TwIL-LM3-Pro: โมเดลตรรกศาสตร์เชิงรูปแบบขนาด 3.66B ที่ส่งมอบตามคำขอทางอีเมล

TwIL-LM3-Pro เป็นโมเดลให้เหตุผลขนาด 3.66 พันล้านพารามิเตอร์จาก webAI สร้างขึ้นโดยเฉพาะสำหรับตรรกศาสตร์เชิงรูปแบบมากกว่าการสนทนาทั่วไป และอยู่บน Hugging Face ตั้งแต่ 3 กันยายน 2026 มันไม่ใช่การเปิดตัวใหม่ และกรอบเรื่องเล่าที่กำลังแพร่กระจายอยู่รอบ ๆ มันในสัปดาห์นี้ — ที่ว่า webAI “ได้เปิดตัวโมเดล 3.66B” — สายไปหนึ่งเดือนเมื่อเทียบกับตัวเวต สิ่งที่เปลี่ยนไปจริง ๆ ในช่วงไม่กี่วันล่าสุดนั้นเล็กกว่าและมีประโยชน์กว่า: เช็กพอยต์ได้รับการแก้ไขเมื่อ 30 กันยายน และเมื่อ 1 ตุลาคม webAI ได้เผยแพร่บิลด์ LiteRT-LM ของโมเดลสำหรับการอินเฟอเรนซ์บนอุปกรณ์ Android และ iOS ดังนั้นคำถามที่น่าสนใจไม่ใช่ว่า TwIL-LM3-Pro คืออะไร แต่คือคุณจะได้มันมาหรือไม่ และคำตอบขึ้นอยู่กับว่าคุณกำลังยืนอยู่ในช่องทางเผยแพร่ใดจากสามช่องทาง — เพราะหนึ่งในนั้นเป็นแบบฟอร์ม

ความแตกต่างนั้นสำคัญกว่าที่ปกติจะเป็น เพราะ TwIL-LM3-Pro ไม่ใช่ผลิตภัณฑ์ที่คุณเพียงแค่เรียกใช้ได้ มันคือเช็กพอยต์ที่คุณดาวน์โหลด รันบนฮาร์ดแวร์ของคุณเอง และยอมรับข้อกำหนดของสัญญาอนุญาตที่ห้ามใช้เชิงพาณิชย์ การเปรียบเทียบที่การ์ดโมเดลของมันเองชักชวนให้ทำ — กับ Qwen3-8B ซึ่งเป็นโมเดลที่มีพารามิเตอร์มากกว่าสองเท่า — เป็นเรื่องจริง แต่เป็นการเปรียบเทียบจากเบนช์มาร์กที่ผู้ขายรันบนฮาร์เนสที่ผู้ขายสร้างขึ้น และตัวการ์ดโมเดลเองก็บอกเช่นนั้นในหลายจุดยิ่งกว่าการ์ดโมเดลส่วนใหญ่ บทความนี้วิเคราะห์การ์ดนั้นอย่างละเอียด และแยกสิ่งที่ webAI วัดได้ออกจากสิ่งที่คนอื่นมี

สิ่งที่โมเดลเป็นจริง ๆ

`, numbers. Need translate surrounding. Keep product names, code, backticks. Need likely use Thai. Ensure technical terms. Let's craft. Original: "TwIL-LM3-Pro is a dense Granite decoder — `GraniteForCausalLM`, 40 layers, hidden size 2,560, 40 attention heads against 8 key-value heads — derived from IBM's `granite-4.2-3b`. The 3.66B parameter count is the real total, 3,659,737,600, and the context window is the base model's 131,072 tokens carried through unchanged. It emits a `<think>…</think>` block before answering and was evaluated with greedy decoding at a 2,048-token budget." Translate Thai: TwIL-LM3-Pro เป็นตัวถอดรหัส Granite แบบ dense — `GraniteForCausalLM`, 40 เลเยอร์, ขนาด hidden 2,560, หัวความสนใจ 40 หัวเทียบกับ 8 key-value heads — ต่อยอดมาจาก `granite-4.2-3b` ของ IBM จำนวนพารามิเตอร์ 3.66B คือยอดรวมจริง 3,659,737,600 และหน้าต่างบริบทคือ 131,072 โทเค็นของโมเดลฐานที่ส่งต่อมาโดยไม่เปลี่ยนแปลง มันสร้างบล็อก `<think>…</think>` ก่อนตอบ และถูกประเมินด้วยการถอดรหัสแบบ greedy ที่งบประมาณ 2,048 โทเค็น Need maybe "dense" keep. "decoder" maybe "ตัวถอดรหัส". "attention heads" "head" etc. "key-value heads" maybe Thai "หัว key-value" or keep key-value heads. "carried through unchanged" "ส่งผ่านมาโดยไม่เปลี่ยนแปลง". "emits" "สร้าง" maybe "ปล่อย". "greedy decoding" keep? "การถอดรหัสแบบ greedy". Good. No markers. Output only translated. Ensure no preamble.TwIL-LM3-Pro เป็นตัวถอดรหัส Granite แบบ dense — `GraniteForCausalLM`, 40 เลเยอร์, ขนาด hidden 2,560, หัวความสนใจ 40 หัวเทียบกับ 8 key-value heads — ต่อยอดมาจาก `granite-4.2-3b` ของ IBM จำนวนพารามิเตอร์ 3.66B คือยอดรวมจริง 3,659,737,600 และหน้าต่างบริบทคือ 131,072 โทเค็นของโมเดลฐานที่ส่งผ่านมาโดยไม่เปลี่ยนแปลง มันปล่อยบล็อก `<think>…</think>` ก่อนตอบ และถูกประเมินด้วยการถอดรหัสแบบ greedy ที่งบประมาณ 2,048 โทเค็น

สแตกหลังการฝึกคือส่วนที่จริง ๆ แล้ว webAI อยากให้คุณดู และมันมีเอกสารประกอบละเอียดอย่างผิดปกติสำหรับโมเดลขนาดนี้: การทำ supervised fine-tune ด้วย LoRA แบบ rank-64 บนคลังข้อมูลตรรกศาสตร์เชิงรูปแบบสังเคราะห์ การกลั่นแบบหลายเส้นทางเพื่อสร้างร่องรอยการให้เหตุผลหลายชุดต่อพรอมป์ต์หนึ่งรายการ การหลอมรวมเช็กพอยต์ในปริภูมิพารามิเตอร์แทนที่จะใช้เช็กพอยต์สุดท้าย การประมาณค่าในช่วง WiSE-FT ที่ α = 0.15 ซึ่งผสานกลับเข้าหาฐานที่ผ่านการฝึกมาก่อนด้วย TIES และ DARE-SLERP และสุดท้ายคือขั้นตอน GRPO ที่ถ่วงน้ำหนักด้วยเอนโทรปี — webAI เรียกมันว่า MGPO — เทียบกับตัวตรวจสอบเชิงโปรแกรม รันไปจนถึงสเต็ป 2580 ซึ่งเป็นเช็กพอยต์ที่ถูกส่งมอบ

อาร์ติแฟกต์ที่เผยแพร่คือ policy ที่ merge แล้ว ไม่ใช่ LoRA adapter ซึ่งเป็นรายละเอียดในทางปฏิบัติที่สำคัญ: คุณสามารถรันมันเป็นโมเดลแบบสแตนด์อโลนได้ ใน bf16 ที่ 6.82 GiB หรือเป็น Q4_K_M GGUF ที่ 2.09 GiB บน CPU หรือ VRAM 4 GB นั่นคือข้ออ้างที่ว่า "รันบนแล็ปท็อปได้" และเป็นข้ออ้างเดียวใน model card ทั้งหมดที่ตรวจสอบได้ง่ายมาก จึงน่าเชื่อถือ

การเปรียบเทียบ Qwen3-8B อ่านอย่างละเอียด

พาดหัวที่ webAI ใช้กับโมเดลคือ TwIL-LM3-Pro ขึ้นถึงจุดสูงสุดของแถวสรุป Track A ของตัวเองที่ 3.66B พารามิเตอร์ แถวสรุปทั้งสี่คือ macro gate ที่ 0.5539, strict-7 ที่ 0.2879, ค่าเฉลี่ยหกเลนที่ 0.5389, และ macro_primary ที่ 0.5875 เมื่อเทียบกับ Qwen3-8B, macro gate คือ 0.5539 เทียบกับ 0.5336 — และการ์ดโมเดลเองก็เขียนประโยคที่หน้าเพจการตลาดคงลบออกไป: "ความได้เปรียบของ gate เหนือ Qwen3-8B คือ 0.020 — น้อยกว่าสัญญาณรบกวนจากการสุ่มที่ n = 200 ต่อเลน — ดังนั้นให้อ่านอันนั้นเป็นความเสมอภาค ไม่ใช่ชัยชนะ"

นั่นคือบรรทัดที่สำคัญที่สุดเพียงบรรทัดเดียวบนหน้านี้ การนำเสนอผลลัพธ์หลักของ webAI คือว่ามันเสมอกัน ส่วนในจุดที่การเปรียบเทียบไม่เสมอกัน:

• Strict-7 — TwIL-LM3-Pro 0.2879 เทียบกับ Qwen3-8B 0.2093 และแถวนี้ไม่ใช้เครดิตการจับคู่แบบหลวมในจุดใดเลย ดังนั้นจึงไม่สามารถเกิดขึ้นได้จากความโชคดีด้านการจัดรูปแบบ

• MCQ แบบเข้มงวด — TwIL-LM3-Pro 0.4100 เทียบกับ Qwen3-8B 0.0000 ซึ่งเป็นช่องว่างของเลนที่กว้างที่สุดใน 11 แถวที่รายงาน

• การเหนี่ยวนำกฎ — TwIL-LM3-Pro 0.4195 เทียบกับ Qwen3-8B 0.3680

• ความเข้ากันได้กับคลังข้อความ — ค่า perplexity ของ `lm_corpus` ที่ต่ำที่สุดของอาร์มใด ๆ อยู่ที่ 2.3130 โดย Qwen3-8B อยู่ที่ 2.5478

• พารามิเตอร์ — 3.66B เทียบกับประมาณ 8B ซึ่งเป็นพื้นฐานทั้งหมดสำหรับข้ออ้างที่ว่า "พารามิเตอร์น้อยกว่าครึ่งหนึ่ง"

มีข้อควรระวังสองข้อประกอบกับตารางนั้น และ webAI ระบุไว้ทั้งสองข้อ การสร้างของ Track A จาก TwIL-LM3-Pro มีค่าเฉลี่ย 1,902 โทเคน และ 24.2% ของจำนวนเหล่านั้นชนเพดานความยาว เทียบกับ 564 โทเคนสำหรับ TwIL-LM3 รุ่นก่อนหน้าของตัวเอง คำที่การ์ดใช้เรียกช่องว่างที่เกิดขึ้นคือ “บ่งชี้มากกว่าจะเป็นค่าที่แน่นอน” และตัวเลขทรูพุตในตารางถูกวัดในเซสชันภายหลังบน vLLM ที่ใหม่กว่า (0.19.1) เมื่อเทียบกับคอลัมน์เปรียบเทียบ (0.11.2) ดังนั้นแถวโทเคนต่อวินาทีจึงเทียบกันได้ และเทียบกับส่วนที่เหลือได้เพียงโดยประมาณเท่านั้น

ในจุดที่มันไม่ชนะ

บนชุดทดสอบ held-out การ์ดโมเดลก็พูดตรง ๆ ว่า "TwIL-LM3-Pro ไม่ได้เป็นผู้นำในชุดนี้" ค่า macro ของ 10 ชุดข้อมูลอยู่ที่ 0.7901 ซึ่งอยู่ในระดับเดียวกันทางสถิติกับโมเดลฐานของตัวเองที่ 0.7942 และตามหลัง Qwen3-8B ที่ 0.8493 กับ gpt-oss-120b ที่ 0.8689 อยู่ไกล ค่า macro ของ 14 ชุดข้อมูลของมันที่ 0.7425 สูงกว่าโมเดลฐาน 0.0093 และการเพิ่มขึ้นทั้งหมดนั้นมาจาก BBH-logic (0.9540 เทียบกับ 0.9013 ของโมเดลฐาน) — ถ้าตัดแถวนั้นออกเพียงแถวเดียว โมเดลจะเฉลี่ย 0.7263 จากสิบสามแถวที่เหลือ ซึ่งต่ำกว่า 0.7350 ของ VibeThinker-3B

มีจุดอ่อนที่แท้จริงสามจุดภายในสาขาเฉพาะทางนี้ ซึ่งเปิดเผยทั้งหมดแล้ว: FOL translation exact match ที่ 0.0100, `procedural` ที่ 0.1200 แบบ strict, และ semantic-parse exact match ที่ 0.0000 Rule induction แยกวิเคราะห์เพียง 56.5% ของเอาต์พุต และโมเดลนี้ช่างพูดโดยโครงสร้าง — ประมาณ 792 โทเค็นต่อคำตอบ Track B เทียบกับ 482 ของรุ่นก่อน — ซึ่งเป็นต้นทุน ไม่ใช่ขีดความสามารถ

ทั้งหมดนี้ไม่ใช่การวิจารณ์การเปิดตัว มันคือสิ่งที่การ์ดโมเดลที่เขียนไว้ดีควรเป็น และเป็นเหตุผลว่าทำไมตัวเลขตรงนี้จึงอ้างอิงได้เลย

มีสามวิธีที่จะได้รับมัน และหนึ่งในนั้นคือแบบฟอร์ม

สถานการณ์การกระจายคือข่าวที่แท้จริงของสัปดาห์นี้ และมันคุ้มค่าที่จะกล่าวอย่างแม่นยำ

น้ำหนักโมเดลอยู่บน Hugging Face แบบเปิดให้เข้าถึงได้โดยไม่ต้องมีด่าน ภายใต้ webAI Non-Commercial License ver. 1.0 — ซึ่งอนุญาตให้ใช้เพื่อการวิจัยและส่วนบุคคล และกำหนดให้ต้องมีข้อตกลงแยกต่างหากกับ webAI สำหรับการนำไปใช้ที่สร้างรายได้ สัญญาอนุญาตนี้เป็นข้อจำกัดที่มีผลผูกพันต่อการเปิดตัวทั้งหมด และเป็นเหตุผลว่าทำไม TwIL-LM3-Pro จึงไม่ใช่โมเดลที่ทีมผลิตภัณฑ์ส่วนใหญ่จะนำไปใช้ได้ง่าย ๆ

webAI กล่าวว่าตระกูลนี้มียอดดาวน์โหลดเกินครึ่งล้านครั้งในหนึ่งเดือน ซึ่งเป็นตัวเลขที่บริษัทเผยแพร่ในประกาศของตนเองและยังไม่ได้รับการตรวจสอบอย่างอิสระ การดาวน์โหลดเช็กพอยต์ฟรีที่ไม่ใช่เชิงพาณิชย์ไม่ใช่ตัวแทนสำหรับการใช้งานในโปรดักชัน และ webAI ไม่ได้นำเสนอว่าการดาวน์โหลดเหล่านั้นเป็นเช่นนั้น

แพลตฟอร์มของผู้ขายเองนั้น ในทางกลับกัน ไม่ใช่ endpoint สาธารณะ webAI อธิบายตัวเองว่าเป็นแพลตฟอร์มระดับองค์กรที่นำ AI มาสู่ข้อมูลของคุณ ด้วยแอปพลิเคชันโมเดลแบบ local-first และเส้นทางเชิงพาณิชย์ของมันคือการจัดทำข้อตกลงระดับองค์กร มากกว่าจะเป็นตารางราคาต่อโทเคนที่เปิดเผยต่อสาธารณะ TwIL-LM3-Pro ก็ไม่ปรากฏอยู่ในแพลตฟอร์ม inference ของบุคคลที่สามรายใหญ่ที่จัดทำดัชนี open checkpoints เช่นกัน — เราได้ตรวจสอบแล้ว และมันก็ไม่ได้อยู่ในแค็ตตาล็อกของ OrcaRouter ด้วย — ดังนั้นคำตอบในทางปฏิบัติสำหรับ "ฉันจะเรียกใช้สิ่งนี้จาก API ได้ที่ไหน" ก็คือ ตอนนี้โดยส่วนใหญ่คุณไม่ได้เรียกใช้มันหรอก คุณดาวน์โหลดมันมาแทน

ช่องทางที่สามคือช่องทางใหม่ ที่เก็บ `TwIL-LM3-Pro-LiteRT-LM` ปรากฏขึ้นเมื่อวันที่ 1 ตุลาคม 2026 พร้อมอาร์ติแฟกต์ `.litertlm` และติดแท็กสำหรับ Android และ iOS — เป็นการแพ็กเกจรันไทม์ LiteRT-LM ของ webAI เองสำหรับเวตชุดเดียวกัน คำถามที่ต้องตอบก่อนวางแผนโดยอิงกับมันคือบิลด์นั้นสืบทอดสัญญาอนุญาตแบบไม่ใช่เพื่อการค้าหรือไม่ เพราะที่เก็บต้นทางสืบทอดสัญญาอนุญาตนั้น

ทำไมผู้เชี่ยวชาญด้านตรรกศาสตร์เชิงรูปแบบในขนาดนี้จึงน่าจับตามอง

เหตุผลที่รีลีสนี้ยังผุดขึ้นมาให้เห็นซ้ำ ๆ ไม่ใช่เพราะตาราง benchmark แต่อยู่ที่ว่า webAI เผยแพร่ไปป์ไลน์ทั้งหมด รันสูตรเดียวกันกับโมเดลฐานที่ต่างกันห้าโมเดล และรายงานว่าเกิดอะไรขึ้น ตารางเปรียบเทียบในตระกูลบันทึกความเปลี่ยนแปลงของ macro-gate ใน Track A ตั้งแต่ +0.012 ถึง +0.145 ขึ้นอยู่กับโมเดลฐาน โดยชุด held-out ยังคงอยู่ภายใน ±0.013 — ซึ่งเป็นเวอร์ชันหลักฐานที่ตรวจสอบย้อนกลับได้ของคำกล่าวที่ว่า “สิ่งนี้ generalize ได้” ค่าสัมประสิทธิ์เพียงหนึ่งค่าที่เลือกต่อโมเดลคือ merge weight ซึ่งทำการ sweep บนประสิทธิภาพชุด held-out: 0.15 สำหรับ SmolLM3, 0.20 สำหรับ Granite และ TwIL base, 0.50 สำหรับ VibeThinker-3B

นั่นเป็นสูตรที่นำมาใช้ซ้ำได้สำหรับเปลี่ยนโมเดลทั่วไปขนาดเล็กให้เป็นผู้เชี่ยวชาญเฉพาะทางแคบๆ โดยไม่ทำลายสิ่งที่มันรู้อยู่แล้ว เผยแพร่พร้อมกับผลลัพธ์เชิงลบที่แนบมาด้วย สำหรับใครก็ตามที่ต้องการป้ายกำกับความสัมพันธ์เชิงนัย (entailment labels) การทำให้ข้อความใน Lean เป็นรูปแบบทางการ (Lean statement formalisation) หรือการวิเคราะห์เชิงความหมาย (semantic parses) มากกว่าข้อความร้อยแก้วที่ลื่นไหล GGUF ขนาด 2.09 GiB ที่ทำงานแบบออฟไลน์โดยไม่มีค่าธรรมเนียมต่อการเรียกใช้และไม่ต้องพึ่งพาเครือข่าย เป็นข้อเสนอที่แตกต่างจากโมเดลโฮสต์ใดๆ ไม่ว่าตาราง Elo จะพูดว่าอย่างไร

คำถามที่ยังไม่มีคำตอบคือว่าเวทเหล่านั้นจะปรากฏภายใต้สัญญาอนุญาตที่อนุญาตให้ใช้เชิงพาณิชย์หรือไม่ และพอร์ต LiteRT-LM จะมาพร้อมข้อจำกัดเดียวกันหรือไม่ จนกว่าจะถึงตอนนั้น TwIL-LM3-Pro ก็เป็นชิ้นงานวิจัยที่มี model card ซื่อตรงอย่างผิดปกติ ซึ่งก็ไม่ใช่เรื่องเล็กน้อย

หากคุณต้องการความสามารถนี้ในโปรดักชันวันนี้

สำหรับการใช้งานเชิงพาณิชย์ สิ่งที่เป็นอุปสรรคคือสัญญาอนุญาต ไม่ใช่ผลการทดสอบ benchmark และทางออกที่ใช้ได้จริงคือโมเดลแบบโฮสต์ที่คุณสามารถ route ไปหาได้ นั่นคือเลเยอร์ที่ OrcaRouter ดำเนินการ: endpoint เดียวที่เข้ากันได้กับ OpenAI อยู่หน้าโมเดลกว่า 200 ตัว ในราคาปลีกของผู้ให้บริการโดยไม่มีการบวกเพิ่ม ดังนั้นการลดราคาของผู้ขายจึงมีผลทันทีในวันเดียวกัน แทนที่จะต้องรอจนจบรอบสัญญา สำหรับไม่กี่จุดที่ checkpoint ตรรกะเชิงรูปแบบขนาดเล็กเหมาะสมจริง ๆ — การติดป้ายแบบแบตช์แบบออฟไลน์, การทำ entailment ในสภาพที่แยกออกจากเครือข่าย, ขั้นตอน preprocessing ที่ผลลัพธ์เป็นป้ายไม่ใช่ข้อความร้อยเรียง — การแบ่งที่ซื่อตรงคือรันโมเดลโลคัลในงานที่ข้อความต้องกลายเป็นป้าย และ route การให้เหตุผลโดยรอบ การขยายพรอมป์ และ QA ไปยังโมเดลแบบโฮสต์ด้วยคีย์เดียวกัน

ข้อควรระวังหนึ่งข้อที่ควรย้ำโดยเฉพาะในส่วนนี้: ด้วยการสลับไปใช้ระบบสำรองอัตโนมัติ คุณยังสามารถชี้ไปที่โมเดลก่อนที่คุณจะไว้วางใจให้มันทำงานบนเส้นทางโปรดักชันได้ และย้อนกลับได้โดยแก้ไขกฎการกำหนดเส้นทาง แทนที่จะต้องดีพลอยใหม่ นั่นคือรูปแบบที่เหมาะกับโมเดลแบบนี้เมื่อสถานะเชิงพาณิชย์ของมันยังไม่ชัดเจน

ดูอะไรดี

สามสิ่งจะเปลี่ยนเรื่องนี้ได้ การเปลี่ยนสัญญาอนุญาต หรือพอร์ต LiteRT-LM ที่มีสัญญาอนุญาตชัดเจน จะยกระดับ TwIL-LM3-Pro จากชิ้นงานวิจัยไปสู่องค์ประกอบที่พร้อมนำไปใช้งาน การปรากฏบนแพลตฟอร์ม inference แบบโฮสต์รายใหญ่จะทำให้มันมี API จริง และการประเมินโดยอิสระ — ใครก็ตามที่ไม่ใช่ webAI เป็นผู้รัน Track A harness — จะบอกเราว่าความได้เปรียบ strict-7 เหนือ Qwen3-8B ยังคงอยู่หรือไม่เมื่อถูกวัดโดยคนที่ไม่ได้สร้าง harness นั้น ยังไม่มีสิ่งใดในสามสิ่งนี้เกิดขึ้น และการ์ดโมเดลก็ซื่อตรงพอที่คุณจะเห็นได้ชัดเจนว่าอะไรจะต้องเป็นจริงจึงจะทำให้สิ่งเหล่านั้นมีความสำคัญ