AlphaProof Code vs TwIL-LM3-Pro : un framework que vous ne pouvez pas acheter face à un modèle que vous pouvez à peine télécharger

La chose la plus utile à savoir lorsqu’on compare AlphaProof Code et TwIL-LM3-Pro, c’est qu’aucun des deux n’est un produit. AlphaProof Code est le cadre de vérification formelle agentique de G​oogle DeepMind, publié le 10 novembre 2026 avec les artefacts Lean d’une vérification de quatre semaines du binaire libsignal compilé de Signal, et sans point de terminaison derrière. TwIL-LM3-Pro est le modèle de raisonnement en logique formelle de webAI à 3,66 milliards de paramètres, disponible sur Hugging Face depuis le 3 septembre 2026, dont les poids se trouvent derrière un formulaire de demande par e-mail et une licence qui interdit l’usage commercial. L’un pose la question « puis-je l’obtenir tout court ? » ; l’autre, « puis-je l’exécuter à un coût suffisamment faible pour que cela compte ? ». Pour quiconque travaille en méthodes formelles, ces deux questions sont les vraies questions du moment, et aucune des deux réponses n’est « oui ».

Ce qu'est TwIL-LM3-Pro, mécaniquement

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.

La stack d’entraînement est exceptionnellement bien documentée pour un modèle de cette taille : un fine-tuning supervisé LoRA de rang 64 sur un corpus synthétique de logique formelle, une distillation multipath pour plusieurs traces de raisonnement par prompt, une fusion de checkpoints dans l’espace des paramètres plutôt que de prendre le checkpoint final, une interpolation WiSE-FT à α = 0,15 ramenée vers la base avec TIES et DARE-SLERP, et une étape GRPO pondérée par l’entropie que webAI appelle MGPO face à un vérificateur programmatique, menée jusqu’à l’étape 2580. L’artefact publié est la politique fusionnée, ce qui est le détail pratique : vous pouvez l’exécuter en bf16 avec 6,82 GiB, ou sous forme de GGUF Q4_K_M avec 2,09 GiB sur un CPU ou 4 GB de VRAM.

Cette dernière phrase est toute la proposition de valeur. Un modèle de 3,66 B qui tourne sur un ordinateur portable et répond à des questions de logique formelle est d'une autre nature qu'un cadre de vérification ayant nécessité cinq chercheurs, quatre semaines et des équipes de 40 à 80 agents. TwIL-LM3-Pro est le pôle bon marché du raisonnement formel ; AlphaProof Code est le pôle coûteux de l'assurance formelle. Ils ne sont pas interchangeables, et la comparaison ne vaut la peine d'être faite que parce que les gens continuent de classer les deux sous « IA pour les méthodes formelles ».

Ce que les benchmarks de chaque camp établissent réellement

La fiche de TwIL-LM3-Pro rapporte quatre lignes de synthèse sur son propre Track A : un macro gate de 0,5539, un strict-7 de 0,2879, une moyenne des six voies de 0,5389 et un macro_primary de 0,5875. Face à Qwen3-8B, le macro gate est de 0,5539 contre 0,5336, et la fiche écrit la phrase qu’une page marketing aurait supprimée : l’avance de 0,020 sur le gate est inférieure au bruit d’échantillonnage à n = 200 par voie, donc cette ligne est une parité, pas une victoire. Là où ce n’est pas une égalité :

• Strict-7 — 0,2879 contre Qwen3-8B à 0,2093, et cette ligne ne bénéficie à aucun endroit d’un crédit de correspondance approximative, donc la chance liée au formatage ne peut pas en être à l’origine.

• Strict MCQ — 0,4100 vs 0,0000, l’écart de voie le plus large parmi les onze lignes rapportées.

• Induction de règles — 0,4195 vs 0,3680.

• Adéquation au corpus — la perplexité lm_corpus la plus faible parmi tous les bras, à 2.3130 contre 2.5478.

• Suite de validation indépendante — la fiche ne mâche pas ses mots : « TwIL-LM3-Pro n'y est pas en tête. » La macro sur les 10 jeux de données est de 0,7901, statistiquement au niveau de sa propre base à 0,7942 et bien derrière Qwen3-8B à 0,8493 et gpt-oss-120b à 0,8689.

Deux autres mises en garde que la fiche énonce elle-même : les générations de Track A font en moyenne 1 902 tokens contre 564 pour le prédécesseur, 24,2 % atteignant la limite de longueur, ce que la fiche qualifie d’« indicatif plutôt qu’exact » ; et les chiffres de débit ont été mesurés sur une version plus récente de vLLM que les colonnes de comparaison.

AlphaProof Code ne dispose pas d’un tel tableau, car il ne répond pas à une question à laquelle un tableau peut répondre. L’affirmation est qu’un binaire précis — libsignal v0.105.4 avec spqr v1.6.0, compilé par rustc 1.98.1, lié statiquement, un seul exécutable AArch64 — satisfait dix théorèmes symboliques et un volet calculatoire avec une borne concrète, prouvés par environ 6,5 millions de lignes de Lean et vérifiés par le noyau. La validation comparable est le test négatif : deux vrais bugs, déjà corrigés auparavant, ont été réintroduits dans une copie isolée, et tous deux ont produit des preuves d’insécurité vérifiées par machine. Ce n’est pas un score. C’est la démonstration que le système peut distinguer le code correct du code défaillant, ce qui est une affirmation plus forte que le 0.2879 de TwIL sur strict-7, et bien plus étroite — un binaire, une spécification, une semaine de travail de cinq personnes.

La licence, qui constitue le véritable point de décision

TwIL-LM3-Pro est distribué sous une licence qui interdit tout usage commercial, via trois canaux non équivalents. Les poids sont disponibles sur Hugging Face. Le checkpoint est révisé périodiquement — la version actuelle est sortie le 30 septembre 2026. Et le 1er octobre 2026, webAI a publié une build LiteRT-LM pour l’inférence embarquée sur Android et iOS, c’est ce canal qui donne tout son sens au chiffre de 2.09 GiB du GGUF pour une application mobile. L’un des trois canaux est un formulaire, et si votre usage est commercial, vous devriez lire la licence avant de lire le tableau des benchmarks.

La question de la distribution d’AlphaProof Code est différente et sans doute pire. Les artefacts sont publiés sur github.com/google-deepmind/code-verification — le développement Lean, la sémantique AArch64 de 7 578 lignes couvrant 467 instructions et 31 appels système, le binding libsignal, les spécifications symboliques et computationnelles — et la page d’accueil n’indique aucune licence. Ce n’est pas « permissif » ; c’est non résolu. L’article de blog dit seulement que DeepMind ouvre les artefacts de vérification pour utilisation par la communauté. Avant de construire un pipeline sur un développement Lean sans licence, demandez à quelqu’un.

Donc : l'un des artefacts est un modèle que vous n'êtes pas autorisé à utiliser à des fins commerciales ; l'autre est une base de code dont les conditions d'utilisation ne sont pas précisées. Pour un amateur, le premier est exploitable. Pour une entreprise, ni l'un ni l'autre ne constitue un feu vert.

Où chacun se situerait réellement dans un pipeline

TwIL-LM3-Pro raisonne sur la logique formelle sous forme de texte. Donnez-lui une obligation de preuve, un système de règles, un ensemble de prémisses ; il produit une dérivation sous une forme mêlant prose et symboles, destinée à être lue par un humain. C’est une aide au raisonnement, et la suite de benchmarks propre à la fiche — induction de règles, choix multiple strict, adéquation au corpus — est conçue autour de cette tâche.

AlphaProof Code ne raisonne pas sur la logique dans le texte. Ses agents écrivent du Lean, et le Lean est vérifié. Les deux étapes sont complémentaires en principe : un petit modèle qui propose la forme d’une spécification, un modèle général puissant qui la révise, et un harnais d’agent de preuve qui la valide auprès d’un noyau. Ce qui manque entre eux, c’est un pont — TwIL-LM3-Pro n’a pas été évalué sur la génération d’énoncés Lean, et rien dans sa fiche ne suggère qu’il a été entraîné pour cela. Son voisin naturel dans cette chaîne est MathForm-8B, l’autoformaliseur Lean 4 d’OpenBMB, et non un cadre de vérification.

L'analyse de DeepMind sur le goulot d'étranglement humain est la partie intéressante ici. Avant que tout travail de preuve ne commence, les chercheurs ont traduit les objectifs de sécurité de Signal en spécifications formelles à l'aide d'un mélange de modèles, et un expert a examiné chaque spécification. Un petit modèle local et rapide qui pourrait rédiger ces énoncés de manière plausible et à moindre coût serait véritablement utile à ce stade — et nécessiterait toujours l'examen d'un expert, car une spécification erronée produit une preuve du mauvais théorème, parfaitement vérifiée.

Ce que vous pouvez exécuter dès aujourd’hui, et ce que cela coûte

• TwIL-LM3-Pro — poids disponibles sur demande auprès de Hugging Face sous licence non commerciale ; une version sur appareil LiteRT-LM depuis le 1er octobre 2026 ; aucune API hébergée de webAI que je puisse vérifier. Auto-hébergement sur 6,82 GiB de poids bf16 ou 2,09 GiB en Q4_K_M.

• AlphaProof Code — non exécutable. Artefacts publiés, aucun endpoint, aucun poids, aucun prix, aucune liste d’attente, aucune licence indiquée.

• Les modèles au sein d'AlphaProof Code — les agents de preuve tournaient sur G​emini 4 Carbon, que nous ne proposons pas ; Claude Opus 5.5 a été utilisé parmi les modèles qui rédigeaient et relisaient les spécifications et est au catalogue d'OrcaRouter à 4 $ par million de tokens d'entrée et 20 $ par million de tokens de sortie, prix catalogue du fournisseur répercuté avec 0 % de marge.

• Les modèles auxquels TwIL-LM3-Pro est comparé — les modèles de la classe Qwen3-8B constituent l’ensemble de comparaison habituel pour un checkpoint de logique formelle de 3,66 B, et l’intérêt de les mettre derrière une même clé est qu’une boucle de rédaction de spécifications peut envoyer la même obligation à un petit modèle spécialisé et à un modèle généraliste, puis comparer les résultats sans second contrat. La fusion de modèles fait la même chose en un seul appel : un panel qui répond ensemble, ce qui correspond à peu près à ce que l’équipe DeepMind a fait avec un mélange de modèles lors de l’étape de spécification.

Le verdict honnête, c'est que vous n'avez probablement besoin ni de l'un ni de l'autre.

Si vous souhaitez une vérification formelle de code de production, AlphaProof Code est un article et un développement Lean. Lisez-le, citez-le, et ne planifiez pas un sprint autour de lui — la formulation de DeepMind elle-même est que la mise à l'échelle de la technique « nécessite une recherche continue », et l'article indique que le processus dispose d'une marge d'optimisation substantielle. Le temps médian pour obtenir une compilation propre se compte en heures, et une modification d'une seule ligne du code source peut déclencher d'importantes réparations de preuves.

Si vous voulez un petit modèle qui raisonne sur la logique formelle sur un ordinateur portable, TwIL-LM3-Pro est réel, s’exécute à 2,09 Gio en version quantifiée, et sa propre fiche vous indique où il fait match nul plutôt que de l’emporter. Vérifiez la licence avant de vérifier les benchmarks, car la licence est la lecture la plus courte et la plus décisive.

Les deux publications partagent une configuration qui mérite d’être remarquée : la frontière des méthodes formelles est repoussée à l’extrémité très coûteuse par un laboratoire disposant de centaines d’heures-agent à consacrer, tandis que l’extrémité abordable produit de petits modèles aux compétences étroites et aux conditions non commerciales. Le milieu — un outil commercial qui prend une spécification et renvoie une preuve vérifiée pour du code qui vous appartient, à un prix qu’une équipe peut inscrire à son budget — reste vide. C’est cet écart-là, et non celui entre ces deux artefacts, qui mérite d’être surveillé.