Granite 4.2 3B เปิดตัวแล้ว: โมเดล reasoning ขนาดแล็ปท็อปของ IBM ทำคะแนนได้ 78.33 ใน AIME 2025

คุณสามารถรัน Granite 4.2 3B บนแล็ปท็อปได้ในคืนนี้ นั่นคือข้อเท็จจริงเชิงปฏิบัติภายใต้ตัวเลขพาดหัว: IBM เปิดตัว Granite 4.2 3B เมื่อวันที่ 25 สิงหาคม 2026 ภายใต้สัญญาอนุญาต Apache-2.0 โดยเป็นโมเดลที่เล็กที่สุดในบรรดาโมเดลเหตุผลแบบ dense สามตัวในตระกูล Granite 4.2 ใหม่ — Granite 4.2 3B, Granite 4.2 8B และ Granite 4.2 30B — และการ์ดโมเดลระบุคะแนน 78.33 ในการทดสอบ AIME 2025 ซึ่งเป็นคะแนนการให้เหตุผลทางคณิตศาสตร์ที่เมื่อไม่กี่ปีก่อนมีเพียงโมเดลที่ใหญ่กว่าร้อยเท่าเท่านั้นจึงจะได้ น้ำหนักของโมเดลมีพารามิเตอร์ประมาณ 3 พันล้านตัว: หกถึงแปดกิกะไบต์ในรูปแบบ bfloat16 และต่ำกว่าสองกิกะไบต์เมื่อใช้การควอนไทซ์เชิงปฏิบัติ นั่นคือประเด็นทั้งหมดของการเปิดตัวครั้งนี้ — โมเดลเหตุผลที่เคยต้องซื้อในระดับดาตาเซ็นเตอร์ ตอนนี้ใส่ลงกระเป๋าได้แล้ว

กรอบการพูดตรงไปตรงมาต้องอยู่เคียงข้างสิ่งนั้น ทุกตัวเลขบนการ์ดเป็นของ IBM เอง พิมพ์ในวันที่เพิ่มค่าน้ำหนัก และไม่มีห้องปฏิบัติการอิสระใดที่ทำซ้ำผลเหล่านั้นได้ ยังไม่มี hosted API — การ์ดไม่ได้ระบุผู้ให้บริการ inference — ดังนั้นหนทางเดียวที่จะพบกับโมเดลนี้ในวันนี้คือรันด้วยตัวเองหรือรอให้ hosted tier ปรากฏขึ้นมา นี่คือการอ่านค่าตามสิ่งที่เรารู้ตอนนี้ของสมาชิกที่เล็กที่สุดในตระกูล ซึ่งหมายถึงต้องแม่นยำว่าข้อกล่าวอ้างใดที่ repository สนับสนุนจริง

สิ่งที่ปล่อยออกมา และเงียบแค่ไหน

Granite 4.2 คือรุ่นการให้เหตุผลของ IBM — ตระกูล Granite รุ่นแรกที่สร้างขึ้นรอบแนวคิด chain-of-thought อย่างชัดเจน และเป็นรุ่นแรกที่เพิ่มการฝึกอบรมแบบ agentic ในขนาดใหญ่สำหรับสมาชิกที่มีขนาดใหญ่กว่า ทั้งสามขนาดเป็น Transformer แบบ dense และ decoder-only ภายใต้สัญญาอนุญาต Apache 2.0 ผ่านการฝึกก่อนด้วยโทเคนประมาณ 15 ล้านล้านโทเคนในห้าเฟส และทั้งหมดรองรับบริบทดั้งเดิม 128K พร้อมส่วนขยายบริบทยาวถึง 512K การประกาศครั้งนี้ไม่ใช่การเปิดตัวผ่านสื่อ แต่แหล่งข้อมูลหลักคือบล็อกเทคนิคของ Hugging Face เรื่อง "Granite 4.2 LLMs: How They're Built" ซึ่งเผยแพร่พร้อมกับโมเดลการ์ดเมื่อวันที่ 25 สิงหาคม สื่อเทคโนโลยีจีนนำเสนอข่าวตระกูลนี้ภายในไม่กี่ชั่วโมง และ Ollama ก็มีรายการ build granite4.2:3b อยู่แล้ว

อะไรที่ทำให้ 3B เป็นสมาชิกขอบ

The 3B ถูก post-trained มาจาก Granite-4.1-3B-Base และสิ่งที่ทำให้มันแตกต่างจากรุ่นพี่รุ่นน้องคือสิ่งที่มันไม่มี Granite 4.2 8B และ Granite 4.2 30B ต่างได้รับการฝึกอบรมแบบ agentic reinforcement learning ของ IBM ซึ่งเป็นการฝึกที่สอนให้โมเดลใช้งานเทอร์มินัล รันโค้ด และค้นหาเว็บภายในสภาพแวดล้อมแบบแซนด์บ็อกซ์ นั่นจึงเป็นเหตุผลที่สองรุ่นนี้มีคะแนน SWE-Bench และ Terminal-Bench ส่วน 3B ข้ามบล็อกนั้นทั้งหมด การ์ดของมันไม่รายงานผล SWE-Bench หรือ Terminal-Bench เนื่องจากไม่เคยถูกฝึกด้วยชุดฝึก agentic-RL เลย

สิ่งที่ 3B คงไว้คือแกนการให้เหตุผลและอินเทอร์เฟซ:

พารามิเตอร์ — 3B (รวมประมาณ 4B ทั้งหมดเมื่อนับ embeddings ตามข้อมูลเมตาของ safetensors), Transformer แบบ dense decoder-only ที่สร้างจาก Granite-4.1-3B-Base

• สถาปัตยกรรม — grouped-query attention (40 heads, 8 KV heads), RoPE ที่ θ=10,000,000, SwiGLU MLP (hidden size 8,192), RMSNorm, bfloat16.

บริบท — รองรับ 131,072 โทเค็นในตัว; เฟส pre-training ที่ห้าขยายหน้าต่างเป็น 512K

• โหมดการคิด — การคิดเต็มรูปแบบโดยค่าเริ่มต้น (<think>...</think>), ไม่คิดโดยใช้ enable_thinking=False, และโหมดใช้ความพยายามต่ำที่ใช้งบประมาณการคิดสั้น ๆ สำหรับคำถามง่าย ๆ

• การเรียกใช้เครื่องมือ — การเรียกใช้ฟังก์ชันที่เข้ากันได้กับ OpenAI ใช้สคีมาเดียวกับรุ่นพี่ที่มีขนาดใหญ่กว่า ให้บริการผ่าน vLLM endpoint; มีการบันทึกการผสานรวมกับ OpenHands, OpenCode และ Pi ไว้

• ภาษา — ทดสอบแล้ว 12 ภาษา: อังกฤษ, เยอรมัน, สเปน, ฝรั่งเศส, ญี่ปุ่น, โปรตุเกส, อาหรับ, เช็ก, อิตาลี, เกาหลี, ดัตช์, จีน

• การให้บริการ (Serving) — Hugging Face Transformers, vLLM (v0.20+ พร้อม dedicated thinking parser), SGLang, GGUF builds สำหรับ llama.cpp, การควอนไตซ์ FP8/NVFP4/MXFP4 และ Ollama

ตัวเลขที่ผู้จำหน่ายรายงาน

การ์ดระบุคะแนนความสามารถในการให้เหตุผลที่แข็งแกร่ง และทุกคะแนนล้วนเป็นของ IBM เอง ในการประเมินคณิตศาสตร์และการให้เหตุผล โมเดล 3B ระบุคะแนน 78.33 บน AIME 2025, 66.67 บน HMMT February 2025, 54.80 บน GPQA และ 69.71 บน LiveCodeBench v6 ในการปฏิบัติตามคำสั่ง: 67.84 บน MMLU-Pro และ 74.33 บน IFBench ในบริบทระยะยาว คะแนน RULER คือ 67.52 ที่ 64K และ 55.30 ที่ 128K ในการประเมินทั่วไปแบบ agentic โมเดล 3B ทำได้ — การใช้เครื่องมือพื้นฐาน โดยไม่มีบล็อก agentic-RL — โดยระบุคะแนน 52.41 บน BFCL v4

ไม่มีสิ่งใดในส่วนนี้ได้รับการทำซ้ำอย่างอิสระ โมเดลดังกล่าวเปิดตัวเมื่อวันที่ 25 สิงหาคม; Artificial Analysis ยังไม่มีรายการสำหรับมัน และยังไม่มีการประเมินจากบุคคลที่สามเผยแพร่ ตัวเลข AIME 78.33 เป็นตัวเลขที่ต้องจับตามอง: สำหรับโมเดลแบบหนาแน่นระดับ 3B มันอยู่สูงกว่าช่วงที่โมเดลเปิดขนาดเล็กเคยทำได้ในอดีตอย่างมาก และตัวเลขบนกระดาษแบบนี้คือสิ่งที่การทดสอบทำซ้ำจะยืนยันหรือลดความสำคัญลงอย่างเงียบ ๆ จงถือว่าตัวเลขทุกตัวในส่วนนี้เป็นการกล่าวอ้างของ IBM

สิ่งที่ได้รับการยืนยันแล้ว และสิ่งที่ยังไม่ได้รับการยืนยัน

ยืนยันโดยอาร์ติแฟกต์: น้ำหนักโมเดลดาวน์โหลดได้; ใบอนุญาตเป็น Apache 2.0; สถาปัตยกรรม ความยาวบริบท โหมดการให้เหตุผล และอินเทอร์เฟซการเรียกใช้เครื่องมือตรงกับการ์ด; และสูตรการฝึกได้รับการบันทึกไว้อย่างละเอียดผิดปกติ ไปจนถึงสัดส่วนข้อมูลและคลัสเตอร์ NVIDIA GB200 NVL72 (โฮสต์โดย CoreWeave) ที่ใช้ฝึกตระกูลโมเดล ยืนยันโดยงานผสานรวมในวันวางจำหน่าย: Ollama แสดง granite4.2:3b อยู่แล้ว และการ์ดระบุเส้นทางการให้บริการ vLLM, SGLang, Transformers และ GGUF

ยังไม่ได้รับการยืนยัน: ผลการวัดประสิทธิภาพจากหน่วยงานอิสระ; ว่าจะมี hosted API — ไม่ว่าจะเป็น watsonx ของ IBM เองหรือบุคคลที่สาม — เกิดขึ้นหรือไม่และในราคาเท่าใด; ส่วนขยาย 512K จะมีพฤติกรรมอย่างไรกับงานเอกสารยาวจริง มากกว่าการทดสอบเข็มแบบ RULER; และการเรียกใช้เครื่องมือพื้นฐานของรุ่น 3B จะทำงานได้ดีเพียงใดในลูปเอเจนต์การผลิตจริงที่ไม่มี การฝึกแบบ agentic-RL ให้พึ่งพา

จุดที่ 3B แข่งขัน และวิธีทดสอบ

ข้อเดิมพันของ 3B คือการมองว่าความเล็กและความเป็นท้องถิ่นคือจุดเด่น ไม่ใช่การประนีประนอม ด้านล่างของมันคือจุดสิ้นสุดของตระกูล — 3B คือรุ่นเล็กที่สุดของไลน์ Granite 4.2 — และรอบ ๆ มัน สนามของโมเดล reasoning ระดับประหยัดบนฝั่งโฮสต์นั้นหนาแน่น โดยมี DeepSeek V4 Flash และ Gemini 3.5 Flash-Lite เป็นเสาหลักของระดับ reasoning แบบโฮสต์ราคาถูก และโมเดล open-weight ขนาดเล็กที่ทยอยออกมาตลอดทั้งปี 3B แตกต่างจากทั้งหมดในแง่หนึ่งโดยเฉพาะ: มันเป็นโมเดลแบบ dense, ใช้สัญญา Apache-2.0 และเล็กพอที่ต้นทุนส่วนเพิ่มของแต่ละคำขอคือค่าไฟฟ้าของ GPU ระดับกลางหนึ่งตัว — และมันก็ยังใหม่ ยังไม่ผ่านการพิสูจน์ และไม่มีการประเมินจากบุคคลที่สามแม้แต่ครั้งเดียว

การผสมผสานแบบนั้นคือจุดที่เลเยอร์การจัดเส้นทางแสดงคุณค่าของมันอย่างแท้จริง OrcaRouter ไม่ได้จัดเส้นทางให้ Granite 4.2 3B — ความจริงที่ตรงไปตรงมาเกี่ยวกับความพร้อมใช้งานคือการโฮสต์ด้วยตนเองผ่าน vLLM, SGLang, หรือ Ollama หรือผ่านช่องทางของ IBM เองเมื่อปรากฏขึ้น — แต่โมเดลโฮสต์ที่มันแข่งขันด้วยนั้นอยู่บน OrcaRouter ในราคาตามรายการของผู้ให้บริการ โดยส่งผ่านด้วยมาร์กอัป 0% ภายใต้คีย์ API เดียว หากคุณกำลังสร้างชุดทดสอบเปรียบเทียบที่ตัดสินว่าการใช้เหตุผลภายในเครื่องของ 3B ดีกว่าการเช่าโมเดลโฮสต์ราคาประหยัดหรือไม่ คีย์หนึ่งชี้ไปที่ฝั่งโมเดลโฮสต์ คุณทดสอบ A/B โมเดลโฮสต์นั้นเทียบกับ Granite ที่โฮสต์เองผ่านเอนด์พอยต์เดียว และการเฟลโอเวอร์อัตโนมัติจะครอบคลุมช่วงเวลาที่พูล GPU ของคุณเองอิ่มตัว การลดราคาสำหรับโมเดลโฮสต์ทางเลือกเหล่านั้นจะแสดงในราคาที่ส่งผ่านในวันเดียวกับที่เกิดขึ้น

ดูอะไรดี

สามสิ่งจะตัดสินว่าการเปิดตัวครั้งนี้จะถูกจดจำอย่างไร ประการแรก การทำซ้ำผลลัพธ์ AIME และ GPQA อย่างอิสระ — ช่องว่างระหว่าง 78.33 บนการ์ดกับ 78.33 จากการรันของบุคคลที่สามคือจุดที่คำกล่าวอ้างของโมเดลขนาดเล็กจะอยู่รอดหรือล้มเหลว ประการที่สอง watsonx หรือผู้ให้บริการรายอื่นจะรับโมเดล 3B ไปหรือไม่ และในราคาต่อโทเค็นเท่าไร โมเดล reasoning แบบ quantized ที่มีขนาดต่ำกว่า 2 กิกะไบต์สามารถกลายเป็นบริการระดับโฮสต์ที่ถูกอย่างน่าทึ่งได้ ประการที่สาม โหมด reasoning แบบใช้ความพยายามต่ำจะรักษาคุณภาพของคำถามง่าย ๆ ได้หรือไม่ เพราะโหมดนั้นคือสิ่งที่ทำให้โมเดล reasoning ขนาดเท่าแล็ปท็อปใช้งานได้จริงในปริมาณการใช้งานผลิตภัณฑ์จริง Granite 4.2 3B เป็นโมเดล reasoning ที่เปิดกว้างอย่างแท้จริง มีเอกสารประกอบครบถ้วน เปิดตัวเงียบ ๆ และสามารถรันบนฮาร์ดแวร์ของคุณได้ภายในพรุ่งนี้ คำถามที่ยังค้างอยู่ทั้งหมดจะมีคำตอบภายในไม่กี่สัปดาห์