2026 年 11 月 4 日，webAI 发布了参数规模为 8.8B（精确参数量 8,791,592,960，约 8.79B）的推理模型 TwIL-8B。官方主打的卖点是在 MATH-500 数学基准测试中拿到 98.2% 的高分，但真正决定这款模型行业坐标的并非这个数字，而是另外两项反常动作：它避开了主流的 Qwen 和 Llama，选用 IBM 的 ibm-granite/granite-4.2-8b 作为底座；同时在 Apache 2.0 宽松开源底座之上，套上了一层限制性的 webAI Non-Commercial License ver. 1.0 非商用协议。
如果你正打算为本地设备或低成本端侧业务挑选一个 8B 量级的推理模型，TwIL-8B 不能直接放进你的商业生产环境。它真正的价值在于展示了后训练团队如何用长度感知强化学习给推理模型治好话痨病，以及在与最新标杆 Qwen3.5-9B 的交锋中，如何用 3 至 4.2 个百分点的准确率折损，换取最高 38% 的 Token 缩减。
98.2 分只是饱和区间的门票，真正的账本在 Token 消耗上
单看宣传口径，MATH-500 拿到 98.2% 很容易让人误以为小参数模型又迎来了断层式突破。但翻开同级模型的成绩单就会发现，Qwen3-8B 在该测试集上早已达到 97.4%，Qwen3.5-9B 也是 96.6%。MATH-500 实际上已经逼近满分饱和，0.8 个百分点的微弱身位，甚至可能来自不同团队答案提取脚本的解析差异——webAI 自己在模型卡中就提到，Gemma 4 31B 在该项测试中仅得 87.9%，极大概率是答案提取环节出了问题。
| 评测基准 | TwIL-8B (balanced) | Qwen3.5-9B | DeepSeek-R1-0528-Qwen3-8B | Qwen3-8B |
|---|---|---|---|---|
| MATH-500 | 98.2% | 96.6% | - | 97.4% |
| AIME 2025 | 88.3% | - | 76.3% | 67.3% |
| AIME 2026 | 88.3% (19.5k Tokens) | 92.5% (31.2k Tokens) | - | - |
| HMMT Feb 2026 | 68.2% (32.9k Tokens) | 71.2% (40.6k Tokens) | - | - |
| GPQA Diamond | 70.2% | 81.7% | - | - |
在 AIME 2025 上，TwIL-8B 确实比前代 Qwen3-8B 和 DeepSeek 蒸馏版高出 12.0 至 21.0 个百分点，证明了 IBM Granite 底座经过强化学习打磨后完全能挤进第一梯队。但面对更新的同级守门员 Qwen3.5-9B，TwIL-8B 在 AIME 2026 和 GPQA Diamond 上分别落后了 4.2 和 11.5 个百分点。
小模型下半场拼的不再是极限高分，而是每道题烧掉多少显存。
既然绝对分数没有碾压最新一代竞品，webAI 为什么要推这个模型？答案藏在括号里的 Token 消耗量中。早期开源推理模型为了刷高准确率，普遍放任模型在强化学习中拉长思维链，解一道数学题动辄消耗数万 Token，导致端侧部署时延迟极高、显存带宽吃紧。
为了压缩推理长度，webAI 设计了三阶段流水线：先做全参数监督微调（SFT），再用 GRPO/DAPO 强化学习练出长思维链的 verbose 变体，最后专门加入第三阶段长度感知强化学习（Length-aware RL），训练出了默认的 balanced 变体。
这套组合拳下来，TwIL-8B balanced 在 AIME 2026 上平均每道题生成 19.5k Token，比 Qwen3.5-9B 的 31.2k 少了 38%；在 HMMT February 2026 上平均生成 32.9k Token，比后者的 40.6k 少了 19%。尽管不同模型家族的 Tokenizer 切词粒度存在差异，不能把 Token 数量完全等同于计算量，但用 3 到 4.2 个百分点的准确率退让，换取近四成的输出长度压缩，对端侧硬件来说是一笔划算的工程账。
显微镜下的跑分盲区与商业协议卡位
最明显的一处操作是变体混用。webAI 在宣传数学和推理效率时，全部使用第三阶段产出的默认 balanced 变体；但到了展示代码能力的 LiveCodeBench（得分 81.6）时，却悄悄切回了第二阶段未压缩长度的 verbose 变体，而且没有标注 LiveCodeBench 的具体版本号与评测时间窗口。此外，官方模型卡披露的 MATH-500 98.2% 是在开启思考模式、高强度 pass@1 内部评测下取得的。同时，所有竞品分数均直接摘自公开文献，并未在同一套评测框架（Harness）下重跑。
在数据去污染（Decontamination）上，官方对数学、STEM 和指令数据做了针对 MATH-500 等测试集的 13-gram 字符串匹配过滤。但这种字面匹配拦不住经过同义改写的衍生题，更关键的是，代码训练数据的去污染情况在文档中处于未记录状态，部分基准测试也未纳入去污染集合。截至 2026 年 11 月 5 日，社区尚无第三方独立复现或污染审计。
- 风险.底层
ibm-granite/granite-4.2-8b采用宽松的 Apache 2.0 协议，允许自由修改和商业闭源分发，但 webAI 将微调后的 TwIL-8B 锁进了自家的 Non-Commercial 1.0 非商用协议；企业一旦直接将其接入收费产品或商业工作流，就会面临合规违约。
这种开源底座套非商用锁的做法，挑明了 webAI 的算盘。作为一家主攻端侧 AI 平台与基础设施的商业公司，放出 TwIL-8B 并不是为了给社区做慈善，而是把模型当成展示后训练调优能力与端侧推理效率的广告牌——看中这套低延迟推理能力的企业客户，最终得去找 webAI 谈商业授权或采购其端侧平台服务。
- IBM Granite 生态与算法研究员TwIL-8B 替 IBM 证明了 Granite-4.2-8b 底座具备冲击 AIME 88% 以上高难推理的潜力，打破了 Qwen 与 Llama 在小推理模型上的垄断；算法团队可以直接拆解其三阶段训练思路，在自己的 Apache 2.0 模型上复现长度感知 RL。
- 筹备商用落地的企业开发者现阶段不要把工程适配精力花在 TwIL-8B 的权重上；接下来重点盯住 MathArena 等独立第三方榜单是否会在固定评测框架下重跑 TwIL-8B，检验其脱去双变体切换后的真实成色。