Компания webAI представила TwIL-8B — модель для рассуждений на 8,79 млрд параметров, предназначенную для работы с математикой, кодом и следованием инструкциям. Основанная на модели IBM Granite 4.2 8B, она доступна на Hugging Face по некоммерческой лицензии. По словам webAI, ключевой аргумент запуска — стоимость выполнения задачи, а не просто размер модели.
TwIL-8B — это так называемая «плотная» модель, все параметры которой задействуются при каждом вычислении, и она обрабатывает только текст на английском языке как на входе, так и на выходе. Она состоит из 40 слоев, имеет скрытый размер 4096 и 32 головы внимания, из которых 8 — KV-головы. Перед каждым ответом модель генерирует блок рассуждений, помеченный тегом . Её контекстное окно достигает 131 072 токенов — это унаследованная от базовой модели возможность.
Модель существует в двух вариантах с идентичной архитектурой и токенизатором. Вариант Balanced (по умолчанию) генерирует более короткие рассуждения. Вариант Verbose рассуждает более пространно и нацелен на сложные задачи олимпиадного типа.
По данным webAI, обучение проходило в три этапа: полный тонкий настрой на трассах рассуждений по математике, STEM и следованию инструкциям, затем две фазы обучения с подкреплением — GRPO/DAPO (даёт вариант Verbose) и обучение с подкреплением, учитывающее длину (даёт вариант Balanced). Обучающие наборы были очищены от совпадений путём поиска последовательностей из 13 слов в сравнении с AIME, HMMT, MATH-500, GPQA и другими тестами.
Неоднозначные результаты в разных областях
По заявлению webAI (все оценки являются самоотчётными), TwIL-8B набирает 98,2 балла на MATH-500 — это наивысший показатель в опубликованном компанией сравнении. На LiveCodeBench вариант Verbose достигает 81,6 балла против 65,6 у Qwen3.5-9B и 80,0 у Gemma 4 31B. webAI указывает, что версия LiveCodeBench, использованная для их собственного результата, не уточнялась, тогда как оценки конкурентов соответствуют версии 6.
В следовании инструкциям на IFBench вариант Verbose набирает 74,4 балла против 64,5 у Qwen3.5-9B. На IFEval модели идут почти вровень: 91,8 у TwIL-8B против 91,5 у Qwen3.5-9B. Слабое место — знания: на GPQA Diamond TwIL-8B получает 70,2 балла, что на 11,5 балла меньше, чем 81,7 у Qwen3.5-9B, тогда как Gemma 4 31B показывает 84,3. На MMLU-Pro вариант Verbose достигает 76,5 против 82,5 у Qwen3.5-9B. По 13 общим тестам с Qwen3.5-9B TwIL-8B одерживает 7 побед и терпит 6 поражений. В сравнении с Gemma 4 31B, чей размер примерно в 3,5 раза больше, соотношение составляет 3 победы против 11 поражений.
На AIME 2026 TwIL-8B получает 88,3 балла против 92,5 у Qwen3.5-9B и 89,2 у Gemma 4 31B. Модель в среднем использует около 19,5 тыс. токенов на выходе на задачу против 31,2 тыс. у Qwen3.5-9B — на 38% меньше, при этом результат ниже на 4,2 балла. На HMMT Feb 2026 разница составляет 32,9 тыс. против 40,6 тыс. токенов — на 19% меньше. webAI также приводит данные о примерно 5 тыс. токенов на задачу AIME 2026 для GPT-5.5, оговариваясь, что тестовые среды и токенизаторы различаются, и эти цифры следует рассматривать лишь как ориентировочные.
Локальный формат и использование
Самая лёгкая 4-битная версия в формате GGUF Q4_K_M весит 4,98 ГиБ и предназначена для работы на процессоре или видеокарте с умеренным объёмом памяти. Полная версия bf16 занимает 16,38 ГиБ. Согласно описанию модели, запуск с помощью llama.cpp возможен в нескольких форматах, включая Q8_0 (8,70 ГиБ) и F16 (16,38 ГиБ) только для варианта Verbose. webAI рекомендует выделять значительный бюджет на генерацию (в примере из описания используется max_new_tokens=32768) и предупреждает, что сокращённый бюджет обрезает рассуждения и заметно ухудшает результаты. Опубликованные результаты получены в bf16, поэтому при использовании Q4_K_M ожидается небольшое снижение. Ни один провайдер облачных вычислений пока не предлагает модель на Hugging Face.
