IBM entwickelt Granite-4.2-Reasoning-LLMs

IBM hat die Granite-4.2-Familie der Large-Language-Models veröffentlicht. Es handelt sich um den ersten Release der Reihe, der explizit auf Schlussfolgerungsfähigkeiten und autonome Agentik optimiert ist. Die Architektur umfasst drei dichte, decoder-basierte Modelle mit drei, acht beziehungsweise 30 Milliarden Parametern. Alle Varianten wurden vollständig neu trainiert und nutzen eine fünfphasige Pre-Training-Strategie auf rund 15 Billionen Tokens. Dadurch wurde der Kontextrahmen auf bis zu 512.000 Tokens erweitert. Der Trainingsprozess folgt einem streng gegliederten Schema. Nach dem Pre-Training erfolgt eine Supervised Fine-Tuning-Phase mit circa 7,2 Millionen Samples, deren Anteil an agentic und Software-Engineering-Daten signifikant höher liegt als bei Vorgängerversionen. Zur Sicherung der Datenqualität kommen automatisierte LLM-Judges und dedizierte Bereinigungsregeln zum Einsatz. Das Kerninnovation des Release ist das mehrstufige Reinforcement-Learning-System. Alle Modelle durchlaufen zunächst ein Foundational-RL auf überprüfbaren Aufgaben. Die 8B- und 30B-Modelle werden zudem um eine Agentic-RL-Komponente erweitert, die sie schrittweise in Software-Engineering-, Terminal- und Websuch-Umgebungen trainiert. Dabei kommt asynchrones Group Relative Policy Optimization zum Einsatz, das Generierung und Policy-Updates entkoppelt und so den Trainingstakt beschleunigt. Technisch überzeugen die Granite-4.2-Modelle durch integrierte Denkmodi. Nutzer können zwischen einem expliziten Reasoning-Modus, einem reinen Antwortmodus und einem energieeffizienten Low-Effort-Modus wählen. Native Tool-Calling-Funktionen folgen dem OpenAI-Funktions-Schema und ermöglichen die nahtlose Integration in agentic Workflows. Benchmark-Ergebnisse belegen starke Leistungen im mathematischen und technischen Schlussfolgern sowie bei agentic Coding-Aufgaben. Die Modelle wurden auf einem NVIDIA-GB200-NVL72-Cluster von CoreWeave trainiert und stehen unter der Apache-2.0-Lizenz zur Verfügung. Neben den Standard-Weights liefert IBM optimierte Varianten in FP8, FP4 und GGUF für eine ressourcenschonende Inferenz. Die Architektur unterstützt eine direkte Anbindung an gängige Serving-Frameworks und ist kompatibel mit etablierten Agentic-Harnesses. Mit Granite 4.2 positioniert IBM ein skalierbares Modell-Ökosystem, das explizite Schlussfolgerungsfähigkeiten mit praktischer Anwendung in realen Umgebungen verbindet und damit die Lücke zwischen statischer Anweisungsbefolgung und autonomer Agentik schließt.