استارتاپ webAI مدل استدلالگر TwIL-8B را برای حل مسائل ریاضی و کدنویسی منتشر کرد

معرفی مدل

استارتاپ آمریکایی webAI مستقر در آستین و به رهبری David Stout، از مدل استدلالگر جدیدی با نام TwIL-8B و با ۸٫۸ میلیارد پارامتر رونمایی کرد و آن را به‌صورت متن‌باز در اختیار جامعه پژوهشگران گذاشت. این مدل بر پایه مدل ibm-granite/granite-4.2-8b شرکت IBM آموزش دیده و مراحل تنظیم دقیق تمام پارامترها (Full-Parameter SFT) را به‌همراه یاد‌گیری تقویتی با روش‌های GRPO و DAPO سپری کرده است. علاوه بر این، بهره‌گیری از راهکار یاد‌گیری تقویتی حساس به طول خروجی باعث شده است که این مدل در دو نگارش «متعادل» (Balanced به‌عنوان گزینه پیش‌فرض) و «مشروح» (Verbose) عرضه شود. بر اساس گزارش رسمی این شرکت، این مدل در بنچمارک‌های معتبری چون MATH-500 با امتیاز ۹۸٫۲ و LiveCodeBench با امتیاز ۸۱٫۶ در حالت مشروح، رتبه‌های برتر را در میان مدل‌های متن‌باز همردیف به خود اختصاص داده است. هم‌چنین در آزمون IFBench حدود ۹٫۹ امتیاز بالاتر از مدل Qwen3.5-9B ثبت کرده و در سناریوهای کدنویسی و درک دستورالعمل‌ها به سطحی معادل ۸۸ تا ۹۳ درصد از توانایی مدل‌های پرچمدار تجاری رسیده است.

وزن‌های اصلی مدل و نسخه‌های فشردهسازی شده GGUF در صفحه اختصاصی webAI-Official/TwIL-8B در پلتفرم Hugging Face منتشر شده‌اند که حجم فایل اصلی در قالب bf16 نزدیک به ۱۶٫۴ گیگابایت و حجم نسخه بهینه‌سازی شده Q4_K_M در حدود ۵ گیگابایت است. دسترسی به این مدل تحت مجوز غیرتجاری webAI (نسخه ۱٫۰) فراهم شده است؛ هرچند مدل پایه Granite همچنان با مجوز آپاچی ۲٫۰ ارائه می‌شود. لازم به ذکر است که نباید این مجموعه را با وبسرویس هوش مصنوعی مرورگر اپرا با نام WebAI اشتباه گرفت؛ زیرا این خط تولید جدید منحصراً به پروژه‌های تحقیقاتی شرکت webAI تعلق دارد.

بررسی فنی و ساختاری

مسئله و هدف اصلی

مدل‌های کوچک که برای اجرای محلی طراحی می‌شوند، معمولاً در رویارویی با مسائل دشوار ریاضی و چالش‌های پیچیده برنامه‌نویسی عملکرد ضعیفتر یا کندتری دارند. مدل TwIL-8B دقیقاً برای رفع این نقیصه بازطراحی شده است و با استفاده از روش‌های یاد‌گیری تقویتی آگاه به طول، سعی می‌کند زنجیره‌های فکری و مسیرهای استدلال را فشردهتر کند تا بهینگی و سرعت پاسخگویی روی سیستم‌عامل کاربران افزایش یابد.

تمایزها و مقایسه عملکرد

مدل TwIL-8B متعلق به خانواده مدل‌های استدلالی TwIL است، اما برخلاف برادران بزرگ‌تر خود که تمرکز اصلی آنها بر استدلال منطقی صوری محض بود، خط تولید 8B روی ریاضیات، کدنویسی و پیروی دقیق از دستورات متمرکز شده است. در سنجش مستقیم با مدل مطرح Qwen3.5-9B، این مدل در بخش‌های کدنویسی و پیروی از دستورات بسیار قوی‌تر ظاهر می‌شود، اگرچه در آزمون‌های سنجش دانش عمومی مانند GPQA امتیاز کمتری به دست می‌آورد.

محدودیت‌ها

• انتشار وزن‌ها با مجوز غیرتجاری محدود شده است.
• میزان تسلط مدل بر آزمون‌های دانش عمومی و HLE نسبت به مدل‌های بسیار بزرگ مقیاس کمتر است و مسیر استدلال در برخی مواقع طولانی می‌شود.
• شماری از بالاترین رکوردهای ثبتشده برای مدل صرفاً در حالت مشروح (Verbose) قابل دسترسی هستند.

راهنمای استفاده و کاربردها

مخاطبان هدف

این مدل برای پژوهشگران، توسعه‌دهندگان و اشخاصی طراحی شده است که می‌خواهند یک مدل استدلالگر قدرتمند محلی را برای حل معادلات ریاضی و ارزیابی مسائل کدنویسی روی سخت‌افزار شخصی و بدون نیاز به اتصال دائم اینترنت اجرا کنند.

نحوه شروع به کار

1. مراجعه به صفحه رسمی مدل در پلتفرم Hugging Face.
2. بارگذاری مدل از طریق کتابخانه Transformers یا نرم‌افزار llama-cli با استفاده از نگارش پایدار و متعادل فایل کوانتایز‌شده Q4 GGUF.
3. تنظیم سقف مجاز توکن تولیدی در محدوده بالا و انتخاب هوشمندانه بین دو حالت متعادل یا مشروح با توجه به سطح دشواری و پیچیدگی مسئله.