Pada 25 Ogos 2026, IBM melancarkan Granite 4.2: tiga model penaakulan terbuka dengan 3B, 8B dan 30B parameter, diterbitkan di bawah lesen Apache 2.0 di Hugging Face, GitHub dan Ollama. Setiap model mempunyai suis pemikiran, jadi satu checkpoint boleh sama ada menaakul langkah demi langkah atau menjawab secara terus. Model-model ini mengendalikan konteks 128K token secara asli, dan telah diuji dalam dua belas bahasa termasuk bahasa Arab. Bagi sesebuah perniagaan, intipati praktikalnya ringkas: inilah keupayaan penaakulan dan panggilan alat yang cekap, yang boleh anda muat turun, jalankan di dalam infrastruktur anda sendiri, dan gunakan secara komersial tanpa sekatan lesen dan tanpa bil bagi setiap token.

Apakah yang sebenarnya dilancarkan oleh IBM

Granite 4.2 ialah keluarga tiga model padat jenis penyahkod sahaja. Saiz yang diterbitkan ialah 3B, 8B dan 30B. Ketiga-tiganya dilatih awal dengan kira-kira 15 trilion token, dengan fasa latihan akhir yang memanjangkan konteks yang boleh digunakan; IBM menyenaraikan 128K token secara asli dengan lanjutan sehingga 512K untuk dokumen panjang. Lesennya ialah Apache 2.0, yang membenarkan muat turun, penalaan halus dan penggunaan pengeluaran komersial tanpa perjanjian berasingan.

Bahagian yang lebih menarik ialah latihannya, bukan saiznya. IBM menggunakan pembelajaran pengukuhan berasaskan ejen pada model 8B dan 30B di dalam persekitaran kotak pasir sebenar, di mana model belajar menyunting kod, mengendalikan terminal dan menjalankan carian, bukan sekadar meramal token seterusnya dalam sesuatu dokumen. Itulah sebabnya keluarga ini disasarkan untuk kerja ejen: panggilan alat, tugasan berbilang langkah, dan aliran kerja di mana model perlu benar-benar melakukan sesuatu dan bukan menulis tentangnya.

Penanda aras, dibaca dengan jujur

IBM melaporkan 57.00 pada SWE-bench Verified bagi model 30B dan 47.67 bagi 8B, dengan masing-masing 77.60 dan 74.04 pada MMLU-Pro. Pada Terminal-Bench 2.1, keputusannya ialah 29.24 dan 20.56. Ini angka yang dihormati bagi model terbuka pada skala ini, tetapi bukan angka barisan hadapan. Model tertutup terbesar masih mendahului dalam tugasan penaakulan yang paling sukar.

Angka yang wajar diberi perhatian ialah keputusan model 8B. Model dalam kelas itu yang mencatat skor dalam lingkungan empat puluhan tinggi pada penanda aras kejuruteraan perisian sebenar sudah memadai untuk mengendalikan automasi dalaman yang skopnya jelas, dan ia berjalan pada satu GPU moden. Gabungan itu — cukup baik, dan cukup murah untuk dimiliki sendiri — yang mengubah kiraan bagi syarikat bersaiz sederhana, jauh lebih besar daripada perbezaan dua mata di puncak papan pendahulu.

Mengapa pemberat terbuka lebih penting di sini berbanding tempat lain

Syarikat Saudi beroperasi di bawah Undang-undang Perlindungan Data Peribadi, yang dikuatkuasakan oleh SDAIA dan meletakkan kewajipan sebenar tentang cara data peribadi diproses, dipindahkan dan didedahkan. Setiap kali data pelanggan meninggalkan infrastruktur anda dan sampai ke API model pihak ketiga, pemindahan itu menjadi sesuatu yang perlu anda justifikasikan, dokumenkan dan kawal melalui kontrak.

Model yang pemberatnya berada dalam pegangan anda mengubah gambaran itu. Inferens berlaku pada perkakasan yang anda kawal, di dalam rangkaian yang anda tentukan, dengan log milik anda sendiri. Ia tidak menghapuskan kewajipan anda — anda masih berhutang kepada pelanggan pengendalian yang betul, had penyimpanan dan asas yang sah — tetapi ia mengeluarkan satu kategori penuh persoalan pemindahan rentas sempadan daripada jawapannya. Bagi klinik, firma guaman, jabatan sumber manusia atau sesiapa sahaja yang mengendalikan data gaji dan identiti, itulah perbezaan antara projek yang melepasi semakan dan projek yang tersekat di dalamnya.

Kesan kedua ialah bentuk kos. API mengenakan bayaran bagi setiap token, jadi produk yang berjaya menjadi semakin mahal tepat ketika ia berkembang. Model hos sendiri menukarkannya kepada kos infrastruktur tetap yang boleh anda rancang. Di bawah jumlah tertentu, API hampir sentiasa menang; di atasnya, pemilikan yang menang. Satu-satunya cara untuk mengetahui di pihak mana anda berada ialah dengan mengukur beban kerja sebenar anda, bukan beban kerja hipotetikal.

Suis pemikiran, dan mengapa ia ciri penjimatan kos

Kebanyakan model penaakulan membelanjakan token untuk berfikir sebelum menjawab, dan token itulah bahagian yang mahal. Granite 4.2 menyediakan suis antara mod berfikir dan tidak berfikir, serta mod usaha rendah yang hanya memperuntukkan penaakulan minimum untuk soalan mudah.

Secara praktikal, ini sepadan dengan kemas cara sesebuah perniagaan sebenarnya menggunakan AI. Mengelaskan tiket yang masuk, mengekstrak satu medan daripada invois, atau menjawab soalan dasar yang rutin tidak memerlukan pertimbangan mendalam; menyelaraskan percanggahan dengan pembekal atau merancang pembetulan data berbilang langkah pula memerlukannya. Keupayaan untuk membuat keputusan itu bagi setiap permintaan, pada model yang sama yang telah dilaksanakan, bermakna anda berhenti membayar kos penaakulan bagi lapan puluh peratus trafik yang tidak pernah memerlukannya.

Di mana ia benar-benar sesuai

Kegunaan realistik bagi model 8B hos sendiri dalam operasi di Saudi termasuk pembantu dalaman bagi dasar, kontrak dan prosedur anda sendiri, di mana dokumen tidak pernah meninggalkan bangunan; mengelaskan dan menghalakan pertanyaan yang masuk melalui WhatsApp atau e-mel sebelum dilihat oleh manusia; mengekstrak medan berstruktur daripada invois, nota penghantaran dan pesanan pembelian ke dalam ERP anda; dan mendraf balasan dwibahasa yang disemak oleh kakitangan sebelum dihantar. Kedudukan bahasa Arab antara dua belas bahasa yang diuji penting secara langsung bagi dua kegunaan terakhir.

Apa yang tidak dapat digantikannya ialah model barisan hadapan untuk kerja yang benar-benar sukar: penaakulan undang-undang yang kompleks, strategi yang halus, atau pengekodan jangka panjang merentasi pangkalan kod yang tidak dikenali. Seni bina yang matang bukanlah satu model, tetapi sebuah penghala — model setempat yang kecil untuk volum, model besar yang dihoskan untuk minoriti yang sukar — di sebalik satu antara muka dalaman, supaya pembahagiannya boleh dilaras semula apabila model bertambah baik.

Cara menilainya dalam satu minggu

Pilih satu tugasan yang sempit dan berulang yang sudah dilakukan secara manual oleh pasukan anda, dan kumpulkan lima puluh contoh sebenar bersama jawapan yang anda anggap betul. Jalankan model 3B melalui Ollama pada komputer riba terlebih dahulu semata-mata untuk menyemak bentuk output, kemudian jalankan 8B pada satu GPU dan berikan skor berdasarkan lima puluh contoh anda. Ukur tiga perkara: ketepatan pada data anda, kependaman pada tahap keserentakan yang dijangka, dan kos bulanan perkakasan berbanding volum yang sama melalui API. Kemudian buat keputusan berdasarkan angka, bukan tanggapan.

Halakan semua panggilan melalui satu antara muka dalaman dalam kod anda sejak hari pertama. Jika penilaian menunjukkan API yang dihoskan menang hari ini, antara muka itulah yang membolehkan anda menyemak semula keputusan tersebut enam bulan kemudian sebagai perubahan konfigurasi dan bukan penulisan semula.

Rumusannya

Granite 4.2 tidak akan mendahului mana-mana papan pendahulu, dan itu bukan perkara utamanya. Perkara utamanya ialah sebuah vendor perusahaan yang serius telah menerbitkan model penaakulan yang berkeupayaan, menyokong bahasa Arab dan boleh memanggil alat di bawah Apache 2.0, cukup kecil untuk berjalan pada perkakasan yang sudah anda miliki. Persoalan bagi perniagaan anda telah beralih secara senyap daripada sama ada anda boleh mengakses AI yang baik kepada di mana anda mahu ia berjalan — dan itu persoalan tentang data anda, kedudukan pematuhan anda dan keluk kos anda, bukan tentang penanda aras.

Sumber: pelancaran Granite 4.2 oleh IBM pada 25 Ogos 2026 di blog IBM Granite di Hugging Face, kad model Granite 4.2 8B untuk lesen, konteks dan sokongan bahasa, koleksi Granite 4.2, dan liputan MarkTechPost. Kewajipan data Saudi adalah menurut Pihak Berkuasa Data dan Kecerdasan Buatan Saudi (SDAIA).