
MiniCPM5-2B vs. Granite 4.2 3B: el especialista en razonamiento de 3B frente a la nueva pila de agentes de 2.5B
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 186 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 por 1M de tokens · 86 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 por 1M de tokens · 151 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 192 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 86 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 705 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 por 1M de tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 101 tok/s
ModelBest puso a Granite 4.2 3B en la propia tabla de puntuaciones de MiniCPM5-2B antes de que nadie se lo pidiera. La ficha del modelo MiniCPM5-2B que OpenBMB publicó cuando los pesos se lanzaron discretamente en Hugging Face incluye el modelo de razonamiento más pequeño de IBM entre sus líneas base de comparación, y en esa suite muestra a MiniCPM5-2B con un promedio de 53.9 frente a 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 la convierte en el lugar natural para empezar —y el lugar natural para ser cauteloso. Ambos modelos son lanzamientos pequeños, Apache-2.0, de pesos abiertos y autoalojados, destinados al mismo trabajo de finales de 2026; simplemente lo abordan desde extremos opuestos: uno entrenado para razonar y otro entrenado para actuar.
Los dos lanzamientos riman más de lo que sugiere el marketing de sus proveedores. MiniCPM5-2B se presentó en la World Artificial Intelligence Conference el 19 de julio como el buque insignia para dispositivos de ModelBest y OpenBMB —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 checkpoints GGUF, MLX, GPTQ, base, SFT y draft, y los datos de entrenamiento detrás de ellos. Granite 4.2 3B es el modelo de razonamiento de IBM del tamaño de una laptop, cuyos pesos llegaron a Hugging Face a principios de agosto y cuya tarjeta 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 origen a continuación importan más que los dígitos.
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 embeddings), 42 capas con tamaño oculto de 2048, atención de consultas agrupadas con 16 cabezas de consulta y dos cabezas KV, y una arquitectura estándar LlamaForCausalLM sin kernels personalizados. El discurso de lanzamiento hizo hincapié en la capacidad agéntica —entrenamiento intermedio de agentes a escala de 200B, un gran conjunto de SFT para agentes y alineación por RL para agentes, culminado con On-Policy Distillation, que reintegra dieciséis modelos expertos de RL en una única red densa pequeña—, además de contexto largo nativo y modos de respuesta híbridos rápido/deliberado. Su configuración publicada establece una ventana de contexto de 131 072 tokens (los materiales de julio promocionaban 512K; la configuración publicada no contiene eso), y la ficha afirma llamadas a herramientas 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 de la ficha, un AIME 2025/2026 de 86,5, MATH-500 de 94,6, y un 46,4 ejecutado por el proveedor en SWE-bench Verified que sería notable para un modelo denso de 2,5B si sobrevive a pruebas independientes.

El cara a cara que alguien ya imprimió
Debido a que las tablas de puntuación entre proveedores son en su mayoría comparaciones de peras con manzanas, el artefacto más útil de esta comparación es el que ModelBest publicó por sí misma: la ficha de MiniCPM5-2B incluye granite-4.2-3B entre sus líneas base e informa que MiniCPM5-2B promedia 53.9 frente a 42.7 de Granite en ese conjunto de pruebas. Léelo exactamente como lo que es: un proveedor ejecutando ambos modelos en un conjunto de pruebas que él mismo seleccionó, no replicado, con todos los incentivos para que su propio modelo gane. No es un veredicto. Lo que sí te dice es que ModelBest tuvo la suficiente confianza como para poner un 3B de la competencia en su ficha, y la brecha que afirma es mayor justo donde invirtió su propio entrenamiento: las filas agénticas y de contexto largo. Trátalo como una afirmación direccional y sopesa las afirmaciones separadas de la propia ficha de IBM antes de decidir algo al respecto.
El marcador, etiquetado honestamente
• Lanzamiento — MiniCPM5-2B: anunciado el 19 de julio de 2026; pesos disponibles el 6-7 de septiembre, de forma discreta. Granite 4.2 3B: pesos a principios de agosto; tarjeta y blog técnico el 25 de agosto de 2026.
• Rol — MiniCPM5-2B: énfasis en agente en dispositivo y uso de herramientas, según ModelBest. Granite 4.2 3B: especialista en razonamiento, deliberadamente no agéntico según IBM.
• Tamaño — MiniCPM5-2B: 2,52B en total / 1,98B sin embedding, 42 capas. Granite 4.2 3B: ~3B denso, 40 capas.
• Contexto — MiniCPM5-2B: 131.072 tokens en la configuración de lanzamiento. Granite 4.2 3B: 128K nativos, ampliables a 512K.
• Post-entrenamiento — MiniCPM5-2B: SFT de pensamiento profundo, RL especializado, Destilación On-Policy. Granite 4.2 3B: SFT de razonamiento, RL GRPO y RLHF; sin bloque de RL agéntico.
• Evidencia — MiniCPM5-2B: afirmaciones de la ficha de ModelBest, sin ejecución independiente. Granite 4.2 3B: afirmaciones de la ficha de IBM, sin reproducir; AIME 2025 78.33, GPQA 54.80, LiveCodeBench v6 69.71.

El cuadro de resultados de arriba tiene el mismo origen que el texto: todas las cifras que aparecen en él son reportadas por el proveedor, y la única comparación de la misma suite que cualquiera de los dos proveedores ha publicado es la que figura en la propia ficha de ModelBest.
Especialista en razonamiento vs pila de agentes
Antes de las puntuaciones, decide qué tipo de modelo pequeño necesita tu carga de trabajo, porque estos dos responden a preguntas diferentes. Granite 4.2 3B está diseñado para razonamiento y contexto largo en hardware limitado: una ventana nativa de 128K que se extiende hasta 512K, tres modos de pensamiento, un tamaño que cabe en un portátil y una decisión explícita de omitir el entrenamiento agéntico. Si tu trabajo es el análisis de documentos largos, el contexto a escala de repositorio o el razonamiento fiable de varios pasos en un equipo pequeño, eso encaja de forma coherente, y la decisión de IBM de dejar las afirmaciones agénticas fuera del 3B es una razón para confiar en su ficha en lugar de una carencia en ella. MiniCPM5-2B está diseñado para el énfasis opuesto: comportamiento agéntico y uso de herramientas en un dispositivo; el pipeline de entrenamiento se lee como una lista de cosas que Granite 4.2 3B dejó fuera deliberadamente. Si tu trabajo es un bucle de agente en el dispositivo que llama a herramientas, mantiene conversaciones largas y alterna entre respuestas rápidas y deliberadas, ese es el stack pensado 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 lo hizo.
La diferencia menos glamurosa es la que más les 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, que incluye 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 como código abierto los pesos de Granite 4.2 3B y ofreció un relato técnico detallado de cómo se construyó, pero no los datos de entrenamiento. Para una organización que quiere poseer el modelo en lugar de alquilarlo, esa asimetría es real. Y MiniCPM5-2B llega con 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 y una variedad de aceleradores nacionales, además de ARM —una señal de que ModelBest espera que el 2B se ejecute 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?
Usa Granite 4.2 3B si tu carga de trabajo es razonamiento de contexto largo en un equipo de clase portátil y quieres tres modos de pensamiento, un límite de 512K y una ficha honesta que te diga exactamente lo que el 3B no fue entrenado para hacer. Usa MiniCPM5-2B si tu carga de trabajo es un agente interactivo en el dispositivo que llama a herramientas, donde un 2.5B encaja en tu presupuesto de memoria, pero reserva tiempo para reproducir sus cifras destacadas 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 todavía. Dos cosas resolverán este enfrentamiento más rápido que cualquier opinión: una ejecución independiente de MiniCPM5-2B que confirme o hunda las afirmaciones agénticas, y que los números de razonamiento de IBM sobrevivan a la reproducción de la comunidad. Hasta que una de esas cosas llegue, Granite 4.2 3B es el modelo pequeño más seguro y mejor documentado hoy, y MiniCPM5-2B es la apuesta más interesante.
