IBM Granite 4.0 Tiny Preview

Fiche modèle · IBM · granite-4.0-tiny-preview

A preliminary version of the smallest model in the upcoming Granite 4.0 family, released May 2025. It utilizes a novel hybrid Mamba-2/Transformer, fine-grained mixture of experts (MoE) architecture (7B total parameters, 1B active at inference). This preview version is partially trained (2.5T tokens) but demonstrates significant memory efficiency and performance potential, validated for at least 128K context length without positional encoding.

Fiches modèles

Identité

Organisation	IBM
Pays	—
Famille	—
Type	llm
Date de sortie	2025-05-02
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	—
Fenêtre de contexte	131 072
KV cache / token (Q8)	41.0 ko/token
Paramètres totaux	7 B
Paramètres actifs (session)	1 B
Source des paramètres actifs	web : https://huggingface.co/ibm-granite/granite-4.0-tiny-base-preview
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	2 500 000 000 000
Coupure de connaissance	—
Créé le	2026-05-07T16:53:30.469203Z
Mis à jour le	2026-11-04T06:04:47.587059Z
Source	LLM Stats
URL	https://llm-stats.com/models/granite-4.0-tiny-preview

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	0.40
instruction_following	0.60
language	0.60
legal	0.60
math	0.60
reasoning	0.50
safety	0.90
structured_output	0.60
finance	0.60
general	0.60
healthcare	0.60
code	0.80
creativity	0.30
writing	0.30

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
alpacaeval-2.0	general	0.35	1.00	0.35	non	oui	2026-11-04T06:04:47.594345Z
arena-hard	general	0.27	1.00	0.27	non	oui	2026-11-04T06:04:47.603185Z
attaq	safety	0.86	1.00	0.86	non	oui	2026-11-04T06:04:47.613117Z
big-bench-hard	reasoning	0.56	1.00	0.56	non	oui	2026-11-04T06:04:47.623036Z
drop	reasoning	0.46	1.00	0.46	non	oui	2026-11-04T06:04:47.629609Z
gsm8k	math	0.70	1.00	0.70	non	oui	2026-11-04T06:04:47.632992Z
humaneval	reasoning	0.82	1.00	0.82	non	oui	2026-11-04T06:04:47.636907Z
humaneval+	reasoning	0.78	1.00	0.78	non	oui	2026-11-04T06:04:47.643075Z
ifeval	chat	0.63	1.00	0.63	non	oui	2026-11-04T06:04:47.653753Z
mmlu	general	0.60	1.00	0.60	non	oui	2026-11-04T06:04:47.663037Z
popqa	general	0.23	1.00	0.23	non	oui	2026-11-04T06:04:47.673140Z
truthfulqa	general	0.58	1.00	0.58	non	oui	2026-11-04T06:04:47.683083Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	234	—	2.92	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