webAI 发布 TwIL-8B 推理模型，在 MATH-500 斩获 98.2 分并大幅降低 38% 推理 Token 消耗

webAI发布了 TwIL-8B，这是一款专为数学推理、代码生成和指令遵循优化的 8.8B 稠密推理模型。该模型基于 IBM 的 Granite 4.2 8B 进行深度后训练，通过创新的长度感知强化学习策略，在保持极高推理准确率的同时，显著降低了 Token 消耗，为本地化部署提供了高性价比的开源（非商业）选择。

• 模型：https://huggingface.co/webAI-Official/TwIL-8B

核心特性与训练机制

• 双变体架构设计：TwIL-8B 提供两种推理模式。Balanced（平衡版） 为默认版本，生成更简短的推理轨迹，适合常规任务；Verbose（详细版） 则针对高难度竞赛级问题进行了优化，提供更详尽的思维链（<think> 块）。
• 三阶段深度后训练：
  1. 全参数 SFT：在数学、STEM 和指令遵循的推理轨迹上进行监督微调。
  2. GRPO/DAPO 强化学习：在数学、代码等复杂提示上进行强化学习，生成详细版变体。
  3. 长度感知 RL：引入偏向更短轨迹的奖励机制，并对照各领域长度参考进行优化，从而衍生出高效的平衡版变体。
• 严格的数据去污染：训练池使用 13-gram 匹配技术，针对 AIME、HMMT、MATH-500、GPQA 等主流评估集进行了严格的去污染处理，确保基准分数的真实性。

性能表现与基准对比

在多项核心基准测试中，TwIL-8B 展现了越级的推理能力，但也暴露出知识储备上的短板：

• 数学与代码（显著优势）：在 MATH-500 上取得 98.2 的高分，超越同量级的 Qwen3.5-9B（96.6）；在 LiveCodeBench 上得分 81.6，大幅领先 Qwen3.5-9B（65.6）。
• 极致的 Token 效率：在 AIME 2026 测试中，TwIL-8B 平均每问题仅消耗约 19.5k 输出 Token，比 Qwen3.5-9B（31.2k）减少了 38%，在 HMMT 上也减少了 19%，大幅降低了推理成本。
• 知识类基准（相对弱势）：在 GPQA Diamond 上得分为 70.2，落后于 Qwen3.5-9B（81.7）和 Gemma 4 31B（84.3），表明其在纯知识检索与综合常识方面仍有提升空间。

部署方案与许可限制

• 轻量级本地部署：模型官方提供了多种量化版本。其中 Q4_K_M (GGUF) 版本仅需 4.98 GiB，非常适合在 CPU 或显存有限的消费级 GPU 上流畅运行。完整 bf16 权重为 16.38 GiB。建议分配较大的生成预算（如 max_new_tokens=32768）以充分发挥其推理能力。
• 许可约束：模型权重已在 Hugging Face 开放，但采用 webAI 非商业 1.0 许可，明确限制其用于商业用途。目前暂无托管推理提供商提供该模型的 API 服务。