Maaari ko bang patakbuhin ang Granite 4.2 30B nang lokal?

Hindi. Hindi inilabas ng IBM ang open weights para sa modelong ito kaya API-only ito at hindi pwedeng i-self-host.

Magkano ang presyo at gaano kahaba ang context?

Ang presyo ay $0.16 kada milyon input tokens at $0.65 kada milyon output tokens, na may 131,072-token context window.

Ano ang tatlong thinking modes at kailan ko ito gagamitin?

Ang full thinking ang default at nagbibigay ng pinakamalalim na reasoning; ang non-thinking ay nilalaktawan ang chain-of-thought para sa mas mabilis at mas murang sagot; ang low-effort ay nasa gitna, kapaki-pakinabang kapag gusto mo ng kaunting reasoning nang hindi ganap na tumatagal.

Granite 4.2 30b

5367°

#llm #ibm-granite #pangangatwiran #pananaliksik #matematika #pagkuha ng datos

Buksan ang DeepInfra

ibm-granite | 131,072 token context | $0.16/M input, $0.65/M output. Ang Granite-4.2-30B ay ang flagship reasoning model sa pamilya ng Granite 4.2. Nagbibigay ito ng pinakamalakas na performance sa mga reasoning-intensive na gawain gamit ang built-in ... chain-of-thought. Sinusuportahan nito ang flexible thinking modes — full thinking (default), non-thinking, at low-effort — na nagpapahintulot sa mga gumagamit na balansehin ang lalim laban sa latency sa bawat query.

Mga gabay para sa model na ito

Paano pumili ng AI model sa Oktubre 2026: ang balita sa closed source, tapos ang open weights na sulit i-download

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Granite 4.2 30B ay ang pangunahing reasoning model ng IBM sa pamilya ng Granite 4.2, na binuo gamit ang chain-of-thought at inaalok na may tatlong thinking modes para mapagpalit mo ang lalim ng pag-iisip kapalit ng bilis sa bawat query. Sa halagang $0.16 kada milyon input tokens, mas mura ito kumpara sa karamihan ng mga frontier reasoning models. Angkop ito para sa mga developer at analyst na nangangailangan ng seryosong reasoning nang hindi nagbabayad ng mataas.

Kilalang-kilala sa

Built-in chain-of-thought reasoning bilang pangunahing tampok, hindi lang prompt trick.
Tatlong thinking modes: full, non-thinking, at low-effort para sa kontrol ng latency.
Mapagkumpitensyang presyo na $0.16/M input at $0.65/M output.
131,072-token context window para sa mas mahahabang dokumento at multi-step na gawain.

Mag-ingat sa

Hindi pampubliko ang weights; nakadepende ka sa IBM API at walang opsyon na mag-self-host.
Hindi naglabas ng benchmark numbers ang IBM kaya mahirap gumawa ng independiyenteng paghahambing.
Ang output na $0.65/M ay makatwiran pero mabilis lumaki ang output sa mga reasoning-heavy na query.

Pinakamainam para sa

Mga prompt na subukan

Multi-step logic puzzle

Limang kasamahan — Ana, Ben, Cara, Dan, at Eve — ay nagtatrabaho sa iba't ibang departamento: HR, Finance, Legal, Engineering, at Marketing. Hindi kabilang si Ana sa HR o Finance. Nasa Legal si Ben. Hindi kabilang si Cara sa Marketing. Nasa Engineering si Dan. Tukuyin kung saang departamento kabilang ang bawat tao, ipakita ang iyong pangangatwiran nang hakbang-hakbang.

Causal analysis task

Naglabas ng bagong release ang isang software team noong Lunes. Pagsapit ng Miyerkules, dumoble ang error rates, tumaas ng 40% ang average response time, at isang partikular na API endpoint ang responsable sa 80% ng mga bagong error. Ilarawan ang mga pinaka-posibleng sanhi ayon sa probabilidad, ang ebidensyang kokolektahin para kumpirmahin ang bawat isa, at ang pinakamabilis at ligtas na paraan ng rollback.

Structured data extraction

I-extract ang lahat ng obligasyong pinansyal mula sa sumusunod na clause ng kontrata at ibalik ito bilang isang JSON array. Ang bawat object ay dapat may: party, obligation_type, amount_or_rate, due_date, at penalty_for_breach. Clause: 'Ang Acme Corp ay magbabayad sa Vendor ng buwanang retainer na $12,000 na dapat bayaran sa unang araw ng bawat buwan. Ang mga late payment ay may 1.5% buwanang interes. May isang beses na setup fee na $5,000 na dapat bayaran sa loob ng 30 araw mula sa paglagda ng kontrata.'

Ihambing sa

Qwen3 30B A3B Thinking 2507
Modelong API lang
81,920 token na konteksto · $0.20/M input, $2.40/M output
Gemini 2.5 Pro Preview 06-05
Modelong API lang
1,048,576 token na konteksto · $1.25/M input, $10.00/M output
o3 Pro
Modelong API lang
200,000 token na konteksto · $20.00/M input, $80.00/M output
Ling 3.0 Flash Fin
Modelong API lang
262,144 token na konteksto · $0.04/M input, $0.12/M output

Higit pang mga text model mula sa ibm-granite

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Granite 4.2 30B nang lokal?: Hindi. Hindi inilabas ng IBM ang open weights para sa modelong ito kaya API-only ito at hindi pwedeng i-self-host.
Magkano ang presyo at gaano kahaba ang context?: Ang presyo ay $0.16 kada milyon input tokens at $0.65 kada milyon output tokens, na may 131,072-token context window.
Ano ang tatlong thinking modes at kailan ko ito gagamitin?: Ang full thinking ang default at nagbibigay ng pinakamalalim na reasoning; ang non-thinking ay nilalaktawan ang chain-of-thought para sa mas mabilis at mas murang sagot; ang low-effort ay nasa gitna, kapaki-pakinabang kapag gusto mo ng kaunting reasoning nang hindi ganap na tumatagal.

Hatol ng Kapitan
Isang tunay na abot-kayang reasoning model na may kapaki-pakinabang na kontrol sa latency — sulit tingnan kung hindi ka alintana sa API lock-in ng IBM.

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Paano mag-install

Paano Mag-install ng Ollama at Magpatakbo ng Lokal na AI (Windows, Mac, Linux)

Mga katulad na model

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Granite 4.2 30b ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm ibm-granite pangangatwiran pananaliksik matematika pagkuha ng datos

Mag-browse ayon sa pamilya ng model