TwIL-8B od webAI: 8,8 mld parametrów, 98,2 proc. na MATH-500 i wyraźne słabe punkty
webAI opublikowało na Hugging Face wagi modelu TwIL-8B, czyli gęstego modelu rozumującego o 8,79 mld parametrów, przeznaczonego do matematyki, kodu i wykonywania instrukcji. W zapowiedzi na X firma przekonuje, że liczy się koszt wykonania zadania, a nie surowa inteligencja modelu. Model ma działać na sprzęcie, który użytkownik już ma.
Podstawą jest Granite 4.2 8B od IBM. Stąd kontekst 131 072 tokenów i wejście wyłącznie tekstowe. Granite jest według selektora modeli IBM wydawany na Apache 2.0, natomiast TwIL-8B trafił na Hugging Face z licencją webAI Non-Commercial 1.0. Wagi są więc otwarte, ale do zastosowań komercyjnych ich nie wykorzystamy.
Co pokazują wyniki
Wszystkie wyniki TwIL-8B są raportowane przez samą firmę (pass@1, wysoki wysiłek rozumowania, włączone „myślenie”). Według webAI model zdobywa 98,2 na MATH-500, przy 96,6 dla Qwen3.5-9B i 87,9 dla Gemma 4 31B. Na LiveCodeBench ma 81,6 wobec 65,6 u Qwena i 80,0 u Gemmy 31B. Na AIME 2025 wygrywa z Gemmą 31B 88,3 do 87,1. Firma pisze o „czterokrotnie” większym rywalu, ale 30,7 mld parametrów Gemmy to w rzeczywistości około 3,5 razy więcej niż w TwIL.
Porównania mają kilka zastrzeżeń. Wynik Qwena na MATH-500 pochodzi z zewnętrznego rankingu, a Gemmy z testu Red Hat na lighteval. webAI przyznaje też, że nie zapisało wersji LiveCodeBench użytej do własnych pomiarów, a konkurentów mierzono na v6. Wynik 81,6 dotyczy ponadto tylko wariantu verbose, który rozumuje dłużej. Model występuje w dwóch wersjach: domyślna balanced generuje krótsze ślady rozumowania, a verbose celuje w trudne zadania konkursowe.
Wiedza to słaby punkt
Na GPQA Diamond TwIL-8B ma 70,2, czyli 11,5 pkt mniej niż Qwen3.5-9B (81,7) i dużo mniej niż Gemma 4 31B (84,3). Na MMLU-Pro (wariant verbose) osiąga 76,5 wobec 82,5 u Qwena. Na AIME 2026 wynik 88,3 jest niższy niż u Qwena (92,5) i Gemmy 31B (89,2). Z zestawienia MarkTechPost wynika, że na 13 wspólnych benchmarkach TwIL-8B wygrywa z Qwenem 7:6, a w porównaniu z Gemmą 4 31B przegrywa 3:11. IFEval jest praktycznie remisem (91,8 do 91,5), za to na IFBench TwIL prowadzi 74,4 do 64,5.
Mniej tokenów, ale nie rekordowo
Argument o koszcie webAI opiera na długości rozumowania. Na AIME 2026 model zużywa średnio około 19,5 tys. tokenów na zadanie, a Qwen3.5-9B 31,2 tys., co oznacza, że TwIL zużywa o 38 proc. mniej. Oszczędność ma cenę: wspomniane 4,2 pkt niższy wynik. Na HMMT Feb 2026 różnica jest mniejsza (32,9 tys. wobec 40,6 tys., o 19 proc. mniej). Firma sama przywołuje GPT-5.5, który ma zużywać około 5 tys. tokenów na zadanie AIME 2026, i zaznacza, że różne środowiska testowe i tokenizery każą traktować te liczby orientacyjnie.
Lokalne uruchomienie jest realne. Pełne wagi bf16 zajmują 16,38 GiB, a oficjalny build Q4_K_M w formacie GGUF 4,98 GiB, co wystarcza do inferencji na CPU albo karcie z niewielką ilością VRAM.
Trening przebiegał w trzech etapach: pełne SFT na śladach rozumowania z matematyki, nauk ścisłych i instrukcji, potem uczenie ze wzmocnieniem GRPO/DAPO (z niego powstaje wariant verbose), a na końcu RL z nagrodą za krótsze ślady względem odniesień dla poszczególnych domen. Dane treningowe oczyszczono z zadań z AIME, HMMT, MATH-500 i GPQA metodą dopasowania 13-gramów. TwIL-8B rozszerza rodzinę webAI, w której w sierpniu pojawiły się modele 1,7B i 3B do logiki formalnej.
