TwIL-LM3-Pro：一款透過電子郵件請求即可交付的 3.66B 形式邏輯模型

TwIL-LM3-Pro 是 webAI 推出的 3.66 億參數推理模型，專為形式邏輯打造，而非用於一般對話，且自 2026 年 9 月 3 日起便已在 Hugging Face 上架。這並非新發布的版本，而本週圍繞著它流傳的那套說法——webAI「發布了 3.66B 模型」——相較於權重本身已晚了一個月。過去幾天真正改變的事情規模較小，卻也更實用：該檢查點於 9 月 30 日修訂，而 10 月 1 日 webAI 發布了該模型的 LiteRT-LM 版本，供 Android 與 iOS 裝置端推論使用。所以，有趣的問題不是 TwIL-LM3-Pro 是什麼，而是你能否取得它，而答案取決於你站在三條散布管道中的哪一條——因為其中一條是張表單。

這個區別比平常更為重要，因為 TwIL-LM3-Pro 不是一個你直接呼叫就能用的產品。它是一個你得下載、在自己的硬體上執行，並接受禁止商業使用之授權條款的檢查點。它自家模型卡所引導的那項比較——對比參數量多出一倍以上的 Qwen3-8B——確實存在，但那是供應商自行執行的基準測試、在供應商自建的測試框架上所做的比較，而這張模型卡本身在比多數模型卡更多的地方坦承了這一點。本文仔細解讀那張模型卡，並區分出哪些是 webAI 自己測量的結果，哪些是其他任何人所擁有的。

模型實際上是什麼

` block before answering and was evaluated with greedy decoding at a 2,048-token budget." No span markers like {{1}} present. Must preserve code, names. Translate text. Need output only translated text. Traditional Chinese. Need consider "dense Granite decoder" -> 稠密的 Granite 解碼器? "dense" maybe 密集? In model architecture, "dense" means non-MoE: 稠密. "Granite decoder" Granite 解碼器. `GraniteForCausalLM` keep exactly. 40 layers -> 40 層. hidden size 2,560 -> 隱藏大小 2,560. 40 attention heads against 8 key-value heads -> 40 個注意力頭對上 8 個鍵值頭? "against" means versus: 對比 8 個鍵值頭 / 與 8 個鍵值頭. "derived from IBM's `granite-4.2-3b`" -> 衍生自 IBM 的 `granite-4.2-3b`. The 3.66B parameter count is the real total, 3,659,737,600 -> 3.66B 參數量是真正的總數，即 3,659,737,600. context window is base model's 131,072 tokens carried through unchanged -> 上下文視窗是基礎模型原封不動沿用過來的 131,072 個詞元. "tokens" -> 符元? In Taiwan Traditional: 詞元 or 符元. "token" often 權杖? For LLM, 詞元 common. Use 詞元. "It emits a `<think>…</think>` block before answering" -> 它在回答前會發出一個 `<think>…</think>` 區塊. Keep tags exactly. "was evaluated with greedy decoding at a 2,048-token budget" -> 並以 2,048 個詞元的預算使用貪婪解碼進行評估. Need maybe preserve `GraniteForCausalLM` and `granite-4.2-3b` in code ticks. Keep backticks. Preserve `<think>…</think>` exactly incl ellipsis? Use same. Need output only. Let's craft. Potential translation: TwIL-LM3-Pro 是一款稠密的 Granite 解碼器——`GraniteForCausalLM`，40 層，隱藏大小 2,560，40 個注意力頭對上 8 個鍵值頭——衍生自 IBM 的 `granite-4.2-3b`。3.66B 的參數數量是真正的總數，即 3,659,737,600，而上下文視窗則是基礎模型原封不動沿用過來的 131,072 個詞元。它在回答前會發出一個 `<think>…</think>` 區塊，並以 2,048 個詞元的預算、使用貪婪解碼進行評估。 Check "parameter count" maybe "參數量" not "參數數量". "The 3.66B parameter count is the real total" -> 3.66B 的參數量才是真正的總數. Use 才是. "context window is the base model's 131,072 tokens carried through unchanged" -> 上下文視窗是基礎模型的 131,072 個詞元，原封不動沿用。 Good. "40 attention heads against 8 key-value heads" -> 40 個注意力頭對應 8 個鍵值頭? "against" could mean "vs." Maybe 40 個注意力頭對比 8 個鍵值頭. Fine. "TwIL-LM3-Pro" preserve. "Granite" preserve. "dense" = 稠密. In Chinese ML, dense layer = 稠密層. Dense decoder = 稠密解碼器. Good. Need no markers. Final only. Ensure no extra explanation. Maybe "解碼器" in Taiwan: 解碼器. "注意力頭" ok. "鍵值頭" ok. "貪婪解碼" maybe 貪婪解碼. "詞元" ok. "預算" ok. Need use full-width punctuation. Keep em dashes maybe use ——. Good. Final.TwIL-LM3-Pro 是一款稠密的 Granite 解碼器——`GraniteForCausalLM`，40 層，隱藏大小 2,560，40 個注意力頭對上 8 個鍵值頭——衍生自 IBM 的 `granite-4.2-3b`。3.66B 的參數量才是真正的總數，即 3,659,737,600，而上下文視窗則是基礎模型原封不動沿用過來的 131,072 個詞元。它在回答前會發出一個 `<think>…</think>` 區塊，並以 2,048 個詞元的預算、使用貪婪解碼進行評估。

訓練後堆疊是 webAI 真正希望你仔細檢視的部分，而對一個這種規模的模型而言，它的文件記錄異常完整：在合成的形式邏輯語料上進行 rank-64 LoRA 監督式微調、以多重路徑蒸餾為每個提示產生數條推理軌跡、採用參數空間的檢查點融合而非取用最終檢查點、以 α = 0.15 進行 WiSE-FT 插值並透過 TIES 與 DARE-SLERP 合併回預訓練基底，最後是對抗程式化驗證器的熵加權 GRPO 階段——webAI 稱之為 MGPO——訓練至第 2580 步，也就是實際出貨的那個檢查點。

已發布的成品是合併後的策略，而不是 LoRA adapter，這才是實務上的關鍵細節：你可以把它當成獨立模型來執行，以 bf16 格式佔 6.82 GiB，或以 Q4_K_M GGUF 格式佔 2.09 GiB，在 CPU 或 4 GB VRAM 上執行。這就是「可在筆電上執行」的主張，而它是整張說明卡中唯一一個輕易就能驗證、因此值得信任的主張。

Qwen3-8B 的比較，請仔細閱讀

標題 {{1}}webAI puts on the model{{/1}} 是：{{2}}TwIL-LM reaches its own Track A summary rows at 3.66B parameters{{/2}}。這些摘要列分別為：0.5539 的 macro gate、0.2879 的 strict、0.5389 的六線道平均，以及 0.5875 的 macro_primary。對上 Qwen3-8B，macro gate 為 0.5539 對 0.5336——而模型卡本身寫下了行銷頁面會刪掉的那句話：「對 Qwen3-8B 的 gate 領先幅度是 0.020——小於每線道 n = 200 的抽樣雜訊——所以那一項要解讀為持平，而非勝出。」

那是頁面上最重要的一行。webAI 自己對這項頭條結果的表述是：雙方打成平手。而在比較並非平手的地方：

• Strict-7 — TwIL-LM3-Pro 0.2879 對比 Qwen3-8B 0.2093，而且這一列完全沒有採用寬鬆匹配計分，因此不可能靠格式運氣產生。

• 嚴格選擇題 — TwIL-LM3-Pro 0.4100 對比 Qwen3-8B 0.0000，是所報告的十一列中差距最懸殊的一項。

• 規則歸納 — TwIL-LM3-Pro 0.4195 對比 Qwen3-8B 0.3680。

• 語料庫契合度 — 在所有分支中，`lm_corpus` 困惑度最低，為 2.3130，而 Qwen3-8B 則為 2.5478。

• 參數 — 3.66B 對比約 8B，而這正是「參數不到一半」這項說法的全部依據。

那張表附帶兩項但書，而 webAI 兩者都說明了。TwIL-LM3-Pro 的 Track A 生成平均為 1,902 個 token，其中 24.2% 觸及長度上限，相較之下，其自家前代 TwIL-LM3 為 564 個 token；卡片對由此產生差距的說法是「具指示性，而非精確」。此外，表中的吞吐量是在比比較欄位（0.11.2）更晚的 session 中、以更新的 vLLM（0.19.1）測得，因此每秒 token 數的資料列彼此可相互比較，但與其餘部分則僅能約略比較。

在它無法勝出的地方

在留出測試套件上，模型卡直言不諱：「TwIL-LM3-Pro 並未領先。」10 資料集的宏觀平均為 0.7901，與其自身基礎模型的 0.7942 在統計上持平，且遠落後於 Qwen3-8B 的 0.8493 和 gpt-oss-120b 的 0.8689。其 14 資料集的宏觀平均為 0.7425，比其基礎模型高出 0.0093，而這全部的增益都來自 BBH-logic（0.9540 對比基礎模型的 0.9014）——若將該列剔除，該模型在其餘十三項上的平均為 0.726，低於 VibeThinker-3B 的 0.7350。

這個專業化領域內有三個真正的弱點，全都已揭露：FOL 翻譯精確匹配為 0.0100，`procedural` 在嚴格標準下為 0.1200，而語意剖析精確匹配為 0.0000。規則歸納只能剖析其輸出的 56.5%。而且這個模型在設計上就很冗長——每個 Track B 答案約 792 個 token，相較其前代的 482 個——這是成本，不是能力。

這些都不是對這次發布的批評。這正是寫得好的模型卡應有的樣子，也是這裡的數字之所以還能被引用的原因。

有三種方式可以取得，而其中一種是表單

分銷情況才是本週真正的新聞，值得精確說明。

權重放在 Hugging Face 上，未設閘門，依據 webAI Non-Commercial License ver. 1.0 —— 該授權允許研究與個人使用，並要求若部署會產生收益，須與 webAI 另行簽訂協議。這份授權是整個釋出方案的具約束力限制，也是 TwIL-LM3-Pro 為何不是大多數產品團隊能直接採用的模型。

webAI 表示，該系列在一個月內已突破五十萬次下載；這項數字是該公司在自家公告中發布，且未經獨立審計。免費非商業檢查點的下載量，不能作為實際生產使用的替代指標，而 webAI 也並未將其如此呈現。

與此同時，供應商自家的平台並非公開端點。webAI 自稱為企業級平台，能將 AI 帶到你的資料中，並具備本地優先的模型應用；其商業途徑是企業合作安排，而非公開的每 token 計價表。TwIL-LM3-Pro 也未出現在那些收錄開放檢查點的大型第三方推論平台上——我們查過了，它也不在 OrcaRouter 的目錄中——因此，對於「我該從哪裡用 API 呼叫它」這個問題，實際答案是：目前你大多無法這麼做；你得下載它。

第三個管道是新的那個。`TwIL-LM3-Pro-LiteRT-LM` 儲存庫於 2026 年 10 月 1 日出現，帶有 `.litertlm` 構件，並標記支援 Android 與 iOS——那是 webAI 自家以 LiteRT-LM 執行環境封裝的相同權重。那個建置版本是否繼承非商業授權條款，是在圍繞它規劃之前必須先回答的問題，因為父儲存庫正是如此。

為什麼這個規模的形式邏輯專家值得關注

這份發布之所以一再浮上檯面，原因並不是那張基準測試表，而是 webAI 公開了整條流程，在五個不同的基礎模型上跑了完全相同的配方，並把實際結果報告出來。家族比較表記錄了 Track A 巨觀閘門的變動幅度為 +0.012 到 +0.145，視基礎模型而定，而留出測試套件則維持在 ±0.013 之內——這是「這能泛化」一說的書面紀錄版本。每個模型只挑選一個係數，也就是合併權重，並依留出資料的表現進行掃描：SmolLM3 為 0.15，Granite 與 TwIL 基礎模型為 0.20，VibeThinker-3B 則為 0.50。

這是一個可重複使用的方法，能將小型通用模型變成狹窄的專家，而不破壞它原本已知的內容，並且附上負面結果一同發表。對於任何需要蘊含標籤、Lean 陳述形式化或語意剖析，而非流暢散文的人來說，一個可離線執行、沒有每次呼叫費用、也不依賴網路的 2.09 GiB GGUF，與任何託管模型都是截然不同的選擇，無論 Elo 表怎麼說。

未解的問題是，這些權重是否終有一天會以允許商業使用的授權條款釋出，以及 LiteRT-LM 的移植版本是否也附帶同樣的限制。在那之前，TwIL-LM3-Pro 只是一件研究產物，卻有著一張異常誠實的模型卡——而這絕非毫無意義。

如果您現在就需要在正式環境中使用這項功能

就商用部署而言，真正的阻礙在於授權條款，而非基準測試成績，而實際可行的替代方案，是改用一個你可以將請求路由過去的託管模型。這正是 OrcaRouter 所經營的層級：一個與 OpenAI 相容的端點，背後串接 200 多個模型，一律以供應商牌價提供，不加收任何費用，因此供應商一降價，當天就生效，而不必等過一個合約週期。至於小型形式邏輯檢查點真正適用的少數場景——離線批次標註、氣隙環境下的蘊含判定、輸出是標籤而非成篇文字的預處理步驟——最誠實的分工方式，是在工作量屬於「文字轉標籤」時跑本地模型，並把周邊的推理、提示擴充與 QA 交給同一把金鑰下的託管模型。

有一點值得在本節特別重申：有了自動容錯移轉，你甚至可以在還不信任某個模型能用於正式環境路徑之前，就先將流量指向它，而且只要編輯路由規則就能回復，不必重新部署。當某個模型的商業狀態尚未確定時，這正是適合這類模型的作法。

看什麼

三件事會改變這個故事。授權變更，或是明確取得授權的 LiteRT-LM 移植版，會把 TwIL-LM3-Pro 從研究產物推向可部署元件。登上大型託管推論平台，會讓它擁有真正的 API。而獨立評估——由 webAI 以外的任何人來跑 Track A 測試框架——則會告訴我們，它對 Qwen3-8B 的 strict-7 領先優勢，在由非框架打造者進行測量時是否依然成立。這三件事目前都還沒發生，而模型卡夠誠實，讓你能清楚看見它們要產生影響，究竟需要哪些條件成立。