AlphaProof Code vs TwIL-LM3-Pro: Kerangka Kerja yang Tidak Dapat Anda Beli versus Model yang Nyaris Tidak Dapat Anda Unduh

Hal paling berguna yang perlu diketahui saat membandingkan AlphaProof Code dan TwIL-LM3-Pro adalah bahwa keduanya bukan produk. AlphaProof Code adalah kerangka kerja verifikasi formal agentik milik Google DeepMind, yang diterbitkan pada 10 November 2026 bersama artefak Lean dari verifikasi selama empat minggu atas biner libsignal milik Signal yang telah dikompilasi, dan tidak ada endpoint di baliknya. TwIL-LM3-Pro adalah model penalaran logika formal webAI dengan 3,66 miliar parameter, tersedia di Hugging Face sejak 3 September 2026, yang bobotnya berada di balik formulir permintaan via email dan lisensi yang melarang penggunaan komersial. Yang satu bertanya "apakah saya bisa mendapatkannya sama sekali"; yang lain bertanya "apakah saya bisa menjalankannya cukup murah agar berdampak." Bagi siapa pun yang bekerja di bidang metode formal, kedua pertanyaan itu adalah pertanyaan yang relevan, dan tidak ada jawaban yang "ya".

Apa TwIL-LM3-Pro secara mekanis

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.

Stack pelatihan ini terdokumentasi dengan sangat baik untuk model sebesar ini: fine-tune terawasi LoRA rank-64 pada korpus logika formal sintetis, distilasi multipath untuk beberapa jejak penalaran per prompt, fusi checkpoint di ruang parameter alih-alih mengambil checkpoint final, interpolasi WiSE-FT pada α = 0.15 yang digabungkan kembali ke basis dengan TIES dan DARE-SLERP, serta tahap GRPO berbobot entropi yang oleh webAI disebut MGPO terhadap verifier programatik, dijalankan hingga langkah 2580. Artefak yang diterbitkan adalah kebijakan gabungan, yang merupakan detail praktisnya: Anda dapat menjalankannya dalam bf16 pada 6.82 GiB, atau sebagai Q4_K_M GGUF pada 2.09 GiB di CPU atau 4 GB VRAM.

Kalimat terakhir itu adalah seluruh proposisi nilai. Model 3,66B yang berjalan di laptop dan menjawab pertanyaan logika formal adalah jenis objek yang berbeda dari kerangka verifikasi yang membutuhkan lima peneliti, empat minggu, dan tim berisi 40 hingga 80 agen. TwIL-LM3-Pro adalah ujung murah dari penalaran formal; AlphaProof Code adalah ujung mahal dari jaminan formal. Keduanya bukan pengganti dan perbandingan ini hanya layak dilakukan karena orang terus mengelompokkan keduanya di bawah "AI untuk metode formal."

Apa yang sebenarnya ditetapkan oleh tolok ukur di masing-masing sisi

Kartu TwIL-LM3-Pro melaporkan empat baris ringkasan pada Track A-nya sendiri: gerbang makro 0,5539, strict-7 0,2879, rata-rata enam jalur 0,5389, dan macro_primary 0,5875. Dibandingkan dengan Qwen3-8B, gerbang makro adalah 0,5539 versus 0,5336, dan kartu itu menuliskan kalimat yang akan dihapus oleh halaman pemasaran: keunggulan gerbang sebesar 0,020 lebih kecil daripada noise sampling pada n = 200 per jalur, sehingga baris itu adalah paritas, bukan kemenangan. Di bagian yang bukan seri:

• Strict-7 — 0.2879 vs Qwen3-8B pada 0.2093, dan baris ini tidak menggunakan kredit kecocokan longgar di mana pun, sehingga keberuntungan pemformatan tidak dapat menghasilkannya.

• Strict MCQ — 0.4100 vs 0.0000, celah lajur terlebar di antara sebelas baris yang dilaporkan.

• Induksi aturan — 0.4195 vs 0.3680.

• Kesesuaian korpus — perplexity lm_corpus terendah di antara semua arm pada 2,3130, dibandingkan dengan 2,5478.

• Suite held-out — kartunya blak-blakan: "TwIL-LM3-Pro tidak memimpinnya." Makro 10-dataset adalah 0.7901, secara statistik setara dengan basisnya sendiri pada 0.7942 dan jauh tertinggal dari Qwen3-8B pada 0.8493 dan gpt-oss-120b pada 0.8689.

Dua peringatan tambahan yang dinyatakan sendiri oleh kartu tersebut: generasi Track A rata-rata 1.902 token dibandingkan 564 untuk pendahulunya, dengan 24,2% mencapai batas panjang, yang oleh kartu tersebut disebut "indikatif, bukan pasti"; dan angka throughput diukur pada vLLM yang lebih baru daripada kolom pembanding.

AlphaProof Code tidak memiliki tabel semacam itu, karena ia tidak menjawab pertanyaan yang dapat dijawab oleh tabel. Klaimnya adalah bahwa biner tertentu — libsignal v0.105.4 dengan spqr v1.6.0, dibangun oleh rustc 1.98.1, ditautkan secara statis, satu executable AArch64 — memenuhi sepuluh teorema simbolik dan satu jalur komputasional dengan batas konkret, dibuktikan oleh sekitar 6,5 juta baris Lean dan diperiksa oleh kernel. Validasi yang sebanding adalah uji negatif: dua bug nyata yang sebelumnya telah diperbaiki dimasukkan kembali ke salinan terisolasi, dan keduanya menghasilkan bukti ketidakamanan yang diperiksa mesin. Itu bukan skor. Itu adalah demonstrasi bahwa sistem dapat membedakan kode yang benar dari kode yang rusak, yang merupakan pernyataan lebih kuat daripada 0,2879 milik TwIL pada strict-7 dan jauh lebih sempit — satu biner, satu spesifikasi, satu minggu dari waktu lima orang.

Lisensi, yang merupakan titik keputusan sebenarnya

TwIL-LM3-Pro dirilis di bawah lisensi yang melarang penggunaan komersial, didistribusikan melalui tiga saluran yang tidak setara. Bobotnya ada di Hugging Face. Checkpoint-nya direvisi secara berkala — yang berlaku saat ini dirilis pada 30 September 2026. Dan pada 1 Oktober 2026, webAI menerbitkan build LiteRT-LM untuk inferensi on-device Android dan iOS, yang merupakan saluran yang membuat angka 2.09 GiB GGUF bermakna bagi aplikasi ponsel. Salah satu dari tiga saluran tersebut adalah formulir, dan jika penggunaan Anda komersial, Anda harus membaca lisensi sebelum membaca tabel benchmark.

Pertanyaan distribusi AlphaProof Code berbeda dan bisa dibilang lebih buruk. Artefaknya diterbitkan di github.com/google-deepmind/code-verification — pengembangan Lean, semantik AArch64 sepanjang 7.578 baris yang mencakup 467 instruksi dan 31 panggilan sistem, binding libsignal, spesifikasi simbolik dan komputasional — dan halaman landing-nya sama sekali tidak mencantumkan lisensi. Itu bukan "permisif"; itu belum terselesaikan. Postingan blog hanya menyatakan bahwa DeepMind membuat artefak verifikasi menjadi sumber terbuka untuk penggunaan komunitas. Sebelum Anda membangun pipeline di atas pengembangan Lean tanpa lisensi, tanyakan kepada seseorang.

Jadi: satu artefak adalah model yang tidak boleh Anda gunakan secara komersial; yang lain adalah basis kode yang ketentuannya tidak dinyatakan. Bagi seorang penghobi, yang pertama bisa dipakai. Bagi sebuah perusahaan, keduanya bukan lampu hijau.

Di mana masing-masing sebenarnya akan ditempatkan dalam sebuah pipeline

TwIL-LM3-Pro melakukan penalaran atas logika formal sebagai teks. Berikan kepadanya kewajiban pembuktian, sistem aturan, dan sekumpulan premis; ia menghasilkan derivasi dalam bentuk prosa-dan-simbol yang dibaca manusia. Ini adalah alat bantu penalaran, dan rangkaian tolok ukur milik kartu itu sendiri — induksi aturan, pilihan ganda ketat, kecocokan korpus — dibangun di sekitar tugas tersebut.

AlphaProof Code tidak bernalar atas logika dalam teks. Agen-agennya menulis Lean, dan Lean diperiksa. Kedua tahap itu pada prinsipnya saling melengkapi: model kecil yang mengusulkan bentuk spesifikasi, model umum yang kuat yang meninjaunya, dan harness agen pembuktian yang menutupnya terhadap kernel. Yang hilang di antara keduanya adalah jembatan — TwIL-LM3-Pro belum dievaluasi pada pembangkitan pernyataan Lean, dan tidak ada apa pun di kartu modelnya yang menunjukkan bahwa model itu dilatih untuk itu. Tetangga alaminya dalam tumpukan itu adalah MathForm-8B, autoformalis Lean 4 dari OpenBMB, bukan kerangka verifikasi.

Bagian yang menarik di sini adalah penjelasan DeepMind sendiri tentang hambatan manusia. Sebelum pekerjaan pembuktian apa pun dimulai, para peneliti menerjemahkan tujuan keamanan Signal ke dalam spesifikasi formal dengan campuran model, dan seorang ahli meninjau setiap spesifikasi. Model lokal yang kecil dan cepat yang dapat menyusun draf pernyataan itu secara masuk akal dan dengan biaya rendah akan benar-benar berguna pada tahap itu — dan tetap memerlukan tinjauan ahli, karena spesifikasi yang salah menghasilkan pembuktian teorema yang salah, yang diverifikasi dengan sempurna.

Apa yang dapat Anda jalankan hari ini, dan berapa biayanya

• TwIL-LM3-Pro — bobot berdasarkan permintaan dari Hugging Face di bawah lisensi non-komersial; build LiteRT-LM on-device sejak 1 Oktober 2026; tidak ada API yang dihosting dari webAI yang dapat saya verifikasi. Host sendiri dengan bobot bf16 sebesar 6.82 GiB atau 2.09 GiB pada Q4_K_M.

• AlphaProof Code — tidak dapat dijalankan. Artefak telah dipublikasikan, tanpa endpoint, tanpa bobot, tanpa harga, tanpa daftar tunggu, tanpa lisensi yang dinyatakan.

• Model-model di dalam AlphaProof Code — agen pembuktian dijalankan pada G​emini 4 Carbon, yang tidak kami layani; Claude Opus 5.5 digunakan di antara model-model yang menyusun dan meninjau spesifikasi serta tersediadi katalog OrcaRouter dengan harga $4 per juta token input dan $20 per juta token output, harga daftar penyedia diteruskan dengan markup 0%.

• Model yang dijadikan pembanding TwIL-LM3-Pro — model sekelas Qwen3-8B adalah himpunan pembanding biasa untuk checkpoint logika formal 3,66B, dan inti dari menempatkan semuanya di balik satu kunci adalah bahwa sebuah loop penyusunan spesifikasi dapat mengirim kewajiban yang sama ke spesialis kecil dan model umum lalu membandingkan hasilnya tanpa kontrak kedua. Fusi model melakukan hal yang sama dalam satu panggilan: sebuah panel yang menjawab bersama, yang kira-kira seperti yang dilakukan tim DeepMind dengan campuran model pada tahap spesifikasi.

Kesimpulan jujurnya, yaitu bahwa kemungkinan besar Anda tidak membutuhkan keduanya.

Jika Anda menginginkan verifikasi formal atas kode produksi, AlphaProof Code adalah sebuah makalah dan pengembangan Lean. Bacalah, kutiplah, dan jangan merencanakan sprint berdasarkan itu — kerangka pemikiran DeepMind sendiri adalah bahwa penskalaan teknik ini “memerlukan riset berkelanjutan,” dan makalah tersebut menyatakan bahwa prosesnya masih memiliki ruang optimasi yang besar. Waktu median untuk mencapai build yang bersih adalah berjam-jam, dan perubahan sumber satu baris dapat memicu perbaikan bukti yang besar.

Jika Anda menginginkan model kecil yang bernalar tentang logika formal di laptop, TwIL-LM3-Pro benar-benar ada, berjalan pada 2,09 GiB terkuantisasi, dan kartu informasinya sendiri memberi tahu Anda di mana model ini setara alih-alih unggul. Periksa lisensinya sebelum memeriksa tolok ukurnya, karena lisensi lebih singkat dibaca dan lebih menentukan.

Yang sama-sama dimiliki kedua rilis ini adalah pola yang layak dicermati: batas terdepan metode formal sedang didorong di ujung yang sangat mahal oleh lab dengan ratusan jam-agen untuk dibelanjakan, sementara ujung yang terjangkau menghasilkan model-model kecil dengan kompetensi sempit dan ketentuan nonkomersial. Bagian tengah — alat komersial yang menerima spesifikasi dan mengembalikan bukti terperiksa untuk kode milik Anda, dengan harga yang bisa dianggarkan tim — masih kosong. Kesenjangan itu, bukan kesenjangan antara kedua artefak ini, adalah yang layak diamati.