Les modèles de décision de Baseten ont été publiés le 21 octobre 2026 par Base Labs, le laboratoire de recherche de Baseten : mammoth-1 (27B) et elephant-1 (9B) ne génèrent aucun texte. Chacun renvoie une probabilité pour chaque réponse candidate, la somme des scores valant 1. Les deux modèles sont open source sur Hugging Face, gratuits à l'essai pendant une semaine via les API de Baseten, avec zéro rétention de données par défaut.
Ils ne répondent qu'à trois types de questions étroites
Les modèles de décision ne traitent que trois tâches : le choix dans une liste, par exemple décider si un ticket relève de l'infrastructure, de la facturation, de la sécurité ou du support ; la notation sur une échelle, par exemple si un e-mail est urgent ou non ; et le jugement binaire, par exemple si un e-mail est une tentative d'hameçonnage. Cela semble simple, mais ce sont des requêtes parmi les plus volumineuses des systèmes en production. Les équipes utilisaient jusqu'ici des modèles génératifs, obligés de rédiger la réponse mot à mot : coûteux, lents, et sans signal fiable sur le degré de certitude du modèle.
Le vrai produit, c'est la confiance
mammoth-1 arrive premier parmi 208 modèles de décision au Jev Decision Index 0.4 avec 71,24 points, et elephant-1 domine la catégorie 9B. Tous deux ont été post-entraînés à partir de Qwen3.5 sur 6,21 millions d'exemples de décision couvrant connaissances et raisonnement, langage, outils et automatisation, recherche et classification, ainsi que le goût humain, y compris des exemples apprenant au modèle à dire qu'il ne sait pas. Selon Baseten, un modèle de décision peut être jusqu'à dix fois plus rapide qu'un modèle de raisonnement sur ces tâches.
Qui devrait y regarder de près
L'intérêt n'est pas de remplacer les modèles conversationnels, mais de se placer devant eux : traiter automatiquement quand la confiance est élevée, par exemple 90 % pour l'aiguillage d'un ticket, et escalader vers un humain ou un modèle plus puissant sinon. Tri des tickets, détection de spam et d'hameçonnage, garde-fous de prompts et détection de jailbreak, routage entre petits modèles et modèles de pointe sont des usages immédiats. Les limites sont nettes : ces modèles jugent sans expliquer, donc les processus à forte exigence d'audit gardent besoin de traces séparées, et les scores vedettes viennent de bancs d'essai publiés par le fournisseur. Avant adoption, mesurez précision et calibration de la confiance sur vos cas difficiles, puis fixez vos seuils.
