webAI เปิดตัว TwIL-8B โมเดลการให้เหตุผลจิ๋วแต่แจ๋ว คะแนน MATH-500 พุ่ง 98.2

webAI ประกาศเปิดตัว TwIL-8B โมเดลการให้เหตุผล (Reasoning Model) ขนาด 8.8B ที่เน้นประสิทธิภาพด้านคณิตศาสตร์ การเขียนรหัสคอมพิวเตอร์ และการปฏิบัติตามคำสั่ง (instruction following) โดยโมเดลรุ่นนี้ได้รับการทำ post-trained จากโมเดลฐาน Granite 4.2 8B ของ IBM พร้อมเปิดให้ดาวน์โหลด weights บน Hugging Face ภายใต้ใบอนุญาตแบบไม่ใช้เพื่อการค้า

จุดเด่นที่ webAI เน้นย้ำคือเรื่องต้นทุนต่อภารกิจ (cost per task) มากกว่าเพียงแค่ขนาดของโมเดล โดยเวอร์ชัน 4-bit มีขนาดไฟล์เพียง 4.98 GiB ทำให้เหมาะสมอย่างยิ่งสำหรับการทำ inference บน CPU หรือ GPU ที่มี VRAM จำกัด ช่วยให้ผู้ใช้งานทั่วไปเข้าถึงโมเดลประสิทธิภาพสูงได้ง่ายขึ้น

TL;DR

• ขนาด: 8.79B parameters แบบ dense พร้อม context 131,072-token
• การใช้งาน: รันบน CPU หรือ GPU สเปกต่ำได้ผ่านไฟล์ Q4_K_M GGUF (4.98 GiB) ส่วน weights แบบ bf16 เต็มรูปแบบอยู่ที่ 16.38 GiB
• ประสิทธิภาพ: เป็นผู้นำในกลุ่มโมเดลขนาดเดียวกันด้านคณิตศาสตร์และโค้ด แต่ยังมีจุดอ่อนในด้านเกณฑ์วัดความรู้ทั่วไป
• คะแนนสูงสุด: MATH-500 ทำได้ 98.2 คะแนน ซึ่งเป็นระดับสูงสุดในการทดสอบของ webAI
• คะแนนต่ำสุด: GPQA Diamond อยู่ที่ 70.2 ตามหลัง Qwen3.5-9B อยู่ 11.5 จุด ส่วน HLE อยู่ที่ 12.6 ในตัวแปรแบบ verbose

โมเดลนี้มีให้เลือก 2 เวอร์ชันตามลักษณะการใช้งาน ได้แก่ แบบ Balanced ซึ่งเป็นค่าเริ่มต้นที่สร้างร่องรอยการให้เหตุผล (reasoning traces) แบบกระชับ และแบบ Verbose ที่เน้นการให้เหตุผลยาวและละเอียดกว่า ออกแบบมาเพื่อแก้โจทย์ที่ยากระดับการแข่งขันโดยเฉพาะ

ในด้านการเขียนโค้ด TwIL-8B ทำคะแนน LiveCodeBench† ได้ 81.6 สูงกว่า Qwen3.5-9B (65.6) และ Gemma 4 31B (80.0) อย่างไรก็ตาม webAI หมายเหตุว่าตัวเลขของคู่แข่งมาจากเวอร์ชัน v6 ในขณะที่เวอร์ชันของตนไม่ได้ถูกบันทึกไว้ ส่วนด้านการปฏิบัติตามคำสั่ง IFBench† ทำได้ 74.4 คะแนน สูงกว่า Qwen3.5-9B เกือบ 10 จุด

อย่างไรก็ตาม ด้านความรู้ (Knowledge) ยังคงเป็นจุดที่ต้องพัฒนา โดย GPQA Diamond ทำได้ 70.2 คะแนน ซึ่งตามหลังทั้ง Qwen3.5-9B (81.7) และ Gemma 4 31B (84.3) อย่างเห็นได้ชัด เช่นเดียวกับ MMLU-Pro† ที่ทำได้ 76.5 คะแนน ต่ำกว่าคู่แข่งในระดับเดียวกัน

TwIL-8B ใช้ reasoning tokens น้อยกว่าหรือไม่?

จากการทดสอบพบว่า TwIL-8B ใช้โทเคนในการประมวลผลน้อยกว่าคู่แข่งอย่างมาก โดยในการทดสอบ AIME 2026 โมเดลนี้ใช้เฉลี่ย 19.5k output tokens ต่อปัญหา น้อยกว่า Qwen3.5-9B ถึง 38% แม้คะแนนรวมจะต่ำกว่าเล็กน้อยก็ตาม ส่วนใน HMMT Feb 2026 ก็ใช้โทเคนน้อยกว่าคู่แข่ง 19% สะท้อนถึงความสามารถในการให้เหตุผลที่ตรงจุด

ทั้งนี้ เมื่อเทียบกับ frontier models ระดับโลก webAI ระบุว่า GPT-5.5 ใช้เพียง 5k tokens ต่อปัญหา AIME 2026 ซึ่งยังคงทิ้งห่างโมเดลขนาดเล็กอยู่มาก อย่างไรก็ตาม ข้อมูลนี้ควรพิจารณาในเชิงทิศทางเท่านั้นเนื่องจากความแตกต่างของเครื่องมือทดสอบและ tokenizer

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

วิธีการรัน TwIL-8B บนเครื่องคอมพิวเตอร์

from_pretrained("webAI-Official/TwIL-8B")

โค้ดข้างต้นจะโหลดเวอร์ชัน balanced เป็นค่าเริ่มต้น หากต้องการใช้เวอร์ชัน verbose ให้ระบุ subfolder="verbose" นอกจากนี้ยังมีไฟล์รูปแบบ GGUF สำหรับ llama.cpp ให้เลือกใช้ตามความเหมาะสมของหน่วยความจำ ตั้งแต่ขนาด 4.98 GiB ไปจนถึง 16.38 GiB

ผู้ใช้งานควรตั้งค่า max_new_tokens=32768 เพื่อให้โมเดลมีพื้นที่ในการประมวลผลเหตุผลอย่างเต็มที่ หากกำหนดงบประมาณโทเคนสั้นเกินไป อาจส่งผลให้การให้เหตุผลถูกตัดตอนและคะแนนประสิทธิภาพลดลงอย่างมาก ปัจจุบันโมเดลนี้ยังไม่มีบริการบน hosted inference ของ Hugging Face

ประเด็นสำคัญที่น่าจับตา

โมเดล TwIL-8B พิสูจน์ให้เห็นว่าโมเดลขนาดเล็ก (8.79B) สามารถมีประสิทธิภาพด้านการคำนวณที่เหนือชั้นได้ด้วยการทำ post-trained ที่มีคุณภาพ แม้จะมีข้อจำกัดเรื่องความรู้ทั่วไปและใบอนุญาตที่จำกัดเฉพาะการใช้งานที่ไม่แสวงหากำไร แต่การใช้โทเคนน้อยลงถึง 38% ในบางการทดสอบก็ถือเป็นก้าวสำคัญของการพัฒนาโมเดล AI สายประหยัดพลังงานและทรัพยากร