Granite 4.2 8B

1. 推理能力：8B 不只是靠“小”取胜

Granite 4.2 8B 这代比较值得看的，是 IBM 对训练流程做了调整。

模型先经过基础强化学习，用来加强数学、编程和推理能力。

8B 和 30B 还多了一阶段 Agent 强化学习，主要针对软件工程、终端编程和搜索驱动工作流。

成绩确实涨得明显：

• AIME25：86.67%
• GPQA：64.14%
• MMLU-Pro：74.04%

放在 8B 这个体量里，这组成绩已经挺扎眼。

尤其是 AIME25。小模型能把数学推理推到这个分数，说明 IBM 这次在推理训练上确实下了不少功夫。

2. 代码能力：不只是补全几行代码

Granite 4.2 的代码训练里，用到了 IBM CodeAlchemy 流水线生成的 1 万亿 Token 合成代码。

SWE-Bench Verified 得分是 47.67%。

对 8B 模型来说，这个成绩已经不低。

它能做的也不只是代码补全。

理解代码库、处理连续开发步骤、在终端里执行命令，这些都在训练目标里。

接到 OpenHands 这类 Agent 框架后，它可以先规划，再改代码、跑命令、看结果，然后继续下一步。

真拿来做开发任务时，这种能力比“会不会写几行代码”重要得多。

3. 工具调用：不是看到工具就乱调

Granite 4.2 8B 在工具调用上也做了专门训练。

它不是收到请求后马上挑一个工具执行，而是先判断该用什么、为什么要用，再继续下一步。

在 τ³-bench 上，它拿到了 68.05%。

这个测试更接近多工具、多步骤的工作流，而不是单次函数调用。

如果模型要连续查数据库、调用 API、跑脚本，再把结果拼起来，中间任何一步选错工具，后面很容易一起跑偏。

所以工具调用这件事，真正难的不是“会不会调”，而是“会不会选对”。

4. 三种思考模式，确实挺实用

Granite 4.2 8B 可以在同一个模型里切换三种推理模式：

• 完整思考：适合数学、代码和复杂任务
• 不思考：直接回答，适合简单问答，也更省 Token
• 低强度思考：介于两者之间，适合中等难度任务

这个设计放在真实业务里挺实用。

一句文本分类和一段复杂代码分析，如果都开最高推理强度，成本和延迟都会白白增加。

能在同一个模型里调档，比为了不同任务维护几套模型省事不少。

相比 Granite 4.0，改了什么？

Granite 4.2 的变化主要在训练方式。

3B、8B、30B 都加入了基础强化学习，8B 和 30B 又多了一轮 Agent 强化学习。另外还有 1 万亿 Token 合成代码训练，以及新的中间训练阶段。

如果非要用一句话区分：

Granite 4.0 像个聪明的答题者，Granite 4.2 开始像个能自己把任务跑完的同事。

它不只追求回答正确，还开始强调规划、执行、工具调用和连续处理任务的能力。

优势

• Apache 2.0 开源，可以下载、微调和商用
• IBM 官方 API 输入只要 0.06 美元 / 百万 Token
• 8B 规模下，数学、代码和工具调用成绩都不错
• 三种思考模式可以按任务切换
• 支持云 API，也支持本地部署
• FP16 大约需要 19GB 显存，部署门槛不算高
• 131K 上下文，处理企业长文档和代码库够用

限制

• 只支持文本，不是多模态模型
• 虽然支持 12 种语言，但训练仍以英语为主，非英语表现可能弱一些
• 自托管还是需要一定工程能力
• 8B 的上限摆在那里，特别复杂的推理任务还是 30B 更合适

推荐人群

• 想把开源模型部署到公司内部的团队
• 对 API 成本比较敏感的开发者
• 需要代码、推理和工具调用能力的项目
• 正在做 Agent 或自动化工作流的工程师
• 想拿开源模型继续微调、二次开发的人

不推荐人群

• 需要处理图片、视频、音频的项目
• 只做很简单的聊天和文本生成
• 完全不想碰部署和运维，只想找一个开箱即用闭源服务的用户

Granite 4.2 8B 最让我意外的，其实不是某一个 benchmark。

而是 IBM 把一个 8B 开源模型做到了这个能力，API 价格还能压得这么低。放在企业模型里，这个组合挺少见。

它不是最强模型，也没必要硬拿去和所有旗舰正面对冲。

但如果你想找一个能自己部署、价格低、代码和推理又不弱的开源模型，Granite 4.2 8B 已经很值得认真看一眼。