IBM Granite 4.2、オープンソース推論モデル3種を公開：実環境サンドボックス強化学習で訓練、30BモデルがSWE-Bench 57%を達成

2026年8月25日、IBMはGranite 4.2シリーズを発表した。3B・8B・30Bの3種類のパラメータ規模を持つ密集型デコーダー言語モデルで、いずれもApache 2.0ライセンスのオープンウェイトとして公開され、ダウンロード・ファインチューニング・商用展開が可能で、ライセンス交渉は不要だ。Graniteシリーズにおいて「推論」能力をコア設計目標として位置づけたのはIBMとして初めてのことで、各モデルはチェーン・オブ・ソート出力をネイティブにサポートし、切り替え可能な思考モードを備えている。

訓練規模の観点では、3モデルすべてがゼロから約15兆トークンで事前訓練を行い、5段階の段階的訓練戦略によってコンテキストウィンドウを標準の128Kから512Kトークンに拡張している。教師ありファインチューニング段階では約720万件のサンプルを使用し、チェーン・オブ・ソート推論・指示追従・Agenticトラジェクトリデータが含まれる。Agenticサンプルの比率は31.6%、非Agenticは68.4%で、Agenticサンプルのうちソフトウェアエンジニアリングタスクがさらに69%を占めており、この数字がIBMの優先事項を如実に示している。

訓練メカニズムの核心：シミュレーションではなく実環境

Granite 4.2において最も注目すべき点は、強化学習パイプラインの設計、とりわけ8Bと30Bモデル固有のAgentic RLフェーズだ。

IBMは非同期GRPO（グループ相対ポリシー最適化）アルゴリズムを採用しており、従来のPPOと比べて独立した価値ネットワークを省略し、訓練プロセスを簡略化している。RLプロセス全体は複数の独立したフェーズに分かれており、各フェーズが1つの能力に集中し、前のフェーズのチェックポイントからホットスタートする。

重要な差別化要因は訓練環境の実在性にある。Agentic RLフェーズには3つのシナリオが含まれる。第一はソフトウェアエンジニアリングで、モデルはOpenHands toolchainを通じて実際のコードリポジトリを直接編集し、報酬シグナルは隠しテストスイートの合否から与えられる——模擬スコアリングは存在せず、コードが実際に動作するかどうかのみが基準だ。第二はターミナル操作で、モデルはアクティブなLinux Shell環境でタスクを実行し、各推論ステップで最大64回の環境インタラクションが許可される。第三はウェブ検索で、モデルはリアルタイム検索を呼び出してマルチホップ質問に回答し、別の大規模言語モデルが審判として採点する。

この設計アプローチは現在の業界主流とは明確に異なる。IBMの公式ブログによれば、多くのオープンソースAgenticモデルの事後訓練は合成トラジェクトリ、つまり他のモデルが生成した「疑似実行」データに依存している。Granite 4.2の8Bと30Bはコストが高くエンジニアリング的にも難易度の大きい道を選択した：実際のサンドボックス内でモデルに直接実行を学習させ、報酬シグナルはモデルの判断ではなくタスク結果によって決定される。

訓練インフラについては、IBMはCoreWeaveがホストするNVIDIA GB200 NVL72クラスター上で訓練を行い、単一のNVLinkドメインに72基のGPUを搭載し、ノード間は400 Gb/s InfiniBandで接続している。

ベンチマーク数値とその実際の意味

IBMは複数の次元でベンチマーク結果を公表した。実際のGitHub Issue修正能力を測るSWE-Bench Verifiedでは、30Bモデルが57.00%、8Bモデルが47.67%を達成した。ターミナル操作ベンチマークTerminal-Bench 2.1では30Bが29.24%、8Bが20.56%。数学推論ではAIME25において30Bが89.17%、8Bが86.67%、3Bも78.33%を達成した。科学推論GPQAでは30Bが66.41%、8Bが64.14%。長コンテキストベンチマークRULER（128K）では30Bが81.38%、8Bが71.41%、3Bが55.30%となった。

SWE-Bench Verifiedの57%という数字は正しい文脈で理解する必要がある。この数字の意義はフロンティアのクローズドソースモデルとの横断的な競争にあるのではない——現在のトップクラスのクローズドソースモデルはこのベンチマークで大幅に高いスコアを記録している——むしろ30BパラメータでApache 2.0ライセンス、ローカル展開可能という形で実現されている点にある。推論チェーンの完全なコントロールを必要とする企業にとって、このパラメータ規模とライセンス条件の組み合わせは、オープンソースエコシステムにおいてAgenticタスクで同等の能力を提供する競合が従来存在しなかったものだ。

IBMは同時に3種類の推論モードも公開した：デフォルトのフルチェーン・オブ・ソートモード（専用タグに完全な推論過程を出力）、直接回答する非思考モード、そして両者の中間にある低消費モード（単純な質問では短い推論バジェットを消費）だ。マルチターン対話では、過去ターンの思考過程はデフォルトでコンテキスト節約のために削除される。ツール呼び出しはOpenAI関数呼び出し形式を使用しており、vLLMまたはSGLangで展開されたAgenticフレームワークに追加の適応レイヤーなしで直接接続できる。

各ステークホルダーにとっての意味

個人開発者や小規模チームにとって、3BモデルはGGUF量化バージョン（Q4_K_Mまで対応）が提供されており、OllamaまたはLM StudioでノートPCから実行可能で、Agenticツール呼び出し実験のハードウェアハードルを引き下げる。8Bモデルは単一の最新GPUを持つ中規模チームに適している。

金融・医療・政府などの規制業種を含むエンタープライズユーザーにとっては、Apache 2.0とローカル展開可能なウェイトの組み合わせが、サードパーティAPIにデータを送信せずにツール呼び出しAgentを運用する経路を提供する。この組み合わせはこれまでオープンソースエコシステムに高品質なAgenticモデルが不足していたため、IBMの発表はその空白を埋めるものだ。30BモデルにはA100またはH100クラスのGPU、あるいはvLLMでのFP8/NVFP4量化展開が必要となる。

Agenticフレームワーク開発者にとっては、Granite 4.2の互換性設計が接続コストを低減する：OpenAI形式のツール呼び出しにより、主要なAPI形式をサポート済みのフレームワークは修正なしで接続可能だ。LangChain・AutoGen・OpenHandsなどのエコシステムにとって直接的なメリットとなる。

IBM競合他社への直接的なプレッシャーは相対的に限定的だが、無視できるものではない。Granite 4.2はGPT-5.5やClaude Opus 4.8に単発の質問応答品質で挑もうとするものではなく、「企業がローカル展開を望むAgenticモデル」という細分化されたセグメントでの基準点を確立するものだ。このセグメントの競争論理は汎用能力ランキングとは異なる：ライセンス契約・展開コスト・コンプライアンスが、絶対的なベンチマークスコアよりも調達判断を左右することが多い。

訓練方式が先例として持つ意義

より広い視点から見ると、Granite 4.2の発表はオープンソースのAgentic訓練に具体的な技術的参照点を提供するものだ。過去1年間、「モデルが実際に実環境でタスクを実行できるか」という業界の議論の多くがデモのレベルに留まっていたのに対し、IBMが提供するのは追跡可能な訓練設計だ：OpenHandsをソフトウェアエンジニアリング訓練ハーネスとして使用し、モデルは隠しテストスイートで成功を判定される；実際のShellで64回のインタラクションを与える；実際のウェブ検索でマルチホップ推論を完成させる。こうした設計の詳細が公開されたこと自体、オープンソースコミュニティに再現可能な経路の参考を提供している。

Granite 4.2と同時にGranite Speech 5.0 Turbo CTCシリーズも発表された。470Mパラメータの音声モデル2種で、単一のH200 GPUで3時間分の音声を約1秒で文字起こしでき、Hugging Face Open ASRリーダーボードにおいて従来の先頭モデルの約2倍の速度を達成したとされている。