AlphaProof Code مقابل SWE-2: نظامان وكيليان، وتصوران مختلفان تمامًا للإثبات

كلٌّ من AlphaProof Code وCognition SWE-2 نظامان وكيليان يكتبان البرمجيات تلقائيًا، وقد طُرح كلاهما للجمهور على أساس كلمة «agent». عدا ذلك، لا يكاد الإصداران ينتميان إلى الكون نفسه. يكتب Cognition SWE-2، المُعلن عنه في سبتمبر 2026 والمتاح فقط داخل Devin Desktop وواجهة سطر الأوامر CLI، رقعًا برمجية: فقد سجّل 50.0% على FrontierCode 1.1 Main، بفارق أقل من نقطة عن Claude Fable 5.1 الذي بلغ 50.9%، وبتكلفة أقل بنسبة 64%، وفق أرقام Cognition نفسها. ويكتب AlphaProof Code، الذي أعلنت عنه Google DeepMind في 10 نوفمبر 2026، براهين: نحو 6.5 مليون سطر من Lean تُثبت أن الملف الثنائي المُجمّع الخاص بـ Signal لـ AArch64 يستوفي عشر مبرهنات أمنية، تُفحص بواسطة نواة Lean لا بواسطة معيار تقييم. يمكن أن تكون مخرجات أحد النظامين خاطئة على نحو قد يكتشفه مراجع بشري. أما مخرجات الآخر فلا يمكن أن تكون خاطئة على الإطلاق — وإلا رفضتها النواة واستمر العمل.

«صحيح» تعني أمرين مختلفين

ابدأ بالكلمة، فهي مكمن الخطأ في أي مقارنة بين هذين الاثنين. عندما تعلن Cognition أن SWE-2 حلّ 50.0% من مهام FrontierCode 1.1 Main، فإن كلمة "حلّ" تعني أنه أُنتج تعديل برمجي (patch) قبِلته عملية التقييم باعتباره قابلًا للدمج. كُتبت مهام FrontierCode بمشاركة أكثر من 20 من مشرفي مشاريع مفتوحة المصدر، وبأكثر من 40 ساعة لكل مهمة، حيث يحدد كل مشرف معنى "قابل للدمج" في مستودعه الخاص. هذا تصميم تقييم جاد، لكنه يظل حكمًا بشريًا على فرق برمجي (diff).

عندما تعلن DeepMind أنه تم إثبات نظرية ما لـ libsignal v0.105.4، فإن "تم إثبات" تعني أن نواة Lean قبلت اشتقاقًا من المواصفات. لا يوجد مراجع لديه رأي. يفحص وكيل البوابة كل إرسال باستخدام المقارن مقابل نسخة محتجزة من المواصفات، ويتحقق Lean من الباقي — وهكذا تمكن فريق من خمسة باحثين من ترك 99% من قاعدة شيفرة دون مراجعة بشرية ومع ذلك يقدمون ادعاءً بشأنها كاملة.

ذلك الاختلاف يحدد ما يصلح له كل نظام. يستطيع SWE-2 كتابة الشيفرة. أما AlphaProof Code فلا يستطيع كتابة شيفرة إنتاجية ولا يحاول ذلك؛ بل يُبرهن على أن الشيفرة التي كتبها شخص آخر تفعل ما كان محدَّدًا، ويمكنه أيضًا أن يُبرهن على أن نسخة معطَّلة عمدًا لا تفعل ذلك — فقد أنتج كلا خللَي Signal المُعاد إدخالهما، وهما خلل الحالة الضعيفة وخلل الزمرة الصغيرة، برهانين على عدم الأمان مدقَّقين آليًا.

حيث يتشابه الاثنان حقًا

أكثر مما تتوقع، والجوانب المتوازية هي الجزء المثير للاهتمام. كلا النظامين مكلفان في التشغيل. استخدم AlphaProof Code فرقًا من 40 إلى 80 وكيلًا تعمل من 24 إلى 72 ساعة على جهاز واحد لكل فريق، على مدى أربعة أسابيع، مع وكيل مشرف فوق منسّق الفريق ووكلاء يدققون مخرجاتهم الخاصة ليشيروا إلى نحو 1% للمراجعة البشرية. تكلفة SWE-2 غير منشورة لكل توكن لأن Cognition لا تبيع التوكنات؛ السعر هو اشتراك Devin، والادعاء بأنه أرخص بنسبة 64% هو مقارنة مع Claude Fable 5.1 بأسعار القائمة.

يعتمد كلاهما على الفئة نفسها من النموذج الأساسي. SWE-2 هو نموذج مُدرَّب لاحقًا من Kimi K3 التابع لـ M​oonshot AI، وهو خليط خبراء بمعاملات تبلغ 2.8 تريليون ومع نحو 104B معامل نشط لكل رمز، وتقول Cognition إن التعلم المعزز الخاص به أضاف من 5 إلى 6 نقاط عبر عدة معايير تقييم. كانت وكلاء البرهان في AlphaProof Code مدعومة بـ G​emini 4 Carbon، وكان Claude Opus 5.5 من بين النماذج المستخدمة لصياغة ومراجعة مواصفات Lean الخاصة بـ Signal. لم يبنِ أي من المختبرين وكلاءه من الصفر.

يعتمد كلاهما على مُدقِّق لمعرفة ما إذا كان العمل قد أُنجز. مُدقِّقات Cognition هي مجموعات الاختبار وأحكام المشرفين المُضمَّنة في FrontierCode. ومُدقِّق DeepMind هو نواة برهان. المُدقِّق هو حيث يُحدَّد سقف كل نظام، وهذه هي الجملة الجديرة بالتذكّر من أي من الورقتين.

مشكلة صدق المعايير، جنبًا إلى جنب

لا يمتلك AlphaProof Code جدول قياس أداء، لذا لا تنطبق عليه التحفظات المعتادة بشأن أرقام البائعين — فلديه مبرهنة بدلاً من ذلك، والمبرهنة ثنائية. ما يمتلكه بالفعل هو مجموعة من الاستبعادات الهيكلية. لا ضمان ما بعد كمي لخاصية الشفاء لدى SPQR، لأن مبرهنات السقاطة تفترض أن المهاجم يختار مفاتيح SPQR. لا خصوصية للحمولة. لا مصادقة للمستجيب للرسالة الأولى من مصافحة لا تُرقّى أبدًا. جلسة واحدة لكل ترقية، أطوال رسائل ثابتة، لا حالة متعددة الأجهزة، مفاتيح هوية الثقة عند أول استخدام. حد تزوير MAC من 8 بايت ينمو تربيعيًا ويصبح بلا معنى عند حوالي 25,000 رسالة في جلسة واحدة. سبعة وثلاثون روتينًا تم التعاقد عليها بدلاً من التحقق منها، بما في ذلك AES-256-CBC وX25519 وKyber1024 وML-KEM-768. والموضوع هو بناء الفريق لـ libsignal-cli كعملية جديدة، وليس تطبيق Signal.

تُعدّ تحفظات SWE-2 إحصائية لا بنيوية، وأحدّها هو قابلية التوسع عبر طول المهمة. فعند الانتقال من Terminal-Bench 2.1 إلى Terminal-Bench 4، يخسر Claude Fable 5.1 نحو 35.6 نقطة، ويخسر GPT-6 Astra نحو 32.0. ويخسر SWE-2 نحو 65.5، ويخسر أساسه Kimi K3 نحو 66.8 — لذا فهو في الأعمال الطويلة الأفق يتدهور بسرعة تعادل نحو ضعف سرعة تدهور النماذج الحدودية التي يُقارَن بها. وTerminal-Bench 4 هو الإصدار الحالي، بينما 2.1 هو الإصدار الذي جرى استبداله، ما يعني أن الصف الذي يتقدم فيه SWE-2 هو المعيار المتقاعد، والصف الذي يتخلف فيه هو المعيار النشط.

كلا التقريرين صريحان على نحو غير معتاد بمقاييس منشورات الإطلاق. الفرق هو ما تكلّفه الصراحة. استثناءات DeepMind تضيّق الادعاء لكنها تبقيه صحيحًا. أما استثناءات Cognition فتحدّ من نطاق انطباق الادعاء، وعلى القارئ أن يقرر ما إذا كانت نتيجة 27.3% في معيار الأفق الطويل الحالي تهمّ عبء عمله.

الخدمة، والسعر، والشيء الذي لا يبيعه لك أيٌّ منهما

• AlphaProof Code — إطار بحثي. لا توجد نقطة نهاية، ولا أوزان، ولا سعر، ولا قائمة انتظار. تتكون المخرجات من تطوير بـ Lean على github.com/google-deepmind/code-verification دون ذكر أي ترخيص في الصفحة التعريفية.

• Cognition SWE-2 — مملوك، ومخصص لـ Devin فقط. لا توجد بطاقة أسعار منشورة لكل رمز، ولا معرّف نموذج يمكن استدعاؤه، ولا أوزان. إذا أردت SWE-2 فعليك شراء Devin.

• النماذج الأساسية — يتوفر Kimi K3 في كتالوج OrcaRouter بسعر 3 دولارات لكل مليون رمز إدخال و15 دولارًا لكل مليون رمز إخراج، ويُمرَّر سعر قائمة المزوّد كما هو دون أي هامش ربح (0%). أما Claude Opus 5.5، وهو أحد النماذج المستخدمة في صياغة مواصفات Signal، فمتاح بسعر 4 دولارات و20 دولارًا. أما Gemini 4 Carbon، الذي شغّل وكلاء الإثبات التابعين لـ AlphaProof Code، فليس من الخدمات التي نقدّمها، ولا شيء هنا يشير إلى أننا نستضيف AlphaProof Code نفسه.

هذا السطر الثالث هو الجزء الوحيد من هذه المقارنة المرفقة به فاتورة يمكنك دفعها اليوم. إذا كنت تبني سير عمل برمجيًا قائمًا على الوكلاء، فالخيار العملي ليس بين هذين النظامين — بل بين النماذج التي يقومان عليها، وكل من Kimi K3 وClaude Opus 5.5 على بُعد مفتاح واحد مع التحويل التلقائي عند الفشل إذا مرّ مزوّد الخدمة بفترة سيئة. تتيح لك لغة DSL للتوجيه إرسال المهمة نفسها إلى اثنين منهما ومقارنة الفروقات قبل أن يمسّ أيٌّ منهما مستودعًا.

أي نمط فشل يمكنك التعايش معه؟

يفشل SWE-2 بإنتاج رقعة لا تُجمّع، أو تُجمّع وتكون خاطئة، أو تكون صحيحة وغير قابلة للدمج. كل واحد من تلك الإخفاقات قابل للاكتشاف بقراءة الفرق أو تشغيل الاختبارات، وكل واحد منها يكلّفك دورة مراجعة. صُمّم النظام حول هذا: تُبلّغ Cognition عن أفضل-N عبر إعدادات جهد الاستدلال، وهو ما تفعله عندما يكون الناتج احتماليًا.

يفشل AlphaProof Code بعدم إنتاج برهان، وعند هذه النقطة يواصل الوكلاء العمل — لساعات، وأحيانًا لأيام، مع بناء نظيف قد يستغرق عدة ساعات وإصلاحات للبرهان تُستثار بتغيير سطر واحد في المصدر. تقول الورقة إن هناك «مجالًا كبيرًا للتحسين» في كل من البراهين المُولَّدة والتقنيات، وهو تعبير مهذب عن أن العملية بطيئة وهشة. لكن عندما ينجح، لا توجد دورة مراجعة على الإطلاق، لأنه لا يوجد شيء للمراجعة. لقد وافق Lean بالفعل.

بالنسبة لفريق يطرح ميزة يوم الخميس، فإن تلك المقايضة واضحة وSWE-2 يفوز بها. أما بالنسبة لفريق يطرح بروتوكول تشفير سيحمي المحادثات لعقد من الزمن، فإن فئة SWE-2 بأكملها هي الأداة الخاطئة، وحقيقة أنه سجّل 92.8% على Terminal-Bench 2.1 ليست ذات صلة.

ما الذي سيجعل هذه قابلة للمقارنة فعليًا؟

أمر واحد: معيار يقيس ما إذا كان ناتج الوكيل صحيحًا بدلًا من قياس ما إذا كان مقبولًا. يقارب FrontierCode هذا عبر قابلية الدمج المحددة من المشرفين، وهي أقرب ما وصل إليه توليد الشيفرة. ويتجنب AlphaProof Code ذلك كليًا باختيار مجال يمكن لنواة أن تحكم فيه. إذا بنى أحدهم مجموعة مهام يمكن التحقق آليًا من الإجابة الصحيحة فيها مقابل مواصفة — لا مجموعة اختبارات، بل مواصفة — فيمكن عندها تقييم النظامين على محور واحد وستكون للمقارنة دلالة.

حتى ذلك الحين، فإن القراءة المفيدة أضيق نطاقًا. يخبرك AlphaProof Code بأن فريقًا من خمسة أشخاص مزوّدًا بأدوات وكلاء يمكنه إنتاج مدونة براهين كانت تستغرق سنوات، وهذا بيان عن تكلفة التحقق. ويخبرك SWE-2 بأن نموذجًا أساسيًا مفتوح الأوزان خضع لتدريب لاحق يمكنه أن يكون على بُعد نقطة واحدة من الحدود المتقدمة في اختبار معياري للبرمجة بتكلفة أقل بنسبة 64%، وهذا بيان عن تكلفة البرمجة. كلتا التكلفتين تتراجعان. إنهما تتراجعان بمعدلات مختلفة، ولأسباب مختلفة، وأي لوحة صدارة تضعهما في الجدول نفسه ستكون تكذب عليك.

إذا كنت تريد الخلاصة العملية: استخدم أنظمة على هيئة SWE-2 للشيفرة التي تستطيع حزمة اختبارات أن تتحكم في قبولها، وابدأ بقراءة مستودع مخرجات AlphaProof Code إن كانت لديك شيفرة لا تستطيع حزمة اختبارات أن تتحكم في قبولها. الفئة الثانية أصغر مما تظنه معظم الفرق، وأكثر أثرًا مما يعترف به أيٌّ منها.