Pada 25 Agustus 2026, IBM merilis Granite 4.2: tiga model penalaran terbuka dengan 3B, 8B, dan 30B parameter, yang diterbitkan di bawah lisensi Apache 2.0 di Hugging Face, GitHub, dan Ollama. Setiap model memiliki sakelar berpikir, sehingga satu checkpoint dapat bernalar langkah demi langkah atau langsung menjawab. Model-model ini secara native menangani konteks 128K token, dan telah diuji dalam dua belas bahasa termasuk bahasa Arab. Bagi bisnis, intinya secara praktis singkat saja: ini adalah kemampuan penalaran dan pemanggilan alat yang mumpuni, yang bisa Anda unduh, jalankan di dalam infrastruktur Anda sendiri, dan gunakan secara komersial tanpa hambatan lisensi dan tanpa tagihan per token.

Apa yang sebenarnya dirilis IBM

Granite 4.2 adalah keluarga yang terdiri dari tiga model padat bertipe decoder-only. Ukuran yang diterbitkan adalah 3B, 8B, dan 30B. Ketiganya dilatih awal dengan sekitar 15 triliun token, dengan fase pelatihan akhir yang memperluas konteks yang dapat digunakan; IBM mencantumkan 128K token secara native dengan perluasan hingga 512K untuk dokumen panjang. Lisensinya adalah Apache 2.0, yang mengizinkan pengunduhan, fine-tuning, dan penggunaan produksi komersial tanpa perjanjian terpisah.

Bagian yang lebih menarik adalah pelatihannya, bukan ukurannya. IBM menerapkan reinforcement learning agentik pada model 8B dan 30B di dalam lingkungan sandbox sungguhan, tempat model belajar mengedit kode, mengoperasikan terminal, dan menjalankan pencarian, bukan hanya memprediksi token berikutnya dalam sebuah dokumen. Itulah sebabnya keluarga ini ditujukan untuk pekerjaan agen: pemanggilan alat, tugas multi-langkah, dan alur kerja di mana model harus benar-benar melakukan sesuatu, bukan sekadar menulis tentangnya.

Hasil benchmark, dibaca secara jujur

IBM melaporkan skor 57.00 di SWE-bench Verified untuk model 30B dan 47.67 untuk 8B, dengan 77.60 dan 74.04 masing-masing di MMLU-Pro. Di Terminal-Bench 2.1, hasilnya 29.24 dan 20.56. Ini angka yang terhormat untuk model terbuka pada skala ini, tetapi bukan angka kelas terdepan. Model tertutup terbesar masih unggul pada tugas penalaran yang paling sulit.

Angka yang layak dicermati adalah hasil model 8B. Model di kelas itu yang mencetak skor di kisaran empat puluhan atas pada benchmark rekayasa perangkat lunak sungguhan sudah cukup untuk menangani otomatisasi internal yang cakupannya jelas, dan model ini berjalan di satu GPU modern. Kombinasi itu — cukup bagus, dan cukup murah untuk dimiliki sendiri — yang mengubah hitung-hitungan bagi perusahaan menengah, jauh lebih besar daripada selisih dua poin di puncak papan peringkat.

Mengapa bobot terbuka lebih penting di sini daripada di tempat lain

Perusahaan Saudi beroperasi di bawah Undang-Undang Pelindungan Data Pribadi, yang ditegakkan oleh SDAIA dan menetapkan kewajiban nyata tentang cara data pribadi diproses, ditransfer, dan diungkapkan. Setiap kali data pelanggan keluar dari infrastruktur Anda dan sampai ke API model pihak ketiga, transfer tersebut menjadi sesuatu yang harus Anda justifikasi, dokumentasikan, dan kendalikan melalui kontrak.

Model yang bobotnya Anda pegang sendiri mengubah gambaran itu. Inferensi terjadi di perangkat keras yang Anda kendalikan, di dalam jaringan yang Anda tentukan, dengan log milik Anda sendiri. Ini tidak menghapus kewajiban Anda — Anda tetap berutang kepada pelanggan penanganan yang benar, batas retensi, dan dasar hukum — tetapi ini menghapus satu kategori penuh persoalan transfer lintas batas dari jawabannya. Bagi klinik, firma hukum, departemen SDM, atau siapa pun yang menangani data gaji dan identitas, itulah perbedaan antara proyek yang lolos peninjauan dan proyek yang macet di dalamnya.

Efek kedua adalah struktur biaya. API menagih per token, sehingga produk yang sukses justru menjadi semakin mahal seiring pertumbuhannya. Model yang di-host sendiri mengubahnya menjadi biaya infrastruktur tetap yang bisa Anda rencanakan. Di bawah volume tertentu, API hampir selalu menang; di atasnya, kepemilikan yang menang. Satu-satunya cara untuk mengetahui Anda berada di sisi mana adalah mengukur beban kerja Anda yang sebenarnya, bukan beban kerja hipotetis.

Sakelar berpikir, dan mengapa ini fitur penghemat biaya

Sebagian besar model penalaran menghabiskan token untuk berpikir sebelum menjawab, dan token itulah bagian yang mahal. Granite 4.2 menyediakan sakelar mode berpikir dan tanpa berpikir, ditambah mode upaya rendah yang hanya menganggarkan penalaran minimal untuk pertanyaan sederhana.

Dalam praktiknya, hal ini sangat cocok dengan cara bisnis benar-benar menggunakan AI. Mengklasifikasikan tiket yang masuk, mengekstrak sebuah kolom dari faktur, atau menjawab pertanyaan rutin tentang kebijakan tidak memerlukan pertimbangan mendalam; merekonsiliasi selisih dengan pemasok atau merencanakan perbaikan data multi-langkah memerlukannya. Kemampuan untuk menentukan hal itu per permintaan, pada model yang sama yang sudah diterapkan, berarti Anda berhenti membayar biaya penalaran untuk delapan puluh persen lalu lintas yang sebenarnya tidak pernah membutuhkannya.

Di mana model ini benar-benar cocok

Penggunaan realistis untuk model 8B yang di-host sendiri dalam operasional di Saudi antara lain asisten internal untuk kebijakan, kontrak, dan prosedur Anda sendiri, dengan dokumen yang tidak pernah keluar dari gedung; mengklasifikasikan dan meneruskan pertanyaan yang masuk lewat WhatsApp atau email sebelum dilihat manusia; mengekstrak kolom terstruktur dari faktur, surat jalan, dan pesanan pembelian ke dalam ERP Anda; serta menyusun draf balasan dwibahasa yang ditinjau staf sebelum dikirim. Masuknya bahasa Arab di antara dua belas bahasa yang diuji berpengaruh langsung pada dua penggunaan terakhir.

Yang tidak bisa digantikannya adalah model terdepan untuk pekerjaan yang benar-benar sulit: penalaran hukum yang kompleks, strategi yang halus, atau pemrograman jangka panjang di basis kode yang belum dikenal. Arsitektur yang matang bukanlah satu model, melainkan sebuah router — model lokal kecil untuk volume, model besar yang di-host untuk minoritas yang sulit — di balik satu antarmuka internal, sehingga pembagiannya dapat disetel ulang seiring membaiknya model.

Cara mengevaluasinya dalam satu minggu

Pilih satu tugas sempit dan berulang yang sudah dikerjakan tim Anda secara manual, lalu kumpulkan lima puluh contoh nyata beserta jawaban yang Anda anggap benar. Jalankan dulu model 3B melalui Ollama di laptop hanya untuk memeriksa bentuk keluarannya, lalu jalankan 8B di satu GPU dan beri skor terhadap lima puluh contoh Anda. Ukur tiga hal: akurasi pada data Anda, latensi pada tingkat konkurensi yang Anda harapkan, dan biaya bulanan perangkat keras dibandingkan dengan volume yang sama melalui API. Kemudian putuskan berdasarkan angka, bukan kesan.

Arahkan semua panggilan melalui satu antarmuka internal di kode Anda sejak hari pertama. Jika evaluasi menunjukkan bahwa API yang di-host unggul saat ini, antarmuka itulah yang memungkinkan Anda meninjau kembali keputusan tersebut enam bulan lagi sebagai perubahan konfigurasi, bukan penulisan ulang.

Kesimpulannya

Granite 4.2 tidak akan memuncaki papan peringkat, dan memang bukan itu intinya. Intinya adalah bahwa vendor perusahaan yang serius telah menerbitkan model penalaran yang mumpuni, mendukung bahasa Arab, dan mampu memanggil alat di bawah Apache 2.0, yang cukup kecil untuk berjalan di perangkat keras yang sudah Anda miliki. Pertanyaan bagi bisnis Anda diam-diam telah bergeser dari apakah Anda bisa mengakses AI yang bagus menjadi di mana Anda ingin AI itu berjalan — dan itu adalah pertanyaan tentang data Anda, postur kepatuhan Anda, dan kurva biaya Anda, bukan tentang benchmark.

Sumber: rilis Granite 4.2 dari IBM pada 25 Agustus 2026 di blog IBM Granite di Hugging Face, kartu model Granite 4.2 8B untuk lisensi, konteks, dan dukungan bahasa, koleksi Granite 4.2, serta liputan MarkTechPost. Kewajiban data Saudi mengacu pada Otoritas Data dan Kecerdasan Buatan Saudi (SDAIA).