webAI veröffentlicht TwIL-8B, ein 8.8B Reasoning-Modell mit 98.2 Punkten auf MATH-500

webAI hat veröffentlicht TwIL-8B, ein 8.8B Reasoning-Modell für Mathematik, Code und Befehlsbefolgung. Das TwIL-8B Reasoning-Modell wurde aus IBMs Granite 4.2 8Bpost-trainiert. Die Gewichte sind auf Hugging Face unter einer nicht-kommerziellen Lizenz verfügbar. webAIs Launch-Beitrag rückt das Versprechen um Kosten pro Aufgabe in den Mittelpunkt, nicht rohe Skalierung. Der 4-Bit-Build ist 4.98 GiB groß und für CPU- oder GPU-Inferenz mit bescheidenem VRAM dimensioniert.

TL;DR

• Größe: 8.79B Parameter, dicht. 131,072-Token-Kontext, vom Basismodell übernommen.
• Läuft auf: CPU oder GPU mit bescheidenem VRAM über eine 4.98 GiB Q4_K_M GGUF. Die vollständigen bf16-Gewichte sind 16.38 GiB groß.
• Leistung: Führt in seiner Größenklasse bei Mathematik und Code, liegt bei Wissens-Benchmarks zurück.
• Bestes Ergebnis: MATH-500 mit 98.2, die höchste Punktzahl in webAIs Vergleich.
• Schlechtestes Ergebnis: GPQA Diamond mit 70.2, 11.5 Punkte hinter Qwen3.5-9B. HLE liegt bei 12.6 (Verbose-Variante).

Was ist TwIL-8B?

TwIL-8B ist ein dichtes Decoder-only Reasoning-Modell von webAI. Es hat 40 Schichten, eine Hidden Size von 4096 und 32 Attention Heads mit 8 KV Heads. Eingabe und Ausgabe sind ausschließlich englischer Text. Das Modell schreibt einen <think> -Block vor jeder Antwort.

Es wird in 2 Varianten mit derselben Architektur und demselben Tokenizer ausgeliefert. Balanced ist die Standardeinstellung und erzeugt kürzere Reasoning-Traces. Verbose argumentiert länger und zielt auf schwierige Aufgaben im Contest-Stil.

TwIL-8B erweitert webAIs TwIL-Familie. Die ersten Mitglieder waren 1,7B- und 3B-Formallogik-Modelle veröffentlicht im August 2026.

Wie wurde TwIL-8B trainiert?

webAI verwendete 3 Post-Training-Stufen:

1. Full-Parameter-SFT auf Reasoning-Traces für Mathematik, MINT und Instruktionsbefolgung.
2. GRPO/DAPO-Verstärkungslernen auf Mathe-, Code-, MINT- und Instruktions-Prompts. Dies erzeugt die verbose Variante.
3. Längenbewusstes RL mit einer Belohnung, die kürzere Traces gegenüber domänenspezifischen Längenreferenzen bevorzugt. Dies erzeugt die balanced Variante.

Die Trainingspools wurden mittels 13-gram-Abgleich gegen AIME, HMMT, MATH-500, GPQA und andere Evals dekontaminiert.

Wie schneidet TwIL-8B bei Benchmarks ab?

Alle TwIL-8B-Werte sind selbst berichtete High-Effort-pass@1-Werte mit aktiviertem Thinking. Mit † markierte Werte wurden nur auf der verbose Variante gemessen.

• Mathematik: TwIL-8B erreicht 98,2 auf MATH-500. Qwen3.5-9B listet 96,6 auf einem Drittanbieter-Leaderboard. Gemma 4 31B erzielte 87,9 im lighteval-Durchlauf von Red Hat. Auf AIME 2025 erreicht TwIL-8B 88,3 gegenüber 87,1 für Gemma 4 31B. Auf AIME 2026 erzielt es 88,3, hinter Qwen3.5-9B mit 92,5 und Gemma 4 31B mit 89,2.
• Code: LiveCodeBench† liegt bei 81,6, gegenüber 65,6 für Qwen3.5-9B und 80,0 für Gemma 4 31B. webAI gibt an, dass seine LiveCodeBench-Version nicht erfasst wurde. Die Wettbewerber-Werte sind v6.
• Instruktionsbefolgung: IFBench† liegt bei 74,4, 9,9 Punkte über Qwen3.5-9B mit 64,5. IFEval ist ausgeglichen, mit 91,8 vs 91,5.
• Wissen: Das ist die Schwachstelle. GPQA Diamond liegt bei 70,2, gegenüber 81,7 für Qwen3.5-9B und 84,3 für Gemma 4 31B. MMLU-Pro† liegt bei 76,5 vs 82,5 für Qwen3.5-9B.

Über 13 gemeinsame Benchmarks hinweg liegt TwIL-8B mit 7-6 gegen Qwen3.5-9B vorn. Gegen Gemma 4 31B, etwa das 3,5-fache seiner Größe, liegt es mit 3-11 zurück.

Verwendet TwIL-8B weniger Reasoning-Tokens?

Ja, gegenüber seinem nächsten offenen Wettbewerber. Bei AIME 2026 verwendet TwIL-8B im Durchschnitt etwa 19.5k Output-Tokens pro Aufgabe. Qwen3.5-9B verwendet 31.2k, also nutzt TwIL-8B 38% weniger. Es liegt 4.2 Punkte niedriger. Bei HMMT Feb 2026 beträgt die Lücke 32.9k gegenüber 40.6k, also 19% weniger.

Frontier-Modelle bleiben deutlich schlanker. webAI nennt etwa 5k Tokens pro AIME 2026-Aufgabe für GPT-5.5. webAI stellt fest, dass Harnesses und Tokenizer sich unterscheiden, daher ist dies als Richtwert zu verstehen.

TwIL-8B vs. Qwen3.5-9B vs. Gemma 4

TwIL-8B-Zahlen aus der Model Card. † = ausführliche Variante. Alle Scores wurden von den jeweiligen Anbietern selbst berichtet, sofern nicht anders gekennzeichnet.

Wie führt man TwIL-8B lokal aus?

from_pretrained("webAI-Official/TwIL-8B") lädt die balancierte Variante. Übergib subfolder="verbose" für die ausführliche Variante. Die Model Card listet GGUF-Builds für llama.cpp:

• Q4_K_M, 4.98 GiB, für beide Varianten
• Q8_0, 8.70 GiB, nur ausführliche Variante
• F16, 16.38 GiB, nur ausführliche Variante

Gib ihm ein großes Generierungsbudget. Das Beispiel der Card setzt max_new_tokens=32768. Ein kurzes Budget schneidet die Begründung ab und erzielt deutlich schlechtere Ergebnisse. Alle berichteten Scores verwendeten bf16-Gewichte, rechne also mit kleinen Einbußen bei Q4_K_M. Noch kein gehosteter Inferenz-Anbieter stellt das Modell auf Hugging Face bereit.

Wichtigste Erkenntnisse

• TwIL-8B ist ein dichtes Reasoning-Modell mit 8.79B, post-trainiert von IBM Granite 4.2 8B.
• Es erreicht 98.2 auf MATH-500 und 81.6† auf LiveCodeBench.
• Es verwendet 38% weniger Tokens als Qwen3.5-9B auf AIME 2026.
• Das Wissen ist schwach: GPQA Diamond liegt 11.5 Punkte hinter Qwen3.5-9B.
• Die Gewichte sind offen, aber ausschließlich für nicht-kommerzielle Nutzung lizenziert.

Schau dir die Model Card und Gewichte auf Hugging Face an und webAIs Ankündigung auf X. Folgen Sie uns außerdem gerne auf Twitter und vergessen Sie nicht, unserem 150k+ML SubReddit beizutreten und unseren Newsletterzu abonnieren. Moment! Sind Sie auf Telegram? jetzt können Sie uns auch auf Telegram beitreten.

Möchten Sie mit uns zusammenarbeiten, um Ihr GitHub Repo ODER Ihre Hugging Face Page ODER Ihre Produktveröffentlichung ODER ein Webinar etc. zu bewerben? Kontaktieren Sie uns

Der Beitrag webAI Releases TwIL-8B, an 8.8B Reasoning Model Scoring 98.2 on MATH-500 erschien zuerst auf MarkTechPost.