AlphaProof Code vs AesCode 32B: Satu Membuktikan Kebenaran Kode, yang Lain Menggambarnya

Letakkan AlphaProof Code dan AesCode 32B dalam satu kalimat dan satu-satunya hal yang mereka miliki bersama adalah kata "code." AlphaProof Code adalah kerangka kerja agentik Google DeepMind yang diumumkan pada 10 November 2026 yang menghasilkan sekitar 6,5 juta baris Lean yang diperiksa mesin, membuktikan bahwa biner libsignal yang dikompilasi berperilaku sesuai spesifikasi. AesCode 32B adalah checkpoint vision-language dengan 33 miliar parameter yang diunggah Microsoft ke Hugging Face pada awal Oktober 2026 tanpa pengumuman, dan ia menulis prompt ke dalam satu dokumen HTML mandiri — slide, poster, dasbor — yang kemudian dilihat manusia. Keduanya bukan layanan yang dapat Anda panggil. Salah satunya bahkan bukan model. Jika Anda sampai di sini mencari keputusan pengganti drop-in, jawaban jujurnya adalah keputusan semacam itu tidak ada, dan sisa artikel ini menjelaskan mengapa perbandingan ini tetap layak dilakukan.

Kesalahan kategori, jika dinyatakan dengan tepat

AesCode 32B adalah generator. Anda memberinya deskripsi; ia mengembalikan artefak yang kualitasnya dinilai secara estetis dan berdasarkan apakah angka-angka di halaman tersebut kebetulan merupakan angka yang Anda minta. Framing pada kartu model itu sendiri adalah bahwa generator gambar menyusun halaman yang menawan tetapi salah merender angka-angka di dalamnya, sementara model kode mendapatkan angka yang benar tetapi tidak dapat melihat bagaimana tampilan halamannya — AesCode memasangkan prompt Anda dengan gambar yang dihasilkan dari prompt yang sama dan menggunakan gambar itu sebagai referensi estetis sambil mengikuti teks untuk konten.

AlphaProof Code adalah verifier. Anda memberinya spesifikasi — pernyataan tentang apa yang harus benar — dan ia mengembalikan bukti, yang diperiksa oleh kernel Lean, bahwa biner terkompilasi tertentu memenuhi spesifikasi tersebut. Tidak ada pertimbangan estetika di mana pun dalam proses ini. Sebuah bukti diterima atau tidak, dan kriteria penerimaannya adalah beberapa ribu baris kode kernel, bukan selera seorang peninjau.

Perbedaan itu menentukan untuk apa masing-masing digunakan. AesCode 32B menjawab "buatkan saya sesuatu." AlphaProof Code menjawab "apakah benda ini sesuai dengan klaimnya." Anda akan menggunakan yang pertama pada Selasa sore untuk membuat dek, dan yang kedua, jika Anda adalah Signal, selama empat minggu dengan lima peneliti dan tim yang terdiri dari 40 hingga 80 agen.

Apa yang sebenarnya disertakan pada masing-masing

• Parameter — AesCode 32B: sekitar 33,4 miliar dalam BF16 di empat belas shard safetensors dengan total 66.714.912.704 byte. AlphaProof Code: tidak ada. Ini adalah kerangka kerja plus repositori artefak, dan tidak ada bobot untuk diunduh.

• {{1}}Dasar{{/1}} — {{2}}AesCode 32B{{/2}}: hasil fine-tune dari {{3}}Qwen3-VL-32B-Instruct{{/3}}, dengan arsitektur yang dideklarasikan sebagai {{4}}Qwen3VLForConditionalGeneration{{/4}}, sehingga dapat dimuat dengan {{5}}transformers 4.57{{/5}} dan versi setelahnya. {{6}}AlphaProof Code{{/6}}: agnostik model sejak dirancang; {{7}}makalah DeepMind{{/7}} menyebut {{8}}G​emini 4 Carbon{{/8}} untuk agen pembuktian dan menyatakan {{9}}Claude Opus 5.5{{/9}} digunakan di antara model yang menyusun dan meninjau spesifikasi.

{{1}}Lisensi{{/1}} — AesCode 32B: Apache 2.0, tersedia di Hugging Face hari ini. AlphaProof Code: pengembangan Lean, semantik AArch64, dan binding libsignal diterbitkan di github.com/google-deepmind/code-verification, dan halaman landing menyatakan tidak ada lisensi, yang harus Anda selesaikan sebelum membangun apa pun di atasnya.

• Ketersediaan — AesCode 32B: hanya self-host. Sekitar 65 GB memori akselerator untuk bobot, perintah vLLM pada empat rank tensor-paralel, tanpa endpoint yang dihosting dan tanpa pemetaan penyedia inferensi di balik halaman repo. AlphaProof Code: artefak riset, tanpa endpoint, tanpa daftar tunggu, tanpa harga.

• Keluaran — AesCode 32B: satu dokumen HTML, dapat diperiksa dengan membukanya. AlphaProof Code: sebuah term pembuktian Lean, dapat diperiksa oleh Lean.

• Apa arti "benar" — AesCode 32B: halaman terlihat benar dan angka-angkanya sesuai dengan prompt, dinilai oleh seseorang. AlphaProof Code: teorema berlaku untuk semua input dalam model, dinilai oleh kernel.

Satu-satunya tumpang tindih yang benar-benar menarik: kedua keluaran adalah artefak

Inilah perbandingan yang layak diperhatikan. Kedua sistem menghasilkan berkas yang bertahan lebih lama daripada model yang membuatnya. HTML dari AesCode 32B adalah dokumen final; Anda dapat mengirimkannya, menyuntingnya, membandingkan perbedaannya, dan tidak ada yang memerlukan model itu lagi. Bukti Lean dari AlphaProof Code adalah derivasi final; Anda dapat memeriksanya ulang di laptop dalam beberapa menit komputasi, dan jika spesifikasi tidak berubah, hasilnya tetap berlaku dalam lima tahun.

Itu adalah sifat yang lebih langka daripada kedengarannya di pasar yang penuh dengan endpoint chat. Sebagian besar keluaran model adalah teks sekali pakai yang nilainya bergantung pada model yang tetap tersedia. Keduanya menghasilkan sesuatu yang dapat Anda simpan. Perbedaannya terletak pada apa yang Anda peroleh dari "menyimpan": dengan AesCode Anda menyimpan dek, dengan AlphaProof Code Anda menyimpan jaminan.

Yang membuat analogi itu patah adalah auditabilitas. Siapa pun dapat membuka HTML dan melihat apakah judulnya salah. Hampir tidak ada yang dapat membuka 6,5 juta baris Lean dan melihat apakah teorema itu menyatakan apa yang menurut siaran pers dinyatakannya — yang justru menjadi alasan mengapa makalah DeepMind menghabiskan banyak halaman untuk merinci basis tepercayanya, 37 primitif yang dikontrakkan, dan properti yang tidak dibuktikannya. Artefaknya dapat diperiksa; pembacaannya tidak gratis.

Berapa nilai angka di setiap sisi

Judul utama AesCode 32B adalah skor keseluruhan 85,89 versus GPT-5.5 pada 81,28 — pengukuran Microsoft terhadap model pesaing, pada rubrik yang ditulis Microsoft, pada harness yang dibangun Microsoft. Boundary berada di 97,27 dengan overflow parah pada 4,3% sampel, dan gaya di 55,99, baris di mana tidak ada model dalam tabel yang melampaui 60. Berdasarkan penghitung repo itu sendiri, tidak ada orang di luar Microsoft yang telah menerbitkan angka untuk model tersebut. Setiap angka di atas dilaporkan vendor dan belum direproduksi.

AlphaProof Code sama sekali tidak memiliki tabel benchmark, dan itu bukan celah dalam pelaporan — itu adalah jenis klaim yang berbeda. Hasilnya adalah bahwa biner tertentu memenuhi sepuluh teorema simbolik dan jalur komputasi dengan batas yang konkret. Anda boleh tidak setuju dengan spesifikasinya, tetapi Anda tidak dapat membantah putusan kernel atas pembuktian tersebut. Peringatan yang sebanding bersifat struktural, bukan statistik: tidak ada jaminan pasca-kuantum untuk pemulihan SPQR, tidak ada privasi payload, tidak ada autentikasi responder pada pesan pertama yang belum dipromosikan, satu sesi per promosi, panjang pesan tetap, tidak ada status multiperangkat. Dan batas pemalsuan MAC yang menjadi tidak bermakna sekitar 25.000 pesan dalam satu sesi.

Satu angka memang berguna untuk dibandingkan. Verifikasi AlphaProof Code memakan waktu empat minggu, padahal pekerjaan sebanding secara historis membutuhkan waktu bertahun-tahun bagi tim ahli, dibandingkan dengan baseline yang dikutip dalam makalah itu sendiri, yaitu sekitar 20 orang-tahun untuk seL4 dan sekitar 6 untuk CompCert. Rasio itulah klaim yang perlu dipegang, dan itu adalah klaim tentang alur kerja, bukan tentang kualitas model.

Mana yang benar-benar dapat Anda jalankan minggu ini?

AesCode 32B: ya, jika Anda memiliki perangkat kerasnya. Unduh shard-nya, sajikan dengan vLLM pada empat rank, jaga prompt di bawah batas 24.576 token kartu, dan terima bahwa langkah peninjauan Anda adalah manusia yang menyipitkan mata pada HTML yang telah dirender. Ini tidak akan memberi tahu Anda apakah halamannya benar; ini akan memberi tahu Anda apakah halamannya terlihat benar.

AlphaProof Code: tidak. Artefak yang dipublikasikan adalah pengembangan Lean, bukan pipeline yang Anda panggil. Bahkan model di dalamnya bukanlah hasil akhir — kerangka kerjanya adalah konstruksi riset, dan framing DeepMind sendiri adalah bahwa penskalaannya "memerlukan riset berkelanjutan." CodeMender adalah proyek saudara untuk perbaikan otomatis; verifikasi dan remediasi adalah dua produk berbeda dalam peta jalan lab tersebut.

Jika yang Anda inginkan adalah model untuk menyusun draf spesifikasi — langkah ketika para ahli manusia menerjemahkan tujuan keamanan Signal ke Lean, ditinjau satu per satu — itu adalah pekerjaan model biasa, dan Claude Opus 5.5 ada di katalog OrcaRouter dengan harga $4 per juta token masukan dan $20 per juta token keluaran dengan harga daftar penyedia diteruskan pada markup 0%. Merutekan loop penyusunan draf spesifikasi ke dua atau tiga model dan membandingkan keluaran Lean mereka adalah panggilan routing-DSL, bukan proyek riset. Tidak satu pun dari itu memberi Anda bukti; langkah pembuktian adalah asal enam juta baris itu.

Mengapa pasangan itu tetap layak dipublikasikan

Sebab "model kode" telah menjadi kategori tanpa standar minimum. Model yang menulis slide dan framework yang membuktikan protokol perpesanan sama-sama dimasukkan ke dalamnya, dan pembeli yang membandingkannya di papan peringkat tidak mendapat informasi apa pun. Pertanyaan yang berguna bukanlah mana yang lebih baik — melainkan bukti apa yang Anda dapatkan untuk outputnya. AesCode 32B memberi Anda halaman yang dirender dan rubrik dari vendor. AlphaProof Code memberi Anda derivasi yang diperiksa kernel dan daftar asumsi yang sangat eksplisit. Salah satunya dapat diskalakan ke kode yang kesalahannya sebaiknya tidak terjadi, dan itu bukan yang memiliki jumlah parameter lebih besar.

Jika Anda mengevaluasi AesCode 32B untuk pipeline desain, hal yang perlu diuji bukan skor keseluruhannya melainkan perilaku batasnya — tingkat luapan parah sebesar 4,3% adalah titik ketika sebuah dek diam-diam menjadi salah alih-alih jelek. Jika Anda mengevaluasi AlphaProof Code, hal yang perlu dibaca adalah katalog penyimpangan spesifikasi di repositori artefak: lebih dari 200 entri komputasional dan sekitar 35 entri simbolik, lima belas di antaranya adalah celah atau bug dalam analisis Double Ratchet. Katalog itu adalah dokumen paling jujur dalam rilis ini, karena itu adalah daftar semua hal yang tidak berhasil ditutup oleh pembuktian.