Granite Switch 4.1 30B 与 Granite 4.2 30B：两款互不竞争的 IBM 30B

把Granite Switch 4.1 30B与Granite 4.2 30B放在一起时，尴尬之处就在这里：它们根本不是同一类东西，所以大多数“正面对比”的框架一碰就散。Granite 4.2 30B 是一个模型——IBM 以 Apache-2.0 许可发布的稠密 30B 推理模型，具备思考模式和智能体工具调用能力。Granite Switch 4.1 30B 的权重于 2026 年 10 月 14 日发布，它是一个运行时：冻结一个 Granite 基础模型，在其上挂载可切换的适配器，用一个检查点向你提供三种能力。你不是像在两个模型之间做选择那样在它们之间做选择。你要选的是：你想要一个模型，还是一个组合层。

话虽如此，在这个范畴错误之下确实隐藏着一个真正的决策，而且它与基准测试毫无关系。Switch 4.1 30B 构建在 Granite 4.1 30B 基础之上。Granite 4.2 30B 是同一家族的新一代，而且可衡量地是更强的通用模型。所以真正的问题是，为了切换机制，是否值得放弃一代基础模型——而这个答案取决于你是在调用模型，还是在交付模型。

并排，逐维度

• 它是什么 — Switch 4.1 30B 是一个组合式检查点（冻结基座 + 两个已激活的 LoRA 适配器 + 一个语音编码器）；Granite 4.2 30B 则是单一的稠密仅解码器模型。

• 参数 — Switch 4.1 30B 在 28,865,728,512 的基础上合成到 29,989,814,272，增量为 +3.89%；Granite 4.2 30B 是一个 30B 稠密模型，没有适配器附加开销，因为它没有适配器。

• 上下文 — 两者原生均支持 131,072 tokens，IBM 的文档还记载了在 Granite 4.2 一侧可将长上下文扩展至 512K。

• 思考模式 — Granite 4.2 30B 在 <think> 标签内具有显式的思维链，且可选努力程度；Switch 4.1 30B 的聊天模板中未接入推理模式。

• 超越文本 — Switch 4.1 30B 可接受音频输入，并返回转录文本以及经过校准的决策分布；Granite 4.2 30B 则两者皆不具备。

• 量化 — Granite 4.2 30B 提供 BF16，以及 FP8、NVFP4、MXFP4、GGUF 和 MLX 构建版本；截至本文撰写时，Switch 检查点仅提供一种精度的版本，尚无官方量化构建版本。

• 许可证——两者均为 Apache-2.0。

• 已公布的分数——Granite 4.2 30B 有一张完整的基准测试表（由厂商自行跑分）；Switch 4.1 30B 只有一个数字，即 Decision Index，而且它衡量的完全是另一回事。

Granite 4.2 30B 在哪些方面完胜

就通用能力而言，两者根本不在一个量级，而且本来也不该放在一起比。IBM 自己为Granite 4.2 30B提供的说明卡显示：MMLU-Pro 77.60、AIME 2025 89.17、GPQA 66.41，SWE-bench Verified 57.00、Terminal-Bench 2.1 29.24——这些全都是厂商自行报告的，跑在 IBM 自家评测框架中基于 NeMo 的测试工具上，IBM 之外无人复现。就算把这些数字只当作厂商的一面之词，它们依然是这两个模型中任何一个唯一存在的可比数据。

结构上的要点比分数更重要。Granite 4.2 30B 是作为推理模型通过智能体强化学习训练出来的，并且随附了围绕它的工具链：面向人们实际拥有的硬件的量化版本、一条长上下文扩展路径，以及一个有文档记录的思考模式开关。Granite Switch 4.1 30B 则是通过将冻结的基础模型与适配器组合而成，而其底层基础模型要老一代。如果你想让一个模型很好地回答难题，较新的稠密模型就是你要的。

Granite Switch 4.1 30B 在哪些方面完胜

三个地方，没有一个是基准。

第一点是，它回答的是一种不同形态的问题。决策适配器接收一个状态和一个带有标注选项的问题，并在单次前向传播中返回这些标签上的校准概率分布——卡片中的示例返回类似 A: 0.982、B: 0.0035、C: 0.014 的结果。这不是你用正则表达式解析的聊天补全。基于选项 logits 的 softmax 进行路由，与请求模型“请用一个字母回复”是两种不同的操作，而整个设计就是为了让校准读数无需机器上的第二个模型即可获得。

第二项是音频。内嵌的 470M Granite Speech 5.0 TurboCTC 编码器会转写传入的音频，并把转写文本拼接进聊天上下文，以替代音频内容部分，因此语音请求就是带有 input_audio 部分的普通聊天请求。这是否是个好主意，完全取决于 IBM 在自己的模型卡中写下的一个注意事项：编码器和语言模型并非联合训练，没有经过训练的投影将二者耦合起来，而且输出仅支持英语、全小写且无标点。一次误转写就会悄然改变模型所回答的问题。

第三是参数开销，而这是一个会比本次发布活得更久的数字。合成后的检查点比基础模型大 3.89%，因为每个适配器读取的都是基础模型的 KV 缓存，而不是维护自己的注意力状态。在传统的多适配器方案中，你每切换一次，就意味着多一套注意力状态，内存账单随适配器数量增长。而在这里，你为安全分类器、决策引擎和语音编码器额外付出 11.2 亿个参数，切换本身则只是聊天模板解析的一个请求参数——不是需要另起一套并保持预热的第二套部署。

数字里的陷阱：50.1 并不是缩小版的 77.60

最有可能误读这一对比的方式，就是把 Switch 模型的50.1与 Granite 4.2 30B 的77.60放在一起，然后得出 Switch 模型只有其三分之二水平的结论。这两个数字描述的并不是同一回事，这种比较毫无意义。

50.1 是 Decision Index 分数——版本 v0.3，1,068 行的公开快速子集——衡量决策适配器对带标签选项的排序效果，并按领域细分：知识 32.4、语言 58.6、检索 49.8、工具 76.5 和艺术 26.4。它是某个适配器完成某一任务的得分，完全不能说明基础模型的聊天质量，因为其底层基础模型并未被该适配器改动。77.60 是 MMLU-Pro，一个面向整个模型的通用知识基准。不同的维度，不同的评测框架，不同的作者。这两个数字唯一正确的用法，是作为关于它实际所测量对象的证据。

不要只读决策指数最显眼的那个数字，而要去看它的分布形态，这样你才能得到真正有用的信息：工具类上是 76.5，艺术类上是 26.4，这说明这个适配器值得用于工具选择类决策，而在创意或开放域分类上，如果没有你自己的评估，就不该信任它。这比任何总体得分都更具可操作性。

到底是什么决定的

如果你在调用一个模型——一个端点、一个提示、一个答案——那么 Granite 4.2 30B 是更新、更好的模型，没有任何理由绕过 Switch 检查点去获取它。

如果你要交付其中一个，算法就不一样了。构建一个必须作答、决策并转写的系统，团队本来要跑三个进程，背负三种延迟和三种内存占用；而 Switch 构建把这一切压缩成一个检查点，其成本只比它所替代的基础版本高出 3.89%。至于需要在固定标签集上获得校准概率的团队，Granite 4.2 30B 里根本没有对等的东西，靠提示词去求取也并不是同一回事。

问题在于底座。购买组合层意味着接受第一代底座，而如今还没有基于 Granite 4.2 底座构建的 Switch checkpoint。IBM 表示更多数据将在“未来几周内”到来，并将 composer 描述为前进之路——任何人都可以使用 granite-switch 工具，从任意 Granite 底座和任意适配器子集构建 Switch checkpoint。IBM 是否会为 4.2 系列这样做，才是值得关注的事，因为那次发布将彻底消除这一整套取舍。

同时运行两者，但不押注任何一方

这两个模型目前都不在 OrcaRouter 目录中，因此两者都意味着要使用你自己的硬件以及 IBM 的发布渠道。这一点值得直白说明，而不是暗示存在一个托管端点。

平台所改变的，是弄清真相的成本。一个密钥即可覆盖 200 多个模型，并支持自动故障转移，而且供应商标价原样透传，0% 加价，因此，当你正在评估的某个模型真的有了托管路由时，把它与生产环境中已在运行的任何模型做对比，不过是一次配置改动，而不是再签一份供应商合同。在这场特定的对比中，这一点尤其重要，因为双方悬而未决的方式如出一辙：Granite 4.2 30B 的基准测试表来自 IBM 自家，且无人复现；而 Granite Switch 4.1 30B 基本上只有一个已公布的数字，完全没有任何独立评估。仅凭模型卡，两者都不配拿到生产环境的一席之地。两者都值得你用自己一周的真实流量去检验。

判决

Granite 4.2 30B 是更好的模型。Granite Switch 4.1 30B 则是更有意思的产物，而它恰恰能告诉你 IBM 认为企业级推理将走向何方——不是更大的模型，而是以更低的成本获得同一套能力，靠的是把廉价适配器组合到一个冻结的基础模型上，并在它们之间共享 KV 缓存。

如果你需要的是答案，就选 4.2 模型。如果你需要的是路由决策、安全判定，以及从同一个流程中得到的转录记录，并且能接受一个落后一代的基础模型，那就选 Switch checkpoint。别理会任何拿彼此分数做比较的人；这些数字衡量的并不是同一件事。