IBM ปล่อย Granite 4.2 — โมเดล reasoning 3B/8B/30B ใต้ Apache-2.0 ที่ทำ SWE-bench Verified 57% และคิดสั้นได้เมื่อคำถามง่าย

ตลาดโมเดลเปิดตอนนี้แน่นไปด้วยตัวเลือกจากจีน — Qwen, DeepSeek, GLM, Kimi — จนคนมักลืมว่ายังมีผู้เล่นฝั่งองค์กรตะวันตกที่ปล่อยน้ำหนักแบบ Apache-2.0 จริง ๆ ไม่มีเงื่อนไขแนบท้าย อยู่ไม่กี่ราย และ IBM คือหนึ่งในนั้นที่ทำมาตลอดโดยไม่เคยเปลี่ยนใจกลางทาง

25 สิงหาคม 2026 IBM ปล่อย Granite 4.2 สามขนาด — 3B, 8B และ 30B — ทั้งหมดเป็นโมเดล reasoning ที่มี <think>...</think> ในตัว ปล่อยใต้ Apache-2.0 พร้อมกับควอนต์ครบชุดตั้งแต่นาทีแรก (GGUF, FP8, NVFP4, MXFP4) และภายในไม่กี่ชั่วโมงก็มี GGUF จาก bartowski และ lmstudio-community รวมถึง MLX 4-bit ตามมาบน Hugging Face นี่คือรูปแบบการปล่อยที่ชุมชน local LLM รอ: ไม่ต้องรอใครมาแปลงให้

สิ่งที่เปลี่ยนจาก Granite 4.1 — reasoning ที่ควบคุมงบความคิดได้

Granite 4.2 ไม่ได้เทรนจากศูนย์ แต่ต่อยอดจาก granite-4.1-*-base ด้วย SFT บนตัวอย่าง 7.2 ล้านชิ้น แล้วตามด้วยไปป์ไลน์ RL หลายชั้นที่ IBM อธิบายว่าเป็น curriculum: เริ่มจาก RL บน reward ที่ตรวจได้จริง (คณิตศาสตร์ โค้ด การทำตามคำสั่ง) → เสริมทักษะเฉพาะจุด → agentic RL ในแซนด์บ็อกซ์จริง (งาน software engineering คำสั่ง terminal และการค้นเว็บ) เฉพาะรุ่น 8B และ 30B → ปิดท้ายด้วย RLHF แต่ละขั้นเริ่มจากเช็กพอยต์ของขั้นก่อนหน้า

จุดที่น่าสนใจสำหรับคนเอาไปใช้จริงคือ โหมดความคิดสามระดับ ไม่ใช่สองระดับ: thinking เต็มรูปแบบ, non-thinking ที่ตอบตรง ๆ และ low-effort ที่ IBM อธิบายว่า “ใช้งบ reasoning สั้น ๆ กับคำถามง่าย” ใครที่เคยจ่ายค่าโทเคนให้โมเดล reasoning นั่งคิด 800 โทเคนเพื่อตอบคำถามที่ตอบได้ใน 5 คำ จะเข้าใจทันทีว่าทำไมสวิตช์นี้สำคัญ

อีกรายละเอียดที่ทำมาดีคือ ในบทสนทนาหลายเทิร์น เนื้อหาการคิดจากเทิร์นก่อน ๆ จะถูกตัดทิ้งอัตโนมัติ (truncate_history_thinking=True เป็นค่าเริ่มต้น) เพื่อไม่ให้ context ถูกกินโดย reasoning เก่าที่ไม่มีใครอ่านแล้ว — ตั้ง False ได้ถ้าอยากเก็บ

ส่วนบริบทยาว โมเดล รองรับ 128K โดยกำเนิด และขยายได้ถึง 512K ผ่าน phase ที่ 5 ของการ pre-train (ทั้งตระกูลเทรนบนโทเคนราว 15 ล้านล้าน) — ตรงนี้ควรอ่านให้ตรงตามที่ model card เขียน เพราะตัวเลข 512K ที่เห็นในพาดหัวคือ long-context extension ไม่ใช่ค่า native และตัวอย่างการรันที่ IBM ให้มาเองก็เซ็ต --context-length 131072

ตัวเลข — 30B ทำ agentic coding ได้ในระดับที่น่าจับตา

IBM รันประเมินด้วยเฟรมเวิร์กที่ต่อยอดจาก NVIDIA NeMo Evaluator SDK ตัวเลขที่โดดที่สุด:

งาน	3B	8B	30B
SWE-bench Verified	—	47.67	57.00
SWE-bench Pro	—	19.11	33.29
SWE-bench Multilingual	—	30.78	41.89
Terminal-Bench 2.1	—	20.56	29.24
AIME25	78.33	86.67	89.17
HMMT Feb25	66.67	78.33	89.17
GPQA	54.80	64.14	66.41
LiveCodeBench v6	69.71	73.24	75.77
MMLU-Pro	67.84	74.04	77.60
BFCL v4 (tool calling)	52.41	52.39	61.39
RULER 128K	55.30	71.41	81.38

SWE-bench Verified 57.0 จากโมเดล dense 30B ที่โหลดมารันเองได้ คือตัวเลขที่ควรหยุดอ่านสักครู่ — เมื่อปีที่แล้วระดับนี้คือดินแดนของโมเดล API ปิดเท่านั้น และ 30B แบบ dense ที่ bf16 ก็ยังพอลงการ์ดใบเดียวได้ถ้าควอนต์ (MXFP4 ที่ IBM ปล่อยเองจะอยู่ราว 15-16GB)

อีกด้านที่ควรพูดตามตรง: รุ่น 3B ไม่มีตัวเลข agentic coding เลย (ขึ้น NA ทุกช่อง) และคะแนน MMLU-ProX lite ของมันอยู่ที่ 27.78 ขณะที่ 8B กระโดดไป 61.06 — ช่องว่างแบบนี้บอกว่ารุ่นเล็กสุดถูกวางไว้เป็นโมเดลสนทนา/สรุปบนอุปกรณ์ ไม่ใช่ตัวขับ agent

ทำไม Apache-2.0 ตรงนี้ถึงมีน้ำหนักกว่าที่คิด

ปี 2026 คำว่า “open weights” ถูกใช้กว้างจนแทบไม่มีความหมาย — บางตัวเป็นสัญญาอนุญาตเฉพาะการวิจัย บางตัวห้ามใช้เชิงพาณิชย์ บางตัวมีเพดานผู้ใช้ต่อเดือน Granite 4.2 ไม่มีอะไรแบบนั้น: Apache-2.0 ล้วน ทั้งสามขนาด ทุกควอนต์ ใช้เชิงพาณิชย์ได้ ปรับจูนต่อได้ ปล่อยต่อได้ และ IBM ระบุภาษาที่ทดสอบแล้ว 12 ภาษา (อังกฤษ เยอรมัน สเปน ฝรั่งเศส ญี่ปุ่น โปรตุเกส อาหรับ เช็ก อิตาลี เกาหลี ดัตช์ จีน)

สังเกตว่าไม่มีภาษาไทย — ซึ่งเป็นข้อมูลที่มีประโยชน์กว่าการเดาเอง เพราะแปลว่าถ้าจะใช้กับงานภาษาไทย ต้องทดสอบเองและอาจต้องปรับจูน ไม่ใช่หยิบมาใช้ตรง ๆ แล้วคาดหวังผลเท่าภาษาที่ IBM ทดสอบ

มุมมอง AI Curator

Granite เป็นตระกูลโมเดลที่ถูกมองข้ามอย่างเป็นระบบในวงสนทนา local LLM มาสองปี เหตุผลไม่ซับซ้อน: มันไม่เคยชนะเบนช์มาร์กอันดับหนึ่ง ไม่มีเรื่องเล่าดราม่า และ IBM ไม่ได้ทำการตลาดกับชุมชน enthusiast แต่ Granite 4.2 อาจเป็นรุ่นแรกที่ทำให้การมองข้ามนั้นแพงขึ้น — ไม่ใช่เพราะมันเก่งที่สุด แต่เพราะมันเป็น โมเดล agentic coding ที่ใบอนุญาตสะอาดพอที่ฝ่ายกฎหมายจะอนุมัติได้ในหนึ่งอีเมล

นี่คือจุดที่บริบทไทยต่างจากบริบท Hacker News อย่างชัดเจน ในซานฟรานซิสโก คำถามคือ “โมเดลไหนคะแนนสูงสุด” ในองค์กรไทย — ธนาคาร โรงพยาบาล หน่วยงานรัฐ บริษัทประกัน — คำถามจริงคือ “เอาขึ้นเซิร์ฟเวอร์เราเองได้ไหม ข้อมูลออกนอกองค์กรหรือเปล่า และใครรับผิดชอบเรื่องใบอนุญาต” โมเดลที่ทำ SWE-bench Verified 60+ แต่ติดเงื่อนไข non-commercial หรือต้องยิง API ออกนอกประเทศ มีค่าเท่ากับศูนย์ในการประชุมนั้น ส่วนโมเดล 30B Apache-2.0 ที่ทำได้ 57.0 และรันบนการ์ดใบเดียวได้ — นั่นคือข้อเสนอที่ผ่านห้องประชุมได้จริง

จุดที่ผมคิดว่าถูกประเมินต่ำที่สุดในรีลีสนี้คือ โหมด low-effort ไม่ใช่ตัวเลขเบนช์มาร์ก ตลอดปี 2026 อุตสาหกรรมทั้งอุตสาหกรรมค้นพบพร้อมกันว่าโมเดล reasoning ที่คิดทุกคำถามเท่ากันคือการเผาเงินและเวลา — ผู้ให้บริการรายใหญ่แก้ด้วย router ฝั่งเซิร์ฟเวอร์ที่เราควบคุมไม่ได้และมองไม่เห็น การที่ IBM ยกสวิตช์นี้มาไว้ในมือคนรันเอง ผ่าน template parameter ที่อ่านออก เป็นทิศทางที่ควรกลายเป็นมาตรฐานของโมเดลเปิด มากกว่าจะเป็นฟีเจอร์เสริมของเจ้าเดียว

ข้อควรระวังที่ต้องพูด: อย่าเชื่อเลข 512K โดยไม่ทดสอบ RULER ที่ 128K ของรุ่น 30B อยู่ที่ 81.38 ซึ่งดีแต่ไม่ใช่เพดานที่จะไว้ใจให้มันอ่านโค้ดเบสทั้งก้อนแล้วตอบแม่นทุกจุด — และ IBM ไม่ได้ให้ตัวเลข RULER ที่ 512K มาด้วยซ้ำ ระยะที่ปลอดภัยสำหรับงานจริงยังคือ 128K ส่วน 512K ให้ถือเป็นความสามารถที่ต้องพิสูจน์กับงานของตัวเองก่อน

แหล่งข่าว

• Granite 4.2 LLMs: How They’re Built — IBM Granite (Hugging Face Blog, 25 ส.ค. 2026)
• ibm-granite/granite-4.2-30b — Hugging Face
• Granite 4.2 Language Models — Hugging Face Collection
• ibm-granite/granite-4.2-language-models — GitHub