Granite 3.3 8B Instruct

Fiche modèle · IBM · granite-3.3-8b-instruct

Granite 3.3 models feature enhanced reasoning capabilities and support for Fill-in-the-Middle (FIM) code completion. They are built on a foundation of open-source instruction datasets with permissive licenses, alongside internally curated synthetic datasets tailored for long-context problem-solving. These models preserve the key strengths of previous Granite versions, including support for a 128K context length, strong performance in retrieval-augmented generation (RAG) and function calling, and controls for response length and originality. Granite 3.3 also delivers competitive results across general, enterprise, and safety benchmarks. Released as open source, the models are available under the Apache 2.0 license.

Fiches modèles

Identité

Organisation	IBM
Pays	—
Famille	—
Type	llm
Date de sortie	2025-04-16
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	text
Fenêtre de contexte	131 072
KV cache / token (Q8)	81.9 ko/token
Paramètres totaux	8 B
Paramètres actifs (session)	8.17 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (ibm-granite/granite-3.3-8b-instruct)) ; total : config Hugging Face (ibm-granite/granite-3.3-8b-instruct)
Curation des paramètres actifs	2026-11-04
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	—
Coupure de connaissance	2024-04-01
Créé le	2026-05-07T16:53:30.423941Z
Mis à jour le	2026-11-04T06:04:47.483161Z
Source	LLM Stats
URL	https://llm-stats.com/models/granite-3.3-8b-instruct

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — auto-hébergement DGX Spark (≤ 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
chat	0.70
instruction_following	0.70
language	0.70
legal	0.70
math	0.70
reasoning	0.70
safety	0.90
structured_output	0.70
finance	0.70
general	0.70
healthcare	0.70
code	0.90
creativity	0.60
writing	0.60

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2024	math	0.81	1.00	0.81	non	oui	2026-11-04T06:04:47.487052Z
alpacaeval-2.0	general	0.63	1.00	0.63	non	oui	2026-11-04T06:04:47.493053Z
arena-hard	general	0.58	1.00	0.58	non	oui	2026-11-04T06:04:47.503171Z
attaq	safety	0.89	1.00	0.89	non	oui	2026-11-04T06:04:47.513143Z
big-bench-hard	reasoning	0.69	1.00	0.69	non	oui	2026-11-04T06:04:47.523232Z
drop	reasoning	0.59	1.00	0.59	non	oui	2026-11-04T06:04:47.529566Z
gsm8k	math	0.81	1.00	0.81	non	oui	2026-11-04T06:04:47.532970Z
humaneval	reasoning	0.90	1.00	0.90	non	oui	2026-11-04T06:04:47.536792Z
humaneval+	reasoning	0.86	1.00	0.86	non	oui	2026-11-04T06:04:47.543043Z
ifeval	chat	0.75	1.00	0.75	non	oui	2026-11-04T06:04:47.553124Z
math-500	math	0.69	1.00	0.69	non	oui	2026-11-04T06:04:47.563217Z
mmlu	general	0.66	1.00	0.66	non	oui	2026-11-04T06:04:47.569819Z
popqa	general	0.26	1.00	0.26	non	oui	2026-11-04T06:04:47.573021Z
truthfulqa	general	0.67	1.00	0.67	non	oui	2026-11-04T06:04:47.583314Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	172	—	11.12	1	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04