LBS-27B vs Granite 4.2 30B: Dense by Design tegen een specificatie die niet bestaat

IBM maakte een bewuste keuze met Granite 4.2 30B: het hield het model dense. Vierenzestig lagen, een feed-forwardblok met een breedte van 32.768, elke parameter wordt voor elk token gelezen. In een jaar waarin de meeste labs van deze omvang naar mixture-of-experts-routing grepen, leverde IBM een rechttoe rechtaan 30B-model en stemde de prijs daarop af. Die beslissing is de juiste invalshoek om het te vergelijken met LBS-27B, want het enige dat we over de nieuwe repository van inclusionAI weten, is een naam en een licentie — en de eerste vraag die die naam moet beantwoorden, is of die een dense model of een sparse model beschrijft.

Granite 4.2 30B heeft een volledig openbaar dossier: gewichten sinds augustus 2026, een Apache-2.0-licentie, een modelkaart met negentien benchmarkrijen en een gedocumenteerde tool-calling-stack. LBS-27B heeft een repository die op 26 oktober 2026 is aangemaakt, met een .gitattributes-bestand en een README van 28 bytes die Apache-2.0 vermeldt en verder niets zegt. Dit is geen vergelijking van twee modellen. Het is een vergelijking van één model met een specificatie die nog niet is geschreven, en de bruikbare output is een lijst van de specifieke zaken die die specificatie zou moeten bevatten.

Wat IBM daadwerkelijk heeft uitgebracht

Granite 4.2 30B is een dense decoder met 30 miljard parameters — Hugging Face vermeldt 29B in BF16 — over 64 lagen, een verborgen grootte van 4.096, 32 aandachtshoofden en 8 key-value-hoofden binnen gegroepeerde-query-attentie. De woordenschat bestaat uit 100.352 tokens, de native context bedraagt 131.072 en IBM documenteert een lange-contextuitbreiding tot 512K. Het model is alleen voor tekst. De kaart noemt twaalf geteste talen: Engels, Duits, Spaans, Frans, Japans, Portugees, Arabisch, Tsjechisch, Italiaans, Koreaans, Nederlands en Chinees.

Het is een redeneermodel in de gewone zin van 2026. De kaart beschrijft full-thinking-, non-thinking- en low-effortmodi, waarbij redeneringen in think-tags zijn verpakt. Het is fine-tuned op Granite 4.1 30B Base, uitgebracht onder Apache-2.0, en IBM dateert de release op 25 augustus 2026.

Dense is geen technische tekortkoming. Het is een ruil. Een dense model heeft voorspelbaar reken- en geheugengedrag per token, geen router die een token verkeerd kan leiden, geen expert-parallelle sharding die ontworpen moet worden, en een fine-tuningverhaal dat zich gedraagt zoals de meeste teams verwachten. In ruil daarvoor kost het per token meer om te serveren dan een sparse model van dezelfde totale omvang. IBM verkoopt die ruil aan ondernemingen die liever een saaie implementatie hebben dan een goedkope.

Een benchmarkprofiel met een vorm

De modelkaart van Granite is ongewoon compleet, waardoor je kunt zien waarin het model sterk is en waarin niet. Al deze gegevens zijn door de leverancier gerapporteerd en niet onafhankelijk gereproduceerd.

• Wiskunde — AIME25 89.17 en HMMT February 2025 89.17. Dit zijn de opvallendste cijfers op de kaart, en ze liggen ruim boven wat een 30B-model een jaar geleden presteerde.

• Kennis en wetenschap — GPQA 66,41, MMLU-Pro 77,60, MMLU-ProX lite 66,64, SciCode 38,76. Competent, maar niet toonaangevend. De kloof tussen een AIME-score rond 90 en een GPQA-score in de midden-60 is typerend voor dit model: het is beter in het uitwerken van een gestructureerd probleem dan in het ophalen van of redeneren over brede domeinkennis.

• Software-engineering — SWE-Bench Verified 57, SWE-Bench Pro 33.29, SWE-Bench Multilingual 41.89, Terminal-Bench 2.1 29.24, LiveCodeBench v6 75.77. De daling van LiveCodeBench naar Terminal-Bench is groot, en dat is belangrijk: vaardigheid in competitief programmeren is niet hetzelfde als het afronden van een taak met meerdere stappen in een echte terminal.

• Lange context — RULER 64K 89,96 en RULER 128K 81,38. Dit is het meest geruststellende paar op de kaart, omdat het retrieval over het hele venster meet in plaats van aan te nemen dat een grote context ook een bruikbare is. Een daling van zeven punten van 64K naar 128K is een flauwe helling.

• Instructieopvolging en chat — IFBench 77.17, Arena-Hard-V2 67.93, tau3 gemiddeld 62.00, BFCL v4 61.39.

De eerlijke lezing is dat Granite 4.2 30B een degelijk, maar ongelijkmatig model is: uitstekend in wedstrijdwiskunde en het ophalen van informatie uit lange contexten, gewoon in brede kennis en middenmoot bij agentisch softwarewerk. Dat is een specifiek product, geen generiek product.

Tool calling is het argument dat IBM maakt

De term die IBM gebruikt is "reasoning-augmented tool calling" — het model redeneert over welke tool het moet aanroepen en waarom voordat het die aanroept. De implementatiedetails zijn praktisch in plaats van exotisch: functiedefinities in OpenAI-stijl, een vLLM-toolparser met de naam qwen3_coder, automatische resolutie door SGLang naar dezelfde parser, en integraties met OpenCode, Pi en OpenHands.

Of dat beter is dan de alternatieven, is een empirische vraag, en de cijfers op de kaart zelf zijn niet eenduidig. BFCL v4 op 61,39 en tau3 op 62,00 zijn respectabel maar niet dominant; de modellen die die ranglijsten aanvoeren, zijn over het algemeen groter. Wat Granite biedt, is een gedocumenteerd, reproduceerbaar tool-callingtraject met een permissieve licentie en een dens servingprofiel — vaak precies wat een enterprise-agentproject echt nodig heeft, meer dan een kroon op een ranglijst.

Dit is het gebied waarop LBS-27B als eerste zal worden beoordeeld als het op dezelfde koper is gericht. Een model dat niet betrouwbaar tools kan aanroepen, is geen kandidaat voor agentisch werk, ongeacht zijn MMLU-score, en evaluaties van tool-calling zijn precies het soort dingen dat niet in een repository verschijnt voordat het model klaar is.

De LBS-27B-zijde van de pagina

Er valt heel weinig te zeggen, en het is belangrijk dat precies te zeggen in plaats van de ruimte te vullen met gevolgtrekkingen.

• De repository bestaat. Hij is aangemaakt op 26 oktober 2026 om 05:36 UTC en is sindsdien niet gewijzigd.

• Het bevat twee bestanden: een 1.519-byte .gitattributes-bestand en een README van 28 bytes. De README bestaat alleen uit licentie-frontmatter: license: apache-2.0.

• Er zijn geen gewichten, geen config, geen tokenizer, geen modelkaart en geen evaluatiegegevens. Downloads worden niet bijgehouden en likes zijn nul. We hebben geen aankondiging, paper of publieke discussie gevonden.

• "27B" maakt deel uit van de naam van de repository. Niets in de repository bevestigt dat dit een aantal parameters is, en niets geeft aan of het model dense of sparse is.

Dat laatste punt is geen kleine leemte. Dense en sparse 27B's zijn verschillende producten met een verschillende serveereconomie, verschillend fine-tuninggedrag en verschillende faalmodi. Zolang er geen configuratiebestand bestaat, heeft de Granite-vergelijking één volledig gespecificeerde kant en één lege kant.

De vergelijking, dimensie voor dimensie

• Parameters — Granite 4.2 30B is 30B dense (29B vermeld in BF16); LBS-27B is een niet-geverifieerde 27B zonder bekendgemaakte architectuur.

• Lagen en breedte — 64 lagen met een verborgen grootte van 4.096 voor Granite; onbekend voor LBS.

• Context — 131.072 natives en een gedocumenteerde uitbreiding van 512K voor Granite; onbekend voor LBS.

• Modaliteit — alleen tekst voor Granite; onbekend voor LBS, waarbij alleen tekst het redelijke uitgangspunt is.

• Talen — twaalf geteste talen voor Granite; onbekend voor LBS.

• Redeneermodi — volledig, niet-denkend en lage inspanning voor Granite; onbekend voor LBS.

• Tool-aanroepen — gedocumenteerde route voor functieaanroepen met BFCL v4 61.39 en tau3 62.00 voor Granite; niets gepubliceerd voor LBS.

• Licentie — Apache-2.0 voor Granite; Apache-2.0 aangekondigd voor LBS, wijzigbaar voordat de gewichten worden uitgebracht.

• Beschikbaarheid — Granite-gewichten zijn vandaag downloadbaar en zelf te hosten; LBS heeft niets om te downloaden.

Contextlengte is waar de twee het meest van elkaar zouden kunnen afwijken.

Het 128K native venster van Granite met een 512K-uitbreiding is een bewuste enterprisefunctie, en de RULER-scores suggereren dat het niet alleen marketing is: 81,38 bij 128K is een bruikbaar resultaat. Voor contractbeoordeling, loganalyse, codebase-retrieval en lange audittrails is die combinatie — een gedocumenteerd uitbreidingspad plus retrievalbewijs dicht bij de bovenkant van het venster — waardevoller dan een groter getal zonder onderbouwing.

Als LBS-27B verschijnt met een venster van 256K of 512K, is de interessante vraag niet het getal. Die is of inclusionAI retrieval-evaluaties publiceert aan het uiterste einde ervan. Een venster is een capaciteitsclaim; resultaten in RULER-stijl zijn een bekwaamheidsclaim, en die twee lopen in de praktijk sterk uiteen.

Implementatie, licenties en waar een router past

Beide modellen vermelden Apache-2.0, de meest permissieve uitkomst voor commercieel gebruik en de reden dat Granite populair is bij teams die geen aangepaste licentie kunnen accepteren. Granite 4.2 30B staat niet op OrcaRouter, en LBS-27B ook niet; als je Granite wilt, download je het en host je het zelf, of gebruik je een hostingplatform.

Die self-hosted deployment is precies waar een hybride architectuur zinvol is. Draai Granite op je eigen hardware voor het routinevolume — het classificatie-, extractie- en tool-callingverkeer waar een dense 30B ruim voldoende is — en routeer de echt moeilijke gevallen naar een gehost frontiermodel. OrcaRouter is nuttig voor dat tweede deel: één API-sleutel voor meer dan 200 modellen, automatische failover als een provider verslechtert, en een routing-DSL waarmee je de splitsing als beleid kunt uitdrukken in plaats van als code in drie services. We geven de lijstprijs van de provider door tegen 0% markup, dus de gehoste kant van de factuur is het bedrag van de provider, niet het onze met een marge erbovenop.

Wat we niet zullen beweren, is dat een van beide modellen in deze vergelijking via ons beschikbaar is. Dat is niet zo, en een vergelijkingspagina die het tegendeel suggereert is erger dan nutteloos.

Wat zou deze vergelijking beslechten?

Drie artefacten zouden van deze pagina een echte krachtmeting maken in plaats van een specificatieoefening.

Het eerste is een config.json met expertvelden, die bepaalt of het dense of sparse is en het aantal actieve parameters geeft. Als LBS-27B sparse is met een klein actief aantal, zal het Granite qua serveerkosten onderbieden en wordt de vergelijking een afweging tussen prijs en kwaliteit. Als het dense is, is het een kwestie van directe vervanging en wordt de volwassenheid van IBM's tooling de beslissende factor.

De tweede is een evaluatie van tool-calling op een genoemde harnessversie. Granite's BFCL v4- en tau3-cijfers zijn niet spectaculair, wat betekent dat een nieuw model niet spectaculair hoeft te zijn om ze te verslaan — het moet op dezelfde harness worden gemeten.

Het derde is bewijs voor long-context retrieval bij 128K of meer. De RULER-cijfers van Granite vormen de sterkste onderbouwing van de relevantie voor ondernemingen, en het zijn de cijfers waaraan een uitdager zou moeten worden afgemeten.

Voor een zakelijke inkoper die vandaag een beslissing neemt, is Granite 4.2 30B een bekende grootheid met een permissieve licentie, een gedocumenteerde toolstack en een dense serving-profiel dat veel infrastructuurteams verkiezen. LBS-27B is een naam met een licentieregel. Het verschil tussen beide is geen oordeel over de engineering van inclusionAI. Het is simpelweg het verschil tussen een model dat is gepubliceerd en een dat is achtergehouden.