webAI CEO David Stout 于 11 月 4 日（UTC 17:37）在 X 上宣布开源 TwIL-8B。官方 Hugging Face 模型卡显示：它基于 IBM Granite 4.2 8B，经全参数 SFT、GRPO/DAPO 强化学习和长度感知 RL 训练，分 balanced 与 verbose 两个版本；自报 LiveCodeBench 81.6（verbose）、MATH-500 98.2、IFBench 74.4，约为前沿模型 93%/92% 的水平，但 GPQA Diamond 仅 70.2。提供 4.98 GiB 的 Q4_K_M GGUF，可在本地运行；许可为 webAI 非商用协议。
核心要点速览
- ✓TwIL-8B 共 8.79B 参数，基于 IBM ibm-granite/granite-4.2-8b，上下文 131,072 tokens，仅英文、文本到文本。
- ✓自报成绩：MATH-500 98.2、AIME 2025 88.3、LiveCodeBench 81.6（verbose）、IFBench 74.4（verbose）；GPQA Diamond 70.2 明显落后 Qwen3.5-9B（81.7）。
- ✓balanced 版在 AIME 2026 平均每题约 19.5k 输出 tokens，比 Qwen3.5-9B 的 31.2k 少约 38%，但仍约为 GPT-5.5 的 4 倍。
- ✓所有分数为 webAI 内部测评，竞品分数直接引用公开数据、未重跑；未测 SWE-bench、工具调用和 Agent 任务。
- ✓许可为 webAI Non-Commercial License 1.0，不能直接商用；GGUF Q4_K_M 约 4.98 GiB，可用 llama.cpp 本地运行。
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
小模型能否在本地设备上接近前沿模型的推理能力，一直是开发者关心的问题。webAI CEO David Stout 在 X 上发帖称“适度的智能来得比多数人想象的更快”，并宣布开源 TwIL-8B，主打在笔记本等普通硬件上运行。
架构亮点与底层机制
据官方模型卡，TwIL-8B 以 IBM Granite 4.2 8B 为底座（40 层稠密 Transformer），先做全参数 SFT，再用 GRPO/DAPO 强化学习得到 verbose 版，最后加一轮长度感知 RL 得到默认的 balanced 版，用更短的推理链降低单次成本。训练数据对 AIME、HMMT、GPQA、LiveCodeBench 等做了 13-gram 去污染。
权威 Benchmark 与实测跑分对比
官方自报：MATH-500 98.2、LiveCodeBench 81.6、IFBench 74.4（后两项为 verbose 版），分别约为 GPT-5.5、Claude Opus 4.8、Grok 4.3 中最好成绩的 93% 和 92%；但 GPQA Diamond 70.2、HLE 12.6，知识类任务差距明显。以上为 webAI 内部测评，竞品数据引用公开来源未重跑，暂无第三方复现。
开发者实战落地与开箱指南
可用 transformers 直接加载 webAI-Official/TwIL-8B（默认 balanced，subfolder="verbose" 切换），或用 llama.cpp 加载 4.98 GiB 的 Q4_K_M GGUF。官方建议给足生成预算（数万 tokens），否则推理被截断、分数大降。注意许可为非商用，且没有额外的安全或工具调用训练。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察