Baseten 旗下 Base Labs 开源决策模型 mammoth-1（27B）和 elephant-1（9B），MIT 许可：mammoth-1 以 71.24 分登顶 Jev 决策榜，elephant-1 在 Artificial Analysis 指数上追平闭源的 d1-ultra

这件事意味着什么

【要点】

推理云公司 Baseten 旗下研究团队 Base Labs 于北京时间 10 月 22 日 01:14 发布两款开源「决策模型」：mammoth-1（27B）和 elephant-1（9B），权重以 MIT 许可放上 Hugging Face。决策模型不生成文字：给它一段状态（如一张工单）和若干问题，一次前向计算就返回每个选项的概率，用于路由、分类、审核和打分。

两款模型分别由阿里 Qwen3.5-27B 和 Qwen3.5-9B 全参数微调而来，只训练文本、冻结视觉编码器，最长 16K token。官方成绩：mammoth-1 在 Jev Decision Index 0.4 的 208 个模型里排第一，71.24 分，比第二名 Perplexity Decider v1.2（69.42）高 1.8 分，比 TypeSafe 的 Jev 1.14 高 9.0 分，比 Cloudflare Clef 高 15.5 分；elephant-1 得 62.65 分，并列第七，是 15B 以下最强。Artificial Analysis 官方测了 elephant-1，65 分，与 Liquid AI 闭源的 d1-ultra 并列第一；mammoth-1 的 65.9 分是 Base Labs 自己复现该指数测的，不是官方榜单成绩。

两款模型在 Baseten 和 Vercel AI Gateway 上免费用到 10 月 27 日。

【可核验】

技术报告：https://labs.baseten.co/articles/mammoth-1-and-elephant-1-frontier-decision-models

权重与模型卡：https://huggingface.co/baselabs/mammoth-1 、https://huggingface.co/baselabs/elephant-1

Baseten 博客：https://www.baseten.co/blog/the-best-decision-models-in-the-world-mammoth-1-and-elephant-1/；Jev Decision Index 榜单：https://huggingface.co/spaces/multimodalart/jev-decision-index

报告公开了训练方案：全注意力层改用「分块双向」掩码（固定数据时 44.8→48.6 分）；621 万条数据迭代 8 轮，9B 公开榜成绩从 45.5 升到 74.0 分，其中安全/拒答和评判数据各占 16%；损失加 Brier 项抑制过度自信。

【我们的判断】

一、背景：「决策模型」是 9 月 TypeSafe 发布 Jev 后才出现的新品类，一个多月里先后有 OpenAI Decisions API、Liquid AI d1 和 d1-ultra、Cloudflare Clef/Clairic、Perplexity pplx-decider 跟进，TypeSafe 也以 75 亿美元估值融了 8.7 亿美元。vLLM 0.32 已把 /v1/systemone 决策接口设为默认开启。Base Labs 只用一周、在现成开源底座上做后训练就登顶，说明这个品类的门槛主要在数据，不在模型结构。报告也承认大部分提升来自扩数据、修标签。

二、横向比较：开源一侧此前最强的是 Perplexity pplx-decider v1.2（27B，Apache 2.0），mammoth-1 同为 27B、同样基于 Qwen，许可更宽松（MIT），在 Jev 榜上领先 1.8 分；闭源一侧 Liquid d1-ultra 只给 API。elephant-1 用 9B 追平 d1-ultra，对需要自部署、看重成本的团队吸引力更大。Perplexity、Cloudflare Clef-omni 和这次的 Base Labs 都选 Qwen 做底座，中国开源模型正成为这个品类最常用的地基。

三、影响：一是 TypeSafe、Liquid 这类靠闭源决策模型收费的公司，护城河在被开源追平，只能拼价格、延迟和多模态；二是 Baseten 用开源模型和限时免费给自家推理平台拉流量，这是推理云厂商自己做模型的又一例。

四、注意：领先幅度只有 1.8 分，Jev 榜的满分成绩取自维护方的私有测试，榜单本身由社区在 Hugging Face 上维护；AA 指数上 mammoth-1 的成绩是自测复现。两款模型目前只训了文本，视觉和视频决策还要等后续版本。