Granite-4.2-30B — старшая модель в семействе 4.2, предназначенная для задач, где требуется максимальная глубина рассуждений и автономность в рамках агентных сценариев. Архитектурно это плотный (dense) decoder-only трансформер с 30 млрд параметров, 64 слоями и скрытым размером эмбеддингов 4096. В основе внимания лежит Grouped Query Attention (GQA) с 32 головами запросов и 8 головами ключей/значений, что снижает нагрузку на память при генерации, сохраняя при этом полное (full) внимание в пределах всего контекста. Разработчики вернулись к полному вниманию, поскольку для сложных многошаговых рассуждений, агентных циклов и работы с длинными документами критически важна способность каждой позиции напрямую взаимодействовать со всеми предыдущими токенами в окне до 128K (с расширением до 512K); GQA делает такую схему вычислительно приемлемой за счёт сокращения числа KV-голов в четыре раза по сравнению с головами запросов, при этом затраты на KV объективно больше, чем у моделей, использующих гибридное внимание.
По сравнению с Granite-4.1(инструктивная версия) в первую очередь модель отличается добавлением встроенного механизма формирования цепочки рассуждений. Второе существенное отличие - она прошла специализированный второй этап SFT с упором на агентное программирование и полный цикл агентного RL в реальных средах — software engineering (SWE), работа в терминале и веб-поиск, — что делает её полноценной моделью-агентом, способной читать код, редактировать файлы, запускать тесты и восстанавливаться после ошибок. Нативный вызов инструментов встроен в формат OpenAI function calling, а рассуждение о том, какой инструмент и зачем вызывать, повышает точность вызовов.Модель поддерживает три режима работы: полное мышление (по умолчанию, развёрнутая цепочка рассуждений внутри специальных токенов), без мышления (прямой ответ без накладных расходов на рассуждение) и low-effort (короткое рассуждение для простых запросов). Такая гибкость позволяет на уровне отдельного запроса балансировать между глубиной проработки и задержкой.
Среди бенчмарков стоит выделить несколько показательных результатов. SWE Bench Verified (57.00) проверяет способность автономно исправлять реальные ошибки в open-source репозиториях — это прямой индикатор качества агентного программирования, и 30B показывает здесь лучший результат в семействе. AIME25 (89.17) — сложный математический бенчмарк соревновательного уровня, где модель демонстрирует почти 90% точности, что отражает силу цепочки рассуждений.
Granite-4.2-30B рекомендуется для самых требовательных задач своего класса: автономный агент для software engineering (исправление ошибок в репозиториях, запуск тестов, работа в терминале), глубокий веб-ресёрч с многопереходным поиском, математические и научные рассуждения, а также агентные workflow, где цена ошибки высока и допустима повышенная задержка.
| Наименование модели | Контекст | Тип | GPU | Статус | Ссылка |
|---|
Для данной модели пока нет публичных эндпоинтов.
Эндпоинт — это сервер с предустановленным программным обеспечением, с помощью которого автоматически скачиваются веса нейросети и запускается OpenAI-совместимый API для обращений к серверу.
Частный эндпоинт создается в проекте пользователя, принадлежит пользователю монопольно и тарифицируется за каждую конфигурацию сервера в соответствии с нашими инфраструктурными тарифами.
Мы рекомендуем создание частных эндпоинтов в случаях, если необходимо:
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
131 072 pipeline |
3 | 119,81 ₽ | 1,06 | Запустить | ||
131 072 tensor |
4 | 144,97 ₽ | 1,65 | Запустить | ||
131 072 pipeline |
6 | 147,44 ₽ | 1,31 | Запустить | ||
131 072 pipeline |
3 | 204,41 ₽ | 1,15 | Запустить | ||
131 072 |
1 | 211,77 ₽ | 1,66 | Запустить | ||
131 072 pipeline |
3 | 252,41 ₽ | 1,14 | Запустить | ||
131 072 tensor |
4 | 257,77 ₽ | 1,77 | Запустить | ||
131 072 tensor |
2 | 261,77 ₽ | 1,08 | Запустить | ||
131 072 tensor |
4 | 269,04 ₽ | 1,77 | Запустить | ||
131 072 tensor |
4 | 321,77 ₽ | 1,76 | Запустить | ||
131 072 |
1 | 341,77 ₽ | 1,66 | Запустить | ||
131 072 |
1 | 367,41 ₽ | 2,06 | Запустить | ||
131 072 tensor |
2 | 411,81 ₽ | 3,83 | Запустить | ||
131 072 |
1 | 423,04 ₽ | 3,40 | Запустить | ||
131 072 tensor |
2 | 839,97 ₽ | 7,31 | Запустить | ||
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
131 072 tensor |
4 | 144,97 ₽ | 1,28 | Запустить | ||
131 072 |
1 | 211,77 ₽ | 1,30 | Запустить | ||
131 072 tensor |
4 | 257,77 ₽ | 1,41 | Запустить | ||
131 072 tensor |
4 | 269,04 ₽ | 1,41 | Запустить | ||
131 072 tensor |
4 | 321,77 ₽ | 1,40 | Запустить | ||
131 072 |
1 | 341,77 ₽ | 1,29 | Запустить | ||
131 072 |
1 | 367,41 ₽ | 1,69 | Запустить | ||
131 072 pipeline |
3 | 387,41 ₽ | 1,43 | Запустить | ||
131 072 tensor |
2 | 411,81 ₽ | 3,47 | Запустить | ||
131 072 |
1 | 423,04 ₽ | 3,04 | Запустить | ||
131 072 tensor |
4 | 513,04 ₽ | 2,30 | Запустить | ||
131 072 tensor |
2 | 839,97 ₽ | 6,95 | Запустить | ||
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
131 072 tensor |
2 | 411,81 ₽ | 2,64 | Запустить | ||
131 072 |
1 | 423,04 ₽ | 2,21 | Запустить | ||
131 072 tensor |
2 | 439,97 ₽ | 2,64 | Запустить | ||
131 072 tensor |
4 | 513,04 ₽ | 1,47 | Запустить | ||
131 072 pipeline |
6 | 520,97 ₽ | 1,61 | Запустить | ||
131 072 tensor |
8 | 539,21 ₽ | 2,86 | Запустить | ||
131 072 tensor |
8 | 670,97 ₽ | 2,85 | Запустить | ||
131 072 tensor |
2 | 699,97 ₽ | 2,63 | Запустить | ||
131 072 tensor |
2 | 729,47 ₽ | 3,43 | Запустить | ||
131 072 tensor |
2 | 839,97 ₽ | 6,12 | Запустить | ||
Свяжитесь с нашей специализированной группой поддержки по нейросетям support@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.