AlphaProof Code vs. AesCode 32B: Der eine beweist, dass Code korrekt ist, der andere zeichnet ihn

Setzt man AlphaProof Code und AesCode 32B in denselben Satz, ist das Einzige, was sie gemeinsam haben, das Wort „Code“. AlphaProof Code ist ein agentisches Framework von G​oogle DeepMind, das am 10. November 2026 angekündigt wurde und rund 6,5 Millionen Zeilen maschinell geprüften Lean-Code erzeugte, mit dem bewiesen wird, dass sich die kompilierte libsignal-Binärdatei wie spezifiziert verhält. AesCode 32B ist ein Vision-Language-Checkpoint mit 33 Milliarden Parametern, den Microsoft Anfang Oktober 2026 ohne Ankündigung auf Hugging Face hochgeladen hat und der einen Prompt in ein einziges in sich geschlossenes HTML-Dokument schreibt – eine Folie, ein Poster, ein Dashboard –, das sich dann ein Mensch ansieht. Keines von beiden ist ein Dienst, den man aufrufen kann. Eines von ihnen ist nicht einmal ein Modell. Wenn Sie hierhergekommen sind, um eine Entscheidung für einen Drop-in-Ersatz zu finden, dann lautet die ehrliche Antwort, dass es eine solche Entscheidung nicht gibt, und der Rest dieses Beitrags erklärt, warum der Vergleich trotzdem lohnend ist.

Der Kategorienfehler, richtig formuliert

AesCode 32B ist ein Generator. Sie geben ihm eine Beschreibung; es liefert ein Artefakt zurück, dessen Qualität ästhetisch beurteilt wird und danach, ob die Zahlen auf der Seite zufällig die Zahlen sind, nach denen Sie gefragt haben. Die Modellkarte selbst formuliert es so, dass Bildgeneratoren eine ansehnliche Seite komponieren und die darauf befindlichen Zahlen falsch wiedergeben, während Codemodelle die Zahlen richtig hinbekommen und nicht sehen können, wie die Seite aussieht — AesCode kombiniert Ihren Prompt mit einem aus demselben Prompt generierten Bild und nutzt das Bild als ästhetische Referenz, während es dem Text für den Inhalt folgt.

AlphaProof Code ist ein Verifizierer. Man übergibt ihm eine Spezifikation – eine Aussage darüber, was wahr sein muss – und es liefert einen Beweis, der vom Lean-Kernel geprüft wird, dass eine bestimmte kompilierte Binärdatei diese Spezifikation erfüllt. Im gesamten Ablauf gibt es keinerlei ästhetisches Urteil. Ein Beweis wird entweder akzeptiert oder nicht, und das Akzeptanzkriterium sind ein paar tausend Zeilen Kernel-Code statt des Geschmacks eines Prüfers.

Diese Unterscheidung entscheidet, wofür jedes gedacht ist. AesCode 32B beantwortet „Mach mir ein Ding.“ AlphaProof Code beantwortet „Ist dieses Ding das, was es zu sein behauptet?“ Das erste würden Sie an einem Dienstagnachmittag für ein Präsentationsdeck nutzen und das zweite, wenn Sie Signal wären, über vier Wochen hinweg mit fünf Forschern und Teams von 40 bis 80 Agenten.

Was jede einzelne davon tatsächlich mitliefert

• Parameter — AesCode 32B: etwa 33,4 Milliarden in BF16, verteilt auf vierzehn Safetensors-Shards mit insgesamt 66.714.912.704 Bytes. AlphaProof Code: keine. Es ist ein Framework plus ein Artefakt-Repository, und es gibt keine Gewichte zum Herunterladen.

• Basis — AesCode 32B: ein Fine-Tuning von Qwen3-VL-32B-Instruct, Architektur als Qwen3VLForConditionalGeneration deklariert, sodass es mit transformers 4.57 und später lädt. AlphaProof Code: konstruktionsbedingt modellagnostisch; das DeepMind-Paper nennt Gemini 4 Carbon für die Proof-Agenten und sagt, dass Claude Opus 5.5 unter den Modellen verwendet wurde, die Spezifikationen entwarfen und überprüften.

• Lizenz — AesCode 32B: Apache 2.0, heute auf Hugging Face. AlphaProof Code: Die Lean-Entwicklung, die AArch64-Semantik und die libsignal-Bindings sind unter github.com/google-deepmind/code-verification veröffentlicht, und auf der Landingpage ist keine Lizenz angegeben, was Sie klären sollten, bevor Sie irgendetwas darauf aufbauen.

• Verfügbarkeit — AesCode 32B: nur Self-Hosting. Rund 65 GB Beschleunigerspeicher für die Gewichte, ein vLLM-Befehl auf vier Tensor-Parallel-Rängen, kein gehosteter Endpoint und keine Zuordnung zu Inference-Providern hinter der Repo-Seite. AlphaProof Code: Research-Artefakt, kein Endpoint, keine Warteliste, keine Preisangaben.

• Ausgabe — AesCode 32B: ein HTML-Dokument, überprüfbar durch Öffnen. AlphaProof Code: ein Lean-Beweisterm, überprüfbar durch Lean.

• Was „korrekt“ bedeutet – AesCode 32B: Die Seite sieht richtig aus und die Zahlen stimmen mit dem Prompt überein, beurteilt von einer Person. AlphaProof Code: Das Theorem gilt für alle Eingaben im Modell, beurteilt von einem Kernel.

Die einzige wirklich interessante Überschneidung: Beide Ausgaben sind Artefakte.

Hier ist der Vergleich, den es sich lohnt anzustellen. Beide Systeme erzeugen eine Datei, die das Modell überlebt, das sie erstellt hat. Das HTML von AesCode 32B ist ein fertiges Dokument; man kann es ausliefern, bearbeiten, diffen, und niemand braucht das Modell erneut. Der Lean-Beweis von AlphaProof Code ist eine fertige Herleitung; man kann ihn auf einem Laptop in wenigen Minuten Rechenzeit erneut prüfen, und wenn sich die Spezifikation nicht geändert hat, gilt das Ergebnis auch in fünf Jahren noch.

Das ist eine seltenere Eigenschaft, als es in einem Markt voller Chat-Endpunkte klingt. Der Großteil der Modellausgaben ist Wegwerftext, dessen Wert davon abhängt, dass das Modell verfügbar bleibt. Beide erzeugen etwas, das man behalten kann. Der Unterschied liegt darin, was „Behalten“ einem bringt: Mit AesCode behält man ein Deck, mit AlphaProof Code behält man eine Garantie.

Wo die Analogie hakt, ist die Auditierbarkeit. Jeder kann das HTML öffnen und sehen, ob der Titel falsch ist. Fast niemand kann 6,5 Millionen Zeilen Lean öffnen und sehen, ob das Theorem das sagt, was die Pressemitteilung sagt, dass es sagt – und genau deshalb widmet DeepMinds Paper Seiten der Aufzählung seiner Trusted Base, seiner 37 vertraglich festgelegten Primitive und der Eigenschaften, die es nicht beweist. Das Artefakt ist prüfbar; seine Lesart ist nicht kostenlos.

Was die Zahlen auf jeder Seite wert sind

Die Schlagzeile von AesCode 32B ist eine Gesamtpunktzahl von 85,89 gegenüber 81,28 für GPT-5.5 — Microsofts Messung eines Konkurrenzmodells, anhand einer von Microsoft verfassten Bewertungsrichtlinie, auf einem von Microsoft entwickelten Testrahmen. Boundary liegt bei 97,27 mit schwerwiegendem Overflow bei 4,3 % der Stichproben, und Style bei 55,99, einer Zeile, in der kein Modell in der Tabelle 60 überschreitet. Nach den eigenen Zählern des Repos hatte niemand außerhalb von Microsoft eine Zahl für das Modell veröffentlicht. Jede oben genannte Zahl ist vom Anbieter gemeldet und nicht reproduziert.

AlphaProof Code hat überhaupt keine Benchmark-Tabelle, und das ist keine Lücke in der Berichterstattung — es ist eine andere Art von Behauptung. Das Ergebnis ist, dass ein bestimmtes Binary zehn symbolische Theoreme und einen Berechnungspfad mit einer konkreten Schranke erfüllt. Man kann mit der Spezifikation nicht einverstanden sein, aber man kann dem Urteil des Kernels über den Beweis nicht widersprechen. Die vergleichbaren Vorbehalte sind struktureller statt statistischer Natur: keine Post-Quanten-Garantie für SPQR-Healing, keine Payload-Privatsphäre, keine Responder-Authentifizierung bei nicht hochgestuften ersten Nachrichten, eine Sitzung pro Hochstufung, feste Nachrichtenlängen, kein Multi-Device-Zustand. Und eine Schranke gegen MAC-Fälschungen, die bei etwa 25.000 Nachrichten in einer einzigen Sitzung gegenstandslos wird.

Eine Zahl lässt sich tatsächlich sinnvoll übertragen. Die Verifikation von AlphaProof Code dauerte vier Wochen, während vergleichbare Arbeiten historisch Jahre erfahrener Teams in Anspruch genommen haben – gemessen an den im Paper selbst zitierten Vergleichswerten von rund 20 Personenjahren für seL4 und etwa 6 für CompCert. Dieses Verhältnis ist die Aussage, an der man festhalten sollte, und es ist eine Aussage über den Workflow, nicht über die Modellqualität.

Welches davon kannst du diese Woche tatsächlich ausführen?

AesCode 32B: Ja, wenn Sie die Hardware haben. Laden Sie die Shards herunter, bedienen Sie sie mit vLLM auf vier Ranks, halten Sie Prompts unter der Obergrenze der Karte von 24.576 Tokens und akzeptieren Sie, dass Ihr Überprüfungsschritt ein Mensch ist, der auf gerendertes HTML schielt. Es wird Ihnen nicht sagen, ob die Seite richtig ist; es wird Ihnen sagen, ob die Seite richtig aussieht.

AlphaProof Code: nein. Die veröffentlichten Artefakte sind eine Lean-Entwicklung, keine Pipeline, die man aufruft. Selbst die darin enthaltenen Modelle sind nicht das eigentliche Ergebnis – das Framework ist ein Forschungsgebilde, und DeepMinds eigene Formulierung lautet, dass seine Skalierung „continued research“ erfordert. CodeMender ist das Schwesterprojekt für automatisierte Reparatur; Verifikation und Behebung sind zwei verschiedene Produkte in der Roadmap dieses Labors.

Wenn Sie ein Modell suchen, das die Spezifikationen entwirft — den Schritt, in dem menschliche Expertinnen und Experten Signals Sicherheitsziele in Lean übersetzten und einzeln prüften —, dann ist das gewöhnliche Modellarbeit, und Claude Opus 5.5 steht im Katalog von OrcaRouter für 4 US-Dollar pro Million Input-Tokens und 20 US-Dollar pro Million Output-Tokens, wobei der Listenpreis des Anbieters mit 0 % Aufschlag durchgereicht wird. Eine Spec-Drafting-Schleife über zwei oder drei Modelle laufen zu lassen und deren Lean-Ausgabe zu vergleichen, ist ein Routing-DSL-Aufruf, kein Forschungsprojekt. Nichts davon liefert Ihnen einen Beweis; der Beweisschritt ist der, aus dem die sechs Millionen Zeilen stammen.

Warum es sich trotzdem lohnt, das Pairing zu veröffentlichen

Weil „Code-Modell“ zu einer Kategorie ohne jede Mindestanforderung geworden ist. Ein Modell, das Folien schreibt, und ein Framework, das ein Messaging-Protokoll beweist, werden beide darunter einsortiert, und Käufer, die sie in einem Leaderboard vergleichen, erfahren nichts. Die nützliche Frage ist nicht, welches besser ist – sondern welche Belege man für die Ausgabe erhält. AesCode 32B liefert eine gerenderte Seite und ein Bewertungsraster des Anbieters. AlphaProof Code liefert eine kernel-geprüfte Herleitung und eine ungewöhnlich explizite Liste dessen, was es voraussetzt. Eines davon lässt sich auf Code skalieren, bei dem man lieber keine Fehler machen möchte, und es ist nicht das mit der größeren Parameterzahl.

Wenn Sie AesCode 32B für eine Design-Pipeline bewerten, ist nicht seine Gesamtpunktzahl das, was getestet werden sollte, sondern sein Grenzverhalten – die Quote schwerer Überläufe von 4,3 % ist der Punkt, an dem ein Deck still falsch statt nur hässlich wird. Wenn Sie AlphaProof Code bewerten, sollten Sie den Katalog der Spezifikationsabweichungen im Artefakt-Repository lesen: über 200 rechnerische Einträge und etwa 35 symbolische, von denen fünfzehn Lücken oder Fehler in der Double-Ratchet-Analyse sind. Dieser Katalog ist das ehrlichste Dokument in der Veröffentlichung, denn er ist eine Liste all dessen, was die Beweise nicht geschlossen haben.