AlphaProof Code vs TwIL-LM3-Pro: un framework che non puoi comprare contro un modello che riesci a malapena a scaricare

La cosa più utile da sapere sul confronto tra AlphaProof Code e TwIL-LM3-Pro è che nessuno dei due è un prodotto. AlphaProof Code è il framework agentico di verifica formale di Google DeepMind, pubblicato il 10 novembre 2026 con gli artefatti Lean di una verifica di quattro settimane del binario libsignal compilato di Signal e senza alcun endpoint alle spalle. TwIL-LM3-Pro è il modello di ragionamento di logica formale da 3,66 miliardi di parametri di webAI, su Hugging Face dal 3 settembre 2026, i cui pesi sono accessibili solo tramite un modulo di richiesta via email e una licenza che vieta l'uso commerciale. Uno pone la domanda «posso anche solo ottenerlo?»; l'altro chiede «posso eseguirlo a un costo abbastanza basso da avere un peso?». Per chiunque lavori nei metodi formali, entrambe le domande sono quelle decisive, e nessuna delle due risposte è affermativa.

Che cos'è TwIL-LM3-Pro, a livello meccanico

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.

Lo stack di addestramento è insolitamente ben documentato per un modello di queste dimensioni: un fine-tuning supervisionato LoRA a rango 64 su un corpus sintetico di logica formale, distillazione multipath per diverse tracce di ragionamento per prompt, fusione di checkpoint nello spazio dei parametri invece di prendere il checkpoint finale, un'interpolazione WiSE-FT con α = 0,15 riportata verso la base con TIES e DARE-SLERP, e una fase GRPO ponderata per entropia che webAI chiama MGPO contro un verificatore programmatico, eseguita fino allo step 2580. L'artefatto pubblicato è la policy fusa, ed è questo il dettaglio pratico: puoi eseguirlo in bf16 a 6,82 GiB, oppure come GGUF Q4_K_M a 2,09 GiB su una CPU o con 4 GB di VRAM.

Quella ultima frase è l'intera proposta di valore. Un modello da 3,66B che gira su un laptop e risponde a domande di logica formale è un tipo diverso di oggetto rispetto a un framework di verifica che ha richiesto cinque ricercatori, quattro settimane e squadre di 40-80 agenti. TwIL-LM3-Pro è l'estremo economico del ragionamento formale; AlphaProof Code è l'estremo costoso dell'assicurazione formale. Non sono sostituti e il confronto vale la pena farlo solo perché le persone continuano a classificarli entrambi sotto "IA per i metodi formali".

Cosa stabiliscono effettivamente i benchmark di ciascuna delle due parti

La card di TwIL-LM3-Pro riporta quattro righe di riepilogo sul proprio Track A: un macro gate di 0,5539, strict-7 di 0,2879, una media delle sei lane di 0,5389 e macro_primary di 0,5875. Rispetto a Qwen3-8B il macro gate è 0,5539 contro 0,5336, e la card scrive la frase che una pagina di marketing avrebbe eliminato: il vantaggio sul gate di 0,020 è inferiore al rumore di campionamento a n = 200 per lane, quindi quella riga è parità, non una vittoria. Dove non c'è parità:

• Strict-7 — 0.2879 contro Qwen3-8B a 0.2093, e questa riga non utilizza alcun credito per corrispondenza approssimativa in nessun punto, quindi la fortuna nella formattazione non può produrlo.

• MCQ rigoroso — 0.4100 vs 0.0000, il divario tra corsie più ampio nelle undici righe riportate.

• Induzione di regole — 0.4195 vs 0.3680.

• Adeguatezza al corpus — la perplessità lm_corpus più bassa di qualsiasi braccio, pari a 2,3130 contro 2,5478.

• Suite hold-out — la scheda è schietta: "TwIL-LM3-Pro non la guida." La macro sui 10 dataset è 0.7901, statisticamente in linea con la propria base a 0.7942 e ben dietro Qwen3-8B a 0.8493 e gpt-oss-120b a 0.8689.

La card stessa segnala altri due avvertimenti: le generazioni di Track A totalizzano in media 1.902 token contro i 564 del predecessore, con il 24,2% che raggiunge il limite di lunghezza, cosa che la card definisce «indicativa anziché esatta»; e i valori di throughput sono stati misurati su una versione più recente di vLLM rispetto alle colonne di confronto.

AlphaProof Code non ha una tabella del genere, perché non sta rispondendo a una domanda a cui una tabella può rispondere. L'affermazione è che uno specifico binario — libsignal v0.105.4 con spqr v1.6.0, compilato da rustc 1.98.1, linkato staticamente, un singolo eseguibile AArch64 — soddisfa dieci teoremi simbolici e un percorso computazionale con un limite concreto, dimostrati da circa 6,5 milioni di righe di Lean e verificati dal kernel. La validazione comparabile è il test negativo: due bug reali, già corretti in precedenza, sono stati reintrodotti in una copia isolata, ed entrambi hanno prodotto prove di insicurezza verificate dalla macchina. Questo non è un punteggio. È una dimostrazione che il sistema sa distinguere il codice corretto da quello rotto, il che è un'affermazione più forte dello 0,2879 di TwIL su strict-7 e molto più ristretta — un binario, una specifica, una settimana del tempo di cinque persone.

La licenza, che è il vero punto decisionale

TwIL-LM3-Pro è distribuito con una licenza che vieta l'uso commerciale, attraverso tre canali che non sono equivalenti. I pesi sono su Hugging Face. Il checkpoint viene revisionato periodicamente — quello attuale è stato pubblicato il 30 settembre 2026. E il 1º ottobre 2026 webAI ha pubblicato una build LiteRT-LM per l'inferenza on-device su Android e iOS, ed è il canale che rende significativo il valore di 2.09 GiB GGUF per un'applicazione per telefono. Uno dei tre canali è un modulo, e se il tuo uso è commerciale dovresti leggere la licenza prima della tabella dei benchmark.

La questione della distribuzione di AlphaProof Code è diversa e, verosimilmente, peggiore. Gli artefatti sono pubblicati su github.com/google-deepmind/code-verification — lo sviluppo Lean, la semantica AArch64 di 7.578 righe che copre 467 istruzioni e 31 chiamate di sistema, il binding libsignal, le specifiche simboliche e computazionali — e la landing page non indica alcuna licenza. Non è una licenza "permissiva"; è una questione irrisolta. Il post del blog dice solo che DeepMind sta rilasciando in open source gli artefatti di verifica per uso della comunità. Prima di costruire una pipeline basata su uno sviluppo Lean privo di licenza, chiedi a qualcuno.

Dunque: un artefatto è un modello che non puoi usare a fini commerciali; l'altro è una base di codice le cui condizioni non sono specificate. Per un hobbista il primo è utilizzabile. Per un'azienda, nessuno dei due è un via libera.

Dove si troverebbe effettivamente ciascuno all’interno di una pipeline

TwIL-LM3-Pro svolge ragionamenti su logica formale sotto forma di testo. Gli si fornisce un obbligo di prova, un sistema di regole e un insieme di premesse; produce una derivazione in forma prosa-simbolica che un essere umano legge. È un ausilio al ragionamento, e la suite di benchmark della scheda — induzione di regole, scelta multipla rigorosa, aderenza al corpus — è costruita attorno a questo compito.

AlphaProof Code non ragiona sulla logica nel testo. I suoi agenti scrivono Lean, e il Lean viene verificato. Le due fasi sono complementari in linea di principio: un modello piccolo che propone la forma di una specifica, un forte modello generale che la rivede, e un harness di agenti dimostratori che la chiude rispetto a un kernel. Ciò che manca tra loro è un ponte — TwIL-LM3-Pro non è stato valutato sulla generazione di enunciati Lean, e nulla nella sua scheda suggerisce che sia stato addestrato per farlo. Il suo vicino naturale in quello stack è MathForm-8B, l'autoformalizzatore Lean 4 di OpenBMB, non un framework di verifica.

La descrizione che DeepMind stessa dà del collo di bottiglia umano è la parte interessante qui. Prima che iniziasse qualsiasi lavoro di dimostrazione, i ricercatori hanno tradotto gli obiettivi di sicurezza di Signal in specifiche formali con una combinazione di modelli, e un esperto ha revisionato ogni specifica. Un modello locale piccolo e veloce che potesse redigere quelle dichiarazioni in modo plausibile ed economico sarebbe davvero utile in quella fase — e avrebbe comunque bisogno della revisione esperta, perché una specifica errata produce la dimostrazione del teorema sbagliato, verificata perfettamente.

Cosa puoi eseguire oggi e quanto costa

• TwIL-LM3-Pro: pesi su richiesta da Hugging Face con licenza non commerciale; una build on-device LiteRT-LM dal 1° ottobre 2026; nessuna API hosted di webAI che io possa verificare. Self-host con 6,82 GiB di pesi bf16 o 2,09 GiB a Q4_K_M.

• AlphaProof Code — non eseguibile. Artefatti pubblicati, nessun endpoint, nessun peso, nessun prezzo, nessuna lista d'attesa, nessuna licenza dichiarata.

• I modelli all'interno di AlphaProof Code — gli agenti di dimostrazione giravano su G​emini 4 Carbon, che non serviamo; Claude Opus 5.5 è stato impiegato tra i modelli che redigono e revisionano le specifiche ed è nel catalogo di OrcaRouter a 4 $ per milione di token di input e 20 $ per milione di token di output, prezzo di listino del fornitore applicato con un ricarico dello 0%.

• I modelli rispetto ai quali viene misurato TwIL-LM3-Pro — i modelli della classe Qwen3-8B sono il consueto set di confronto per un checkpoint di logica formale da 3,66B, e il vantaggio di metterli dietro un'unica chiave è che un ciclo di stesura delle specifiche può inviare lo stesso obbligo a uno specialista di piccole dimensioni e a un modello generale e confrontare i risultati senza un secondo contratto. La fusione di modelli fa la stessa cosa in un'unica chiamata: un panel che risponde insieme, che è più o meno ciò che il team DeepMind ha fatto con una miscela di modelli nella fase di specifica.

Il verdetto onesto, ovvero che probabilmente non ti serve nessuno dei due

Se vuoi la verifica formale del codice di produzione, AlphaProof Code è un paper e uno sviluppo in Lean. Leggilo, citalo e non pianificare uno sprint intorno a esso — la stessa impostazione di DeepMind è che scalare la tecnica "richiede ricerca continua", e il paper afferma che il processo ha ampio margine di ottimizzazione. Il tempo mediano per una build pulita è di ore, e una modifica di una riga al codice sorgente può innescare grandi riparazioni delle dimostrazioni.

Se vuoi un modello piccolo che ragioni di logica formale su un portatile, TwIL-LM3-Pro esiste davvero, gira a 2,09 GiB quantizzato e la sua stessa scheda ti dice dove è alla pari anziché vincere. Controlla la licenza prima di controllare i benchmark, perché la licenza è la lettura più breve e quella più decisiva.

Ciò che entrambe le release condividono è una forma che vale la pena notare: la frontiera dei metodi formali viene spinta all'estremità molto costosa da un laboratorio con centinaia di ore-agente da spendere, mentre l'estremità accessibile produce piccoli modelli con competenze ristrette e termini non commerciali. Il mezzo — uno strumento commerciale che prende una specifica e restituisce una prova verificata per codice di tua proprietà, a un prezzo che un team può preventivare — è ancora vuoto. Quel divario, non il divario tra questi due artefatti, è quello che vale la pena osservare.