AlphaProof Code vs. TwIL-LM3-Pro: un framework que no puedes comprar frente a un modelo que apenas puedes descargar

Lo más útil que hay que saber al comparar AlphaProof Code y TwIL-LM3-Pro es que ninguno de los dos es un producto. AlphaProof Code es el marco de verificación formal agéntico de Google DeepMind, publicado el 10 de noviembre de 2026 con los artefactos Lean de una verificación de cuatro semanas del binario compilado de libsignal de Signal y sin ningún endpoint detrás. TwIL-LM3-Pro es el modelo de razonamiento de lógica formal de 3.660 millones de parámetros de webAI, disponible en Hugging Face desde el 3 de septiembre de 2026, cuyos pesos están detrás de un formulario de solicitud por correo electrónico y una licencia que prohíbe el uso comercial. Una pregunta es «¿puedo conseguirlo siquiera?»; la otra es «¿puedo ejecutarlo de forma suficientemente barata como para que importe?». Para cualquiera que trabaje en métodos formales, ambas son las preguntas vigentes, y ninguna de las dos respuestas es afirmativa.

Qué es TwIL-LM3-Pro, en términos mecánicos

Strip the marketing and TwIL-LM3-Pro is a dense Granite decoder: forty layers, hidden size 2,560, forty attention heads against eight key-value heads, derived from IBM's granite-4.2-3b. The real parameter total is 3,659,737,600, and the 131,072-token context is the base model's, carried through unchanged. It emits a <think>…</think> block before answering and was evaluated with greedy decoding at a 2,048-token budget.

El stack de entrenamiento está inusualmente bien documentado para un modelo de este tamaño: un ajuste fino supervisado con LoRA de rango 64 sobre un corpus sintético de lógica formal, destilación multipath para varias trazas de razonamiento por prompt, fusión de checkpoints en el espacio de parámetros en lugar de tomar el checkpoint final, una interpolación WiSE-FT con α = 0.15 fusionada de vuelta hacia la base con TIES y DARE-SLERP, y una etapa de GRPO ponderada por entropía que webAI denomina MGPO contra un verificador programático, ejecutada hasta el paso 2580. El artefacto publicado es la política fusionada, que es el detalle práctico: puedes ejecutarlo en bf16 con 6.82 GiB, o como un GGUF Q4_K_M con 2.09 GiB en CPU o con 4 GB de VRAM.

Esa última frase es toda la propuesta de valor. Un modelo de 3.66B que funciona en un portátil y responde preguntas de lógica formal es un tipo de objeto distinto de un marco de verificación que necesitó cinco investigadores, cuatro semanas y equipos de 40 a 80 agentes. TwIL-LM3-Pro es el extremo barato del razonamiento formal; AlphaProof Code es el extremo caro del aseguramiento formal. No son sustitutos, y la comparación solo merece la pena porque la gente sigue clasificando ambos bajo "IA para métodos formales".

Qué establecen realmente los benchmarks de cada lado

La ficha de TwIL-LM3-Pro informa cuatro filas de resumen en su propia Track A: un macro gate de 0.5539, strict-7 de 0.2879, un promedio de seis carriles de 0.5389 y macro_primary de 0.5875. Frente a Qwen3-8B, el macro gate es 0.5539 frente a 0.5336, y la ficha escribe la frase que una página de marketing habría eliminado: la ventaja del gate de 0.020 es menor que el ruido de muestreo con n = 200 por carril, así que esa fila es paridad, no una victoria. Donde no hay empate:

• Strict-7 — 0.2879 frente a Qwen3-8B con 0.2093, y esta fila no usa crédito por coincidencia flexible en ningún punto, así que la suerte de formato no puede producirlo.

• Strict MCQ — 0,4100 vs 0,0000, la mayor diferencia entre carriles de las once filas reportadas.

• Inducción de reglas — 0.4195 vs 0.3680.

• Ajuste al corpus — la perplejidad de lm_corpus más baja de cualquier brazo, con 2.3130, frente a 2.5478.

• Suite de evaluación reservada — la ficha es contundente: «TwIL-LM3-Pro no lo lidera». La macro de 10 conjuntos de datos es 0.7901, estadísticamente a la par de su propia base con 0.7942 y muy por detrás de Qwen3-8B con 0.8493 y de gpt-oss-120b con 0.8689.

Otras dos advertencias que la propia ficha señala: las generaciones de Track A promedian 1.902 tokens frente a los 564 del predecesor, y un 24,2 % alcanza el límite de longitud, algo que la ficha califica de «indicativo y no exacto»; y las cifras de rendimiento se midieron en una versión de vLLM más reciente que la de las columnas de comparación.

AlphaProof Code no tiene tal tabla, porque no está respondiendo a una pregunta que una tabla pueda responder. La afirmación es que un binario específico —libsignal v0.105.4 con spqr v1.6.0, compilado por rustc 1.98.1, enlazado estáticamente, un único ejecutable AArch64— satisface diez teoremas simbólicos y una vertiente computacional con una cota concreta, demostrado por aproximadamente 6,5 millones de líneas de Lean y verificado por el kernel. La validación comparable es la prueba negativa: se reintrodujeron dos errores reales, previamente corregidos, en una copia aislada, y ambos produjeron pruebas de inseguridad verificadas por máquina. Eso no es una puntuación. Es una demostración de que el sistema puede distinguir el código correcto del código defectuoso, lo cual es una afirmación más fuerte que el 0,2879 de TwIL en strict-7 y una mucho más acotada: un binario, una especificación, una semana del tiempo de cinco personas.

La licencia, que es el verdadero punto de decisión

TwIL-LM3-Pro se distribuye bajo una licencia que prohíbe el uso comercial, a través de tres canales que no son equivalentes. Los pesos están en Hugging Face. El checkpoint se revisa periódicamente; el actual se publicó el 30 de septiembre de 2026. Y el 1 de octubre de 2026, webAI publicó una compilación de LiteRT-LM para inferencia en el dispositivo en Android e iOS, que es el canal que hace que la cifra de 2,09 GiB del GGUF sea relevante para una aplicación de teléfono. Uno de los tres canales es un formulario, y si tu uso es comercial, deberías leer la licencia antes de leer la tabla de benchmarks.

La cuestión de la distribución de AlphaProof Code es distinta y podría decirse que peor. Los artefactos están publicados en github.com/google-deepmind/code-verification —el desarrollo en Lean, la semántica AArch64 de 7.578 líneas que abarca 467 instrucciones y 31 llamadas al sistema, el binding de libsignal, las especificaciones simbólicas y computacionales— y la página de aterrizaje no indica ninguna licencia. Eso no es «permisiva»; es una cuestión sin resolver. La entrada de blog solo dice que DeepMind está publicando como código abierto los artefactos de verificación para uso de la comunidad. Antes de construir un pipeline sobre un desarrollo en Lean sin licencia, pregunta a alguien.

Así que: un artefacto es un modelo que no puedes usar comercialmente; el otro es una base de código cuyos términos no se especifican. Para un aficionado, el primero es viable. Para una empresa, ninguno de los dos es luz verde.

Dónde se situaría realmente cada uno dentro de un pipeline

TwIL-LM3-Pro razona sobre lógica formal como texto. Dale una obligación de prueba, un sistema de reglas y un conjunto de premisas; produce una derivación en forma de prosa y símbolos que una persona lee. Es una ayuda para el razonamiento, y la propia batería de pruebas de la ficha —inducción de reglas, opción múltiple estricta, ajuste al corpus— gira en torno a esa tarea.

AlphaProof Code no razona sobre lógica en texto. Sus agentes escriben Lean, y el Lean se verifica. Las dos etapas son complementarias en principio: un modelo pequeño que propone la forma de una especificación, un modelo general fuerte que la revisa y un arnés de agente de demostración que la cierra contra un núcleo. Lo que falta entre ellas es un puente: TwIL-LM3-Pro no se ha evaluado en la generación de enunciados en Lean, y nada en su ficha sugiere que se haya entrenado para ello. Su vecino natural en esa pila es MathForm-8B, el autoformalizador de Lean 4 de OpenBMB, no un marco de verificación.

La propia explicación de DeepMind sobre el cuello de botella humano es la parte interesante aquí. Antes de que comenzara cualquier trabajo de demostración, los investigadores tradujeron los objetivos de seguridad de Signal a especificaciones formales con una combinación de modelos, y un experto revisó cada especificación. Un modelo local pequeño y rápido que pudiera redactar esas afirmaciones de forma plausible y económica sería realmente útil en esa etapa, y aun así seguiría necesitando la revisión del experto, porque una especificación incorrecta produce una demostración del teorema incorrecto, verificada a la perfección.

Lo que puedes ejecutar hoy y cuánto cuesta.

• TwIL-LM3-Pro — pesos disponibles previa solicitud en Hugging Face bajo una licencia no comercial; una compilación de LiteRT-LM para ejecución en el dispositivo desde el 1 de octubre de 2026; ninguna API alojada de webAI que yo pueda verificar. Autoalójalo con 6,82 GiB de pesos bf16 o 2,09 GiB en Q4_K_M.

• AlphaProof Code — no ejecutable. Artefactos publicados, sin endpoint, sin pesos, sin precio, sin lista de espera, sin licencia declarada.

• Los modelos dentro de AlphaProof Code —los agentes de demostración se ejecutaban en G​emini 4 Carbon, que no ofrecemos; Claude Opus 5.5 se utilizó entre los modelos que redactaban y revisaban especificaciones y está en el catálogo de OrcaRouter a $4 por millón de tokens de entrada y $20 por millón de tokens de salida, precio de lista del proveedor aplicado sin margen (0 %).

• Los modelos con los que se compara TwIL-LM3-Pro —los modelos de la clase Qwen3-8B son el conjunto de comparación habitual para un checkpoint de lógica formal de 3.66B, y la clave de ponerlos detrás de una sola clave es que un bucle de redacción de especificaciones puede enviar la misma obligación a un especialista pequeño y a un modelo general y comparar los resultados sin un segundo contrato. La fusión de modelos hace lo mismo en una sola llamada: un panel que responde en conjunto, que es más o menos lo que hizo el equipo de DeepMind con una mezcla de modelos en la etapa de especificación.

El veredicto honesto, que es que probablemente no necesitas ninguno de los dos.

Si quieres verificación formal de código de producción, AlphaProof Code es un artículo y un desarrollo en Lean. Léelo, cítalo y no planifiques un sprint en torno a él: el propio planteamiento de DeepMind es que escalar la técnica "requires continued research", y el artículo afirma que el proceso tiene un margen sustancial de optimización. El tiempo medio hasta una compilación limpia es de horas, y un cambio de una línea en el código fuente puede desencadenar grandes reparaciones de demostraciones.

Si quieres un modelo pequeño que razona sobre lógica formal en un portátil, TwIL-LM3-Pro es real, se ejecuta con 2,09 GiB cuantizados y su propia ficha te dice dónde empata en lugar de ganar. Revisa la licencia antes que las pruebas comparativas, porque la licencia es la lectura más corta y la más decisiva.

Lo que ambos lanzamientos comparten es un patrón que merece atención: la frontera de los métodos formales se está empujando en el extremo más caro por un laboratorio con cientos de horas-agente que gastar, mientras que el extremo asequible produce modelos pequeños con competencia limitada y términos no comerciales. El término medio —una herramienta comercial que toma una especificación y devuelve una prueba verificada para código propio, a un precio que un equipo puede presupuestar— sigue vacío. Esa brecha, no la que existe entre estos dos artefactos, es la que merece seguimiento.