IBM: Granite 4.1 8B
IBM: Granite 4.1 8B est un LLM publié par ibm-granite le 30 avril 2026. Son positionnement combine une très longue fenêtre de contexte de 131 072 tokens et un tarif très bas, avec un prix annoncé 97% inférieur à la moyenne des LLM similaires.
IBM: Granite 4.1 8B est un LLM publié par ibm-granite le 30 avril 2026. Son positionnement combine une très longue fenêtre de contexte de 131 072 tokens et un tarif très bas, avec un prix annoncé 97% inférieur à la moyenne des LLM similaires.
Le modèle se distingue surtout par son rapport coût-capacité : l’entrée est facturée 0,05 $ par million de tokens et la sortie 0,1 $ par million. Par rapport aux modèles frontière, l’écart de prix atteint environ 96,7 fois, ce qui en fait une option très économique dans sa catégorie.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | ibm-granite |
| Date de sortie | 30 avril 2026 |
| Multimodal | non |
| Fenêtre de contexte | 131 072 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 99,0 % | 114ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 98,0 % | 71ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 95,0 % | 207ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 93,0 % | 194ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 78,0 % | 186ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 71,0 % | 165ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 46,0 % | 196ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 16,0 % | 217ᵉ / 252 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : Ethics (Baseline)
Benchable : Hallucinations (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Weights & Biases | 0,05 $ | 0,1 $ | 0,05 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 97 % en dessous de la moyenne des LLM similaires, et 96,7 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0 $ |
| Latence moyenne par benchmark — Benchable | 15 min 41 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. IBM: Granite 4.1 8B affiche ses meilleurs signaux sur Benchable Ethics (Baseline) et Benchable Hallucinations (Baseline), avec des résultats élevés et un rang plus favorable sur la résistance aux hallucinations que sur la plupart de ses autres tests. La fenêtre de contexte de 131 072 tokens constitue un autre atout concret pour traiter de longs documents ou des échanges étendus. Son principal avantage reste toutefois économique : le modèle coûte nettement moins cher que la moyenne des LLM similaires et beaucoup moins que les modèles frontière, ce qui renforce son intérêt pour des usages à fort volume.
Limites et points d'attention. Les rangs Benchable montrent un profil inégal. Email Classification (Baseline) et General Knowledge (Baseline) restent dans la partie basse du classement malgré des scores absolus élevés, signe que de nombreux modèles concurrents obtiennent aussi de très bons résultats sur ces tâches. Coding (Baseline) et Mathematics (Baseline) sont moins solides, avec des positions qui ne placent pas IBM: Granite 4.1 8B parmi les références techniques. La couverture repose sur 2 sources de données concordantes, suffisantes pour confirmer les chiffres fournis, mais limitées pour documenter plus finement son comportement. Le modèle convient surtout aux traitements textuels longs et économiques, lorsque le coût prime sur la performance de pointe en code ou en mathématiques.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).