Al costat dels grans models tancats d'OpenAI, Google o Anthropic, una part creixent del sector aposta per models més petits i oberts, pensats perquè les empreses els puguin executar als seus propis servidors sense dependre de cap API externa. IBM porta anys en aquesta línia amb la seva família Granite, i el 25 d'agost n'ha presentat la nova generació, Granite 4.2, que substitueix la versió 4.0 llançada mesos abans.
La família inclou tres mides —3.000, 8.000 i 30.000 milions de paràmetres—, totes elles models densos de tipus «decoder-only» preentrenats des de zero amb uns 15 bilions de tokens. La novetat principal és que cada model incorpora un mode de «pensament» que es pot activar o desactivar segons calgui més o menys capacitat de raonament per a una tasca concreta, i que els dos models més grans s'han post-entrenat amb aprenentatge per reforç dins d'entorns reals d'enginyeria de programari, terminal i cerca web, no només amb exemples de text. Els models admeten finestres de context de fins a 512.000 tokens, i IBM ha publicat, juntament amb els pesos, la recepta completa d'entrenament: les proporcions exactes de dades i els hiperparàmetres de cada etapa, tot sota llicència Apache 2.0, sense restriccions per a l'ús comercial ni la modificació.
La notícia és rellevant perquè aquest grau de transparència —no només els pesos del model, sinó també com s'ha entrenat exactament— és poc habitual entre els llançaments que s'acosten a l'estat de l'art, i permet a altres equips de recerca replicar o adaptar el procés en lloc de limitar-se a fer-lo servir com una caixa negra. Per a empreses que volen desplegar agents d'IA capaços d'operar dins de les seves pròpies eines internes, sense enviar dades a un proveïdor extern, disposar d'un model amb capacitats agèntiques natives i llicència oberta redueix una barrera d'entrada real.
Es tracta de models densos i relativament petits comparats amb els grans models de frontera, de manera que és probable que quedin per darrere en tasques de raonament pur més exigents; l'article no aporta encara comparatives independents de com es comporten en tasques agèntiques reals més enllà dels entorns d'entrenament amb què IBM mateix els ha avaluat, i caldrà que usuaris externs els posin a prova per confirmar-ne el rendiment declarat.