MiniCPM5-2B vs Granite 4.2 3B: El especialista en razonamiento de 3B frente al nuevo stack de agentes de 2.5B

ModelBest puso Granite 4.2 3B en el marcador propio de MiniCPM5-2B antes de que nadie se lo pidiera. La tarjeta del modelo MiniCPM5-2B que OpenBMB publicó cuando los pesos se activaron silenciosamente en Hugging Face enumera el modelo de razonamiento más pequeño de IBM entre sus líneas base de comparación, y en ese conjunto muestra a MiniCPM5-2B promediando 53,9 frente a los 42,7 de Granite 4.2 3B. Esa es la única cifra de enfrentamiento directo que cualquiera de los dos proveedores ha publicado para este emparejamiento, lo que lo convierte en el lugar natural para empezar — y el lugar natural para ser cauteloso. Ambos modelos son pequeños, Apache-2.0, lanzamientos de pesos abiertos y autoalojados dirigidos al mismo trabajo de finales de 2026; solo que lo abordan desde extremos opuestos, uno entrenado para razonar y otro para actuar.

Estos dos lanzamientos riman más de lo que sugiere el marketing de sus proveedores. MiniCPM5-2B se presentó en la Conferencia Mundial de Inteligencia Artificial el 19 de julio como el buque insignia de ModelBest y OpenBMB para dispositivos —un modelo denso de clase 2B promocionado como base de agentes para teléfonos, PC y cabinas inteligentes— y sus pesos aparecieron el 6 y 7 de septiembre sin ningún evento de lanzamiento, bajo Apache-2.0, junto con los checkpoints GGUF, MLX, GPTQ, base, SFT y draft, y los datos de entrenamiento que hay detrás. Granite 4.2 3B es el modelo de razonamiento de IBM del tamaño de un portátil, cuyos pesos llegaron a Hugging Face a principios de agosto y cuya ficha de modelo y blog técnico se publicaron el 25 de agosto. Ninguno ha sido evaluado aún por un benchmark independiente, por lo que las etiquetas de fuente que aparecen a continuación importan más que las cifras.

Dos lanzamientos que riman

Granite 4.2 3B es un modelo de razonamiento denso independiente, post-entrenado a partir de Granite-4.1-3B-Base. Tiene 40 capas con atención de consulta agrupada, un contexto nativo de 128K que IBM amplía a 512K en una quinta fase de preentrenamiento y tres modos de pensamiento por consulta: pensamiento completo por defecto, un modo de bajo esfuerzo y una vía sin pensamiento. Su ficha de modelo es explícita sobre lo que no es: a diferencia de los modelos hermanos Granite 4.2 de 8B y 30B, el de 3B omitió deliberadamente el bloque especializado de aprendizaje por refuerzo agéntico entrenado en entornos de SWE-agent, terminal y búsqueda, por lo que IBM no reporta ningún resultado de SWE-bench y presenta el modelo como un especialista en razonamiento, no como un agente. Se sirve mediante vLLM, SGLang, Transformers, GGUF y Ollama (granite4.2:3b), funciona con aproximadamente 6-8 GB en bfloat16 o menos de 2 GB cuantizado y no cuenta con API alojada. Sus cifras principales —AIME 2025 con 78,33; GPQA con 54,80; LiveCodeBench v6 con 69,71 y MMLU-Pro con 67,84— provienen de IBM y no han sido reproducidas hasta la fecha.

MiniCPM5-2B es, en cambio, un modelo terminado orientado a agentes. La ficha describe un transformer denso de 2.52B de parámetros totales (1.98B sin incluir embeddings), 42 capas con tamaño oculto 2048, atención de consulta agrupada con 16 cabezas de consulta y dos cabezas KV, y una arquitectura estándar LlamaForCausalLM sin kernels personalizados. El discurso de lanzamiento enfatizó la capacidad agéntica: mid-training de agente a escala de 200B, un gran conjunto de agent-SFT y alineación RL de agente, finalizada con On-Policy Distillation que pliega dieciséis modelos expertos RL en una única red densa pequeña; además de contexto largo nativo y modos de respuesta híbridos rápidos/deliberados. Su configuración publicada establece una ventana de contexto de 131,072 tokens (los materiales de julio promocionaban 512K; la configuración lanzada no lo contiene), y la ficha afirma llamadas a herramientas en estilo XML con un parser SGLang integrado. En su propia tabla de evaluación reporta un promedio interno de 53.9 en el conjunto de comparación seleccionado por el proveedor, un AIME 2025/2026 de 86.5, un MATH-500 de 94.6 y un 46.4 en SWE-bench Verified ejecutado por el proveedor, algo que sería notable para un modelo denso de 2.5B si supera las pruebas independientes.

El cara a cara que alguien ya imprimió

Debido a que los marcadores comparativos entre proveedores son mayormente como comparar peras con manzanas, el artefacto más útil en este enfrentamiento es el que ModelBest imprimió él mismo: la ficha de MiniCPM5-2B lista a granite-4.2-3B entre sus líneas base e informa que MiniCPM5-2B promedia 53.9 frente a los 42.7 de Granite en esa suite. Léelo exactamente por lo que es: un proveedor ejecutando ambos modelos en una suite que seleccionó, sin resultados reproducidos, con todos los incentivos para que su propio modelo gane. No es un veredicto. Lo que sí te dice es que ModelBest tuvo la confianza suficiente para incluir el 3B de un competidor en su ficha, y la brecha que afirma es mayor exactamente donde su propio entrenamiento invirtió: las filas de agente y contexto largo. Trátalo como una afirmación direccional, y sopesa las afirmaciones de la propia ficha separada de IBM antes de decidir nada sobre ello.

El marcador, etiquetado honestamente

• Lanzamiento — MiniCPM5-2B: anunciado el 19 de julio de 2026; pesos disponibles del 6 al 7 de septiembre, discretamente. Granite 4.2 3B: pesos a principios de agosto; ficha y blog técnico el 25 de agosto de 2026.

• Rol — MiniCPM5-2B: énfasis en agente en el dispositivo y uso de herramientas, según ModelBest. Granite 4.2 3B: especialista en razonamiento, deliberadamente no agéntico, según IBM.

• Tamaño — MiniCPM5-2B: 2.52B total / 1.98B sin embeddings, 42 capas. Granite 4.2 3B: ~3B denso, 40 capas.

• Contexto — MiniCPM5-2B: 131,072 tokens en la configuración incluida. Granite 4.2 3B: 128K nativo, ampliable a 512K.

• Post-entrenamiento — MiniCPM5-2B: SFT de pensamiento profundo, RL especializado, destilación on-policy. Granite 4.2 3B: SFT de razonamiento, RL con GRPO y RLHF; sin bloque de RL agéntico.

• Evidencia — MiniCPM5-2B: afirmaciones de la tarjeta de ModelBest, sin ejecución independiente. Granite 4.2 3B: afirmaciones de la tarjeta de IBM, no reproducidas; AIME 2025 78.33, GPQA 54.80, LiveCodeBench v6 69.71.

El marcador de arriba tiene la misma fuente que el texto: cada cifra que figura en él es reportada por el proveedor, y la única comparación con la misma suite que ha publicado cualquiera de los proveedores es la que aparece en la propia tarjeta de ModelBest.

Especialista en razonamiento vs. stack de agentes

Antes de las puntuaciones, decide qué tipo de modelo pequeño necesita tu carga de trabajo, porque estos dos responden a preguntas distintas. Granite 4.2 3B está construido para razonamiento y contexto largo en hardware limitado: una ventana nativa de 128K que se extiende hasta 512K, tres modos de pensamiento, una huella que cabe en un portátil y una decisión explícita de omitir el entrenamiento agéntico. Si tu tarea es el análisis de documentos largos, contexto a escala de repositorio o razonamiento fiable de varios pasos en un equipo pequeño, es un encaje coherente, y la decisión de IBM de no atribuir capacidades agénticas al 3B es un motivo para confiar en su ficha, no una carencia. MiniCPM5-2B está construido con el énfasis opuesto: comportamiento agéntico y uso de herramientas en un dispositivo — el proceso de entrenamiento parece una lista de cosas que Granite 4.2 3B omitió deliberadamente. Si tu tarea es un bucle de agente en el dispositivo que llama a herramientas, mantiene conversaciones largas y alterna entre respuestas rápidas y meditadas, esa es la pila pensada para ti, y conlleva la incertidumbre adicional de un checkpoint de una semana de antigüedad con una ficha sin verificar.

Los datos que OpenBMB abrió, IBM no.

La diferencia menos glamurosa es la que más importa a los equipos que quieren hacer fine-tuning. OpenBMB publicó los corpus de entrenamiento de MiniCPM5-2B junto con los pesos: la familia UltraData, incluidos Ultra-FineWeb, UltraX, UltraData-Code, UltraData-Math y los conjuntos de SFT y RL para agentes, todo bajo Apache-2.0. Eso convierte al 2B de una caja negra en una receta reproducible: puedes ver sobre qué se construyó el post-entrenamiento agéntico y continuarlo en tu propio dominio. IBM liberó los pesos de Granite 4.2 3B y dio un relato técnico detallado de cómo se construyó, pero no los datos de entrenamiento. Para una organización que quiere ser dueña del modelo en lugar de alquilarlo, esa asimetría es real. Y MiniCPM5-2B incluye una historia de despliegue que Granite no iguala a este tamaño: adaptación desde el día cero en nueve familias de chips a través de la comunidad FlagOS de ModelBest, desde Huawei Ascend hasta NVIDIA, pasando por un abanico de aceleradores domésticos, además de ARM: una señal de que ModelBest espera que el 2B corra en algún lugar que no sea una GPU de NVIDIA.

La realidad del enrutamiento

Ninguno de los dos modelos se encuentra hoy en un catálogo alojado, por lo que esta comparación vive en el mundo del autoalojamiento — pero ahí es exactamente donde una capa de enrutamiento sigue justificando su presencia como red de seguridad, más que como mecanismo de entrega. Cuando un equipo quiere probar un modelo agéntico 2B de una semana de antigüedad frente a un 3B de razonamiento en una carga de trabajo que ya atiende, la jugada reversible es apuntar una ruta de prueba a una compilación autoalojada de MiniCPM5-2B a través de una única API con conmutación automática por error, mientras la producción permanece en el modelo ya probado — la nueva pila puede atascarse sin derribar nada, y los precios de lista de los proveedores de los modelos alojados con los que comparas se transmiten con un margen del 0%, así que la prueba A/B sigue siendo barata. La capa no aloja ninguno de los dos modelos; hace que el experimento sea seguro de ejecutar y fácil de revertir.

¿Qué modelo pequeño deberías ejecutar realmente?

Ejecuta Granite 4.2 3B si tu carga de trabajo es razonamiento de contexto largo en una máquina de gama portátil y quieres tres modos de pensamiento, un techo de 512K y una tarjeta honesta que te diga exactamente para qué no fue entrenado el 3B. Ejecuta MiniCPM5-2B si tu carga de trabajo es un agente interactivo en el dispositivo con llamada a herramientas, donde un 2.5B cabe en tu presupuesto de memoria — pero reserva tiempo para reproducir sus cifras principales antes de confiar en él, porque el promedio de 53.9 y la afirmación de 46.4 en SWE-bench son del proveedor y de nadie más hasta ahora. Dos cosas resolverán este enfrentamiento más rápido que cualquier opinión: una ejecución independiente de MiniCPM5-2B que confirme o desmienta las afirmaciones sobre su capacidad agéntica, y que los números de razonamiento de IBM sobrevivan a la reproducción comunitaria. Hasta que una de esas llegue, Granite 4.2 3B es hoy el modelo pequeño más seguro y mejor documentado, y MiniCPM5-2B es la apuesta más interesante.