01Ce qu'il sait faire
Points forts
- 70% de RAM en moins en long contexte
- Apache 2.0
- Enterprise-ready
Limites à connaître
- —Support llama.cpp récent requis
Architecture
Hybride Mamba-2/Transformer (9:1) + MoE granulaire · 32B/9B actifs
Entraînement
Granite 4.0 family.
Idéal pour
Long contexte économeEntreprise
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
19 Go
Q5_K_M
Bon compromis qualité/taille
23 Go
Q8_0
Quasi-indistinguable de FP16
35 Go
FP16
Pleine précision — usage serveur
64 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 32 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama run granite4:small-h
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.