Introducción
webAI ha presentado TwIL-8B, un modelo de razonamiento de 8,79B parámetros post-entrenado a partir de IBM Granite 4.2 8B. El modelo está diseñado para tareas de razonamiento matemático, programación y seguimiento de instrucciones, y destaca especialmente en pruebas de matemáticas, donde alcanza la mejor puntuación de la comparación publicada por webAI.
TwIL-8B solo procesa y genera texto en inglés. Antes de cada respuesta, escribe un bloque <think> con su razonamiento. Su arquitectura incluye 40 capas, un hidden size de 4.096, 32 cabezas de atención y 8 cabezas KV, con un contexto de 131.072 tokens heredado del modelo base.
El modelo extiende la familia TwIL de webAI, cuyos primeros miembros fueron modelos de lógica formal de 1.700 y 3.000 millones de parámetros lanzados en agosto de 2026.
Dos variantes para equilibrar razonamiento y eficiencia
TwIL-8B se publica en dos variantes con la misma arquitectura y el mismo tokenizer:
- Balanced: es la variante predeterminada y genera trazas de razonamiento más cortas.
- Verbose: razona durante más tiempo y está orientada a problemas difíciles de concurso.
La elección entre ambas depende del equilibrio deseado entre profundidad de razonamiento y coste computacional.
Cómo se entrenó TwIL-8B
El modelo se desarrolló mediante tres etapas de post-entrenamiento:
- Supervised fine-tuning (SFT) de parámetros completos: el modelo se entrenó con trazas de razonamiento de matemáticas, STEM y seguimiento de instrucciones.
- Aprendizaje por refuerzo con GRPO/DAPO: esta etapa utilizó prompts de matemáticas, código, STEM e instrucciones, y dio lugar a la variante verbose.
- Aprendizaje por refuerzo con conciencia de longitud: la recompensa favorece trazas más cortas según referencias de longitud por dominio, lo que produjo la variante balanced.
Los datos de entrenamiento se descontaminaron mediante coincidencia de 13-gramas contra AIME, HMMT, MATH-500, GPQA y otras evaluaciones.
Resultados: TwIL-8B destaca en matemáticas y programación
Las puntuaciones siguientes son auto-reportadas por webAI y corresponden a pass@1 de alto esfuerzo con el pensamiento activado. Las marcadas con † solo se midieron en la variante verbose.
En MATH-500, TwIL-8B alcanza 98,2 puntos, la mejor puntuación de la comparación de webAI. Supera por 1,6 puntos a Qwen3.5-9B, que registra 96,6, y por 10,3 puntos a Gemma 4 31B, que obtiene 87,9.
En AIME 2025, TwIL-8B logra 88,3 puntos, frente a los 87,1 de Gemma 4 31B. En AIME 2026, también obtiene 88,3 puntos, aunque queda por detrás de Qwen3.5-9B (92,5) y de Gemma 4 31B (89,2).
En programación, TwIL-8B alcanza 81,6 puntos en LiveCodeBench†, frente a 65,6 de Qwen3.5-9B y 80,0 de Gemma 4 31B. webAI advierte que su versión de LiveCodeBench no quedó registrada, mientras que las de los competidores corresponden a la versión 6.
En seguimiento de instrucciones, el modelo obtiene 74,4 puntos en IFBench†, lo que supone superar en 9,9 puntos a Qwen3.5-9B, que registra 64,5. En IFEval, TwIL-8B alcanza 91,8 puntos, frente a 91,5 del modelo comparado, un resultado prácticamente empatado.
| Benchmark | TwIL-8B | Qwen3.5-9B | Gemma 4 31B |
|---|---|---|---|
| MATH-500 | 98,2 | 96,6 | 87,9 |
| AIME 2025 | 88,3 | — | 87,1 |
| AIME 2026 | 88,3 | 92,5 | 89,2 |
| LiveCodeBench† | 81,6 | 65,6 | 80,0 |
| IFBench† | 74,4 | 64,5 | — |
| IFEval | 91,8 | 91,5 | — |
| GPQA Diamond | 70,2 | 81,7 | 84,3 |
| MMLU-Pro† | 76,5 | 82,5 | 85,2 |
Su principal punto débil está en el conocimiento general: en GPQA Diamond, TwIL-8B obtiene 70,2 puntos, frente a 81,7 de Qwen3.5-9B y 84,3 de Gemma 4 31B. En MMLU-Pro†, registra 76,5 puntos, frente a 82,5 de Qwen3.5-9B y 85,2 de Gemma 4 31B.
En los 13 benchmarks compartidos, TwIL-8B gana siete de los enfrentamientos con Qwen3.5-9B y tres con Gemma 4 31B, un modelo de casi 3,5 veces su tamaño.
Eficiencia: menos tokens que sus competidores directos
TwIL-8B también destaca por su eficiencia en el uso de tokens. En AIME 2026, el modelo genera una media de unos 19.500 tokens de salida por problema, frente a los 31.200 de Qwen3.5-9B, es decir, un 38% menos de tokens. La diferencia de puntuación es de 4,2 puntos a favor de Qwen3.5-9B.
En HMMT de febrero de 2026, TwIL-8B genera 32.900 tokens por problema, frente a 40.600 de Qwen3.5-9B, un 19% menos.
| Evaluación | TwIL-8B | Qwen3.5-9B | Diferencia |
|---|---|---|---|
| AIME 2026 | 19.500 tokens | 31.200 tokens | 38% menos |
| HMMT (febrero 2026) | 32.900 tokens | 40.600 tokens | 19% menos |
No obstante, los modelos frontera siguen siendo mucho más eficientes: webAI cita unos 5.000 tokens por problema de AIME 2026 para GPT-5.5. La empresa advierte que los harnesses y tokenizadores difieren, por lo que esta comparación debe tomarse como orientativa.
Disponibilidad, ejecución local y formatos GGUF
TwIL-8B está disponible en Hugging Face como webAI-Official/TwIL-8B. La carga con from_pretrained("webAI-Official/TwIL-8B") corresponde a la variante balanced, mientras que la variante verbose se carga con subfolder="verbose".
La model card también lista builds GGUF para llama.cpp:
| Formato GGUF | Tamaño | Variantes |
|---|---|---|
| Q4_K_M | 4,98 GiB | Balanced y Verbose |
| Q8_0 | 8,70 GiB | Solo Verbose |
| F16 | 16,38 GiB | Solo Verbose |
Conviene asignar un presupuesto de generación amplio: el ejemplo de la model card utiliza max_new_tokens=32768. Un presupuesto corto puede truncar el razonamiento y empeorar mucho las puntuaciones.
Todas las puntuaciones reportadas utilizaron pesos bf16, por lo que webAI contempla pequeñas reducciones de rendimiento al utilizar la cuantización Q4_K_M. Por ahora, ningún proveedor de inferencia alojada ofrece el modelo en Hugging Face.
Los pesos se distribuyen bajo la licencia no comercial de webAI (webAI Non-Commercial 1.0).
TwIL-8B en contexto
webAI es la empresa responsable de la familia de modelos TwIL. Su familia TwIL comenzó con modelos de lógica formal de 1.700 y 3.000 millones de parámetros lanzados en agosto de 2026. TwIL-8B extiende esa línea hacia el razonamiento matemático y de programación con una escala mayor.
Un modelo centrado en el razonamiento especializado
TwIL-8B muestra un perfil claro: lidera en matemáticas y programación, pero queda por detrás en conocimiento general. Su combinación de rendimiento, eficiencia de tokens y ejecución local lo convierte en una opción interesante para tareas de razonamiento especializado.
