webAI ha pubblicato i pesi di TwIL-8B, un modello di ragionamento da 8,8 miliardi di parametri scaricabile su Hugging Face. L'annuncio è di David Stout, CEO dell'azienda, che su X sostiene che il settore dovrebbe smettere di inseguire il modello più potente a qualsiasi costo e misurarsi invece sul costo per completare un lavoro.

Psst!Aggiungi AlexTech.ai comeFonte Preferita su Google

TwIL-8B è stato costruito partendo da IBM Granite 4.2 8B con addestramento supervisionato, apprendimento per rinforzo e una fase di apprendimento sensibile alla lunghezza delle risposte. Esiste in due varianti, Balanced e Verbose, con la stessa architettura e una finestra di contesto di 131.072 token. Secondo il model card, la versione Balanced ottiene 98,2 su MATH-500, mentre LiveCodeBench e IFBench sono misurati sulla Verbose.

official image of webAI apre TwIL-8B

Immagine: webai.com — https://www.webai.com/blog/meet-twil-lm3-pro-webai-s-next-step-in-local-reasoning

I numeri che l'azienda mette in primo piano riguardano coding, istruzioni e matematica: il 93% delle prestazioni dei modelli di frontiera nel coding, il 92% nel seguire istruzioni e il 90% nella matematica da gara. Sono tutti valori autodichiarati da webAI. Sui benchmark di conoscenza il modello resta indietro: nel GPQA Diamond ottiene 70,2 e perde 11,5 punti rispetto a Qwen3.5-9B.

La versione quantizzata a 4 bit in formato GGUF pesa 4,98 GiB, contro i circa 16,4 GiB della versione completa in bf16. Un utente su X che ha provato la build MLX a 4 bit su un Mac mini con 64 GB di memoria riferisce di aver superato 69 prove su 69, con circa 54 token al secondo. Esiste anche una guida per farlo girare su un DGX Spark di NVIDIA con llama.cpp.

Licenza e accesso

Il modello è distribuito con una licenza non commerciale di webAI: l'uso è consentito per ricerca e studio, non per prodotti a pagamento. Il model card non riporta prezzi né un'API gestita, e al momento non risulta un fornitore di inferenza ospitata.

L'annuncio arriva in un momento in cui i modelli piccoli aperti si avvicinano sempre più alle prestazioni dei sistemi chiusi nei compiti di ragionamento ristretti. Come ricordato in precedenza su AlexTech, MiniCPM5-2B di OpenBMB ha già stabilito un punteggio di riferimento per i modelli sotto i 4 miliardi di parametri, mentre Telperion ha mostrato come ridurre la cache KV di un modello da 27B per gestire contesti più lunghi.

Sul piano dei costi, la tesi di Stout trova un riscontro nel fatto che i prezzi dei modelli più capaci stanno calando rapidamente, anche se per ora i benchmark restano quelli dichiarati dall'azienda, e non sono ancora stati verificati in modo indipendente.