01Ce qu'il sait faire
Points forts
- Très faible coût compute
- Apache 2.0
- Long contexte économe
Limites à connaître
- —Qualité sous dense 3B pour certaines tâches
Architecture
Hybride Mamba-2 + MoE granulaire · 7B/1B actifs
Entraînement
Edge variant du 4.0.
Idéal pour
EdgeOn-device rapide
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
4 Go
Q5_K_M
Bon compromis qualité/taille
5 Go
Q8_0
Quasi-indistinguable de FP16
7 Go
FP16
Pleine précision — usage serveur
14 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 8 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
Quel GPU pour faire tourner Granite 4.0 H-Tiny 7B-A1B ?
Pour exécuter Granite 4.0 H-Tiny 7B-A1B en local en quantification Q4, il faut environ 4 Go de VRAM. Le meilleur rapport prix/performance : un RTX 5060 (8 Go de VRAM).
Où acheter le RTX 5060
DartyVoir RTX 5060 →RakutenVoir RTX 5060 →AmazonVoir RTX 5060 →Liens affiliés — commission possible sans surcoût pour vous, reco indépendante. En tant que Partenaire Amazon, QuelLLM réalise un bénéfice sur les achats remplissant les conditions requises.
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:tiny-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.