前提
第一,校准是在分布内成立的。训练里见过的分布,概率才对得上频率;业务一旦漂移——促销规则改了、客群换了、新的作弊手法冒出来——0.8 还是那个 0.8,实际正类比例可能已经掉了。
所以接进生产不是「调通接口就完事」,得留一份带标注的验证集。具体做法是每月抽几百条线上样本人工标注,重算一次校准曲线,看 0.7 这条线切出来的误批率有没有变。这一步不做,前面所有关于 Brier 分数的讨论都是纸面上的。
第二,榜单分数是厂商参与、第三方打分,落到你的场景未必成立。同一个模型在 When2Call 上 98 分,在知识型决策上只有 60 分、排第 11,中间差 38 分。
第三,0.10 美元每百万 token 听着便宜,但单价便宜不等于总账便宜。要看你一次请求塞多长的上下文、一天调用多少次、一次判定要跑几个问题。

谁该先上,谁再等等
适合先试的场景有个共同点:判断本身有明确对错,错了代价可承受。内容审核的分流、工单的团队路由、发票的异常标记、视频里的事件判断,都属于这一类(这里是示例场景,不是客户案例)。
不适合的也很清楚:需要解释理由的场合。它不写字,你没法让它「说说为什么拒了这笔」。合规要求留解释链路的地方,它只能当第一道筛子,后面还得有人或另一个模型兜底。
顺带提一句,这条路不只 Baseten 在走。同一天 HeyGen 发了 Decision 1,输入一段视频,最多 400 个问题逐一给概率,一个字都不写;据 Google 官方博客,Gemini 也开了 Decisions API。一个新品类别正在成形。
回到开头那个判断:不会写字的模型更适合进业务系统,这话有前提——前提是你愿意为「校准」做工程。阈值、验证集、漂移监控,一样都省不掉。省掉的是提示词,不是责任。这一点,谁把它接进系统之前都该先想清楚。