AlphaProof Code vs TwIL-LM3-Pro: Een framework dat je niet kunt kopen tegenover een model dat je nauwelijks kunt downloaden

Het nuttigste dat je moet weten bij het vergelijken van AlphaProof Code en TwIL-LM3-Pro is dat geen van beide een product is. AlphaProof Code is het agentische framework voor formele verificatie van Google DeepMind, gepubliceerd op 10 november 2026 met de Lean-artefacten van een vier weken durende verificatie van de gecompileerde libsignal-binary van Signal, en zonder dat er een endpoint achter zit. TwIL-LM3-Pro is het formele-logicaredeneermodel van webAI met 3,66 miljard parameters, sinds 3 september 2026 op Hugging Face, waarvan de gewichten achter een aanvraagformulier per e-mail en een licentie die commercieel gebruik verbiedt zitten. De ene stelt de vraag: "kan ik dit überhaupt krijgen?"; de andere: "kan ik dit goedkoop genoeg draaien om ertoe te doen?" Voor iedereen die in formele methoden werkt, zijn beide vragen actueel, en geen van beide antwoorden is ja.

Wat TwIL-LM3-Pro mechanisch gezien is

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.

De trainingsstack is ongewoon goed gedocumenteerd voor een model van deze grootte: een rank-64 LoRA supervised fine-tune op een synthetisch corpus voor formele logica, multipath-distillatie voor meerdere reasoning-traces per prompt, parameter-space checkpoint-fusie in plaats van het laatste checkpoint te nemen, een WiSE-FT-interpolatie bij α = 0,15 die met TIES en DARE-SLERP terug naar de basis is samengevoegd, en een entropiegewogen GRPO-fase die webAI MGPO noemt, tegen een programmatische verifier, uitgevoerd tot stap 2580. Het gepubliceerde artefact is de samengevoegde policy, en dat is het praktische detail: je kunt het in bf16 draaien bij 6,82 GiB, of als een Q4_K_M GGUF bij 2,09 GiB op een CPU of 4 GB VRAM.

Die laatste zin is de hele waardepropositie. Een model van 3,66B dat op een laptop draait en vragen over formele logica beantwoordt, is een ander soort object dan een verificatieraamwerk waarvoor vijf onderzoekers, vier weken en teams van 40 tot 80 agents nodig waren. TwIL-LM3-Pro is het goedkope uiteinde van formeel redeneren; AlphaProof Code is het dure uiteinde van formele assurance. Ze zijn geen substituut voor elkaar, en de vergelijking is alleen de moeite waard omdat mensen beide blijven indelen onder ‘AI voor formele methoden.’

Wat de benchmarks aan elke kant daadwerkelijk vaststellen

De kaart van TwIL-LM3-Pro rapporteert vier samenvattingsrijen op zijn eigen Track A: een macro-gate van 0.5539, strict-7 van 0.2879, een gemiddelde over zes lanes van 0.5389 en macro_primary van 0.5875. Tegenover Qwen3-8B is de macro-gate 0.5539 versus 0.5336, en de kaart schrijft de zin die een marketingpagina zou hebben geschrapt: de voorsprong op de gate van 0.020 is kleiner dan de steekproefruis bij n = 200 per lane, dus die rij is pariteit, geen overwinning. Waar het geen gelijkspel is:

{{1}}Strict-7{{/1}} — 0,2879 tegenover {{2}}Qwen3-8B{{/2}} op 0,2093, en deze rij gebruikt nergens krediet voor losse overeenkomsten, dus opmaakgeluk kan dit niet veroorzaken.

• Strikte MCQ — 0.4100 vs 0.0000, het grootste verschil tussen de rijstroken in de elf gerapporteerde rijen.

• Regelinductie — 0.4195 vs 0.3680.

• Corpus fit — de laagste lm_corpus-perplexiteit van alle armen op 2.3130, tegenover 2.5478.

• Held-out-suite — de kaart is duidelijk: "TwIL-LM3-Pro loopt hierin niet voorop." De 10-datasetmacro is 0.7901, statistisch gelijk aan de eigen basis op 0.7942 en ver achter Qwen3-8B op 0.8493 en gpt-oss-120b op 0.8689.

Nog twee kanttekeningen die de kaart zelf vermeldt: Track A-generaties zijn gemiddeld 1.902 tokens tegen 564 voor de voorganger, waarbij 24,2% de lengtelimiet raakt, wat de kaart "indicatief in plaats van exact" noemt; en de doorvoercijfers zijn gemeten op een nieuwere vLLM dan de vergelijkingskolommen.

AlphaProof Code heeft geen dergelijke tabel, omdat het geen vraag beantwoordt die een tabel kan beantwoorden. De claim is dat een specifieke binary — libsignal v0.105.4 met spqr v1.6.0, gebouwd door rustc 1.98.1, statisch gelinkt, één AArch64-executable — voldoet aan tien symbolische stellingen en een computationeel traject met een concrete grens, bewezen door ruwweg 6,5 miljoen regels Lean en gecontroleerd door de kernel. De vergelijkbare validatie is de negatieve test: twee echte, eerder opgeloste bugs werden opnieuw geïntroduceerd in een geïsoleerde kopie, en beide leverden machinaal gecontroleerde bewijzen van onveiligheid op. Dat is geen score. Het is een demonstratie dat het systeem correcte code van kapotte code kan onderscheiden, wat een sterkere uitspraak is dan TwIL's 0,2879 op strict-7 en een veel nauwere uitspraak — één binary, één specificatie, één week tijd van vijf mensen.

De licentie, het werkelijke beslissingspunt

TwIL-LM3-Pro wordt uitgebracht onder een licentie die commercieel gebruik verbiedt, en wordt verspreid via drie kanalen die niet gelijkwaardig zijn. De gewichten staan op Hugging Face. Het checkpoint wordt periodiek herzien — het huidige is op 30 september 2026 verschenen. En op 1 oktober 2026 publiceerde webAI een LiteRT-LM-build voor on-device-inferentie op Android en iOS, het kanaal dat het cijfer van 2,09 GiB GGUF betekenisvol maakt voor een telefoonapplicatie. Een van de drie kanalen is een formulier, en als uw gebruik commercieel is, moet u de licentie lezen voordat u de benchmarktabel leest.

De distributiekwestie rond AlphaProof Code is anders en mogelijk zelfs erger. De artefacten zijn gepubliceerd op github.com/google-deepmind/code-verification — de Lean-ontwikkeling, de AArch64-semantiek van 7.578 regels die 467 instructies en 31 systeemaanroepen bestrijkt, de libsignal-binding, de symbolische en computationele specificaties — en de landingspagina vermeldt helemaal geen licentie. Dat is niet "permissief"; het is onopgelost. De blogpost zegt alleen dat DeepMind de verificatie-artefacten open source maakt voor gebruik door de community. Voordat je een pipeline bouwt bovenop een Lean-ontwikkeling zonder licentie, vraag het iemand.

Dus: het ene artefact is een model dat je niet commercieel mag gebruiken; het andere is een codebase waarvan de voorwaarden niet zijn vermeld. Voor een hobbyist is het eerste werkbaar. Voor een bedrijf is geen van beide groen licht.

Waar elk ervan daadwerkelijk in een pipeline zou zitten

TwIL-LM3-Pro redeneert over formele logica als tekst. Geef het een bewijsverplichting, een regelsysteem, een set premissen; het produceert een afleiding in proza- en symboolvorm die een mens leest. Het is een hulpmiddel voor redeneren, en de eigen benchmarksuite van de kaart — regelinductie, strikte multiplechoice, corpusfit — is rond die taak opgebouwd.

AlphaProof Code redeneert niet over logica in tekst. De agenten ervan schrijven Lean, en de Lean wordt gecontroleerd. De twee fasen zijn in principe complementair: een klein model dat de vorm van een specificatie voorstelt, een sterk algemeen model dat die beoordeelt, en een proof-agent-harness dat die tegen een kernel sluit. Wat ertussen ontbreekt, is een brug — TwIL-LM3-Pro is niet geëvalueerd op het genereren van Lean-statements, en niets in de modelkaart suggereert dat het daarvoor is getraind. De natuurlijke buur daarin in die stack is MathForm-8B, de Lean 4-autoformaliseerder van OpenBMB, niet een verificatieraamwerk.

DeepMinds eigen beschrijving van de menselijke bottleneck is hier het interessante deel. Voordat er ook maar enig bewijswerk begon, vertaalden onderzoekers de beveiligingsdoelen van Signal naar formele specificaties met een combinatie van modellen, en een expert bekeek elke specificatie. Een klein, snel, lokaal model dat die uitspraken op plausibele en goedkope wijze zou kunnen opstellen, zou in die fase echt nuttig zijn — en zou nog steeds de beoordeling door de expert nodig hebben, omdat een verkeerde specificatie een bewijs van de verkeerde stelling oplevert, perfect geverifieerd.

Wat je vandaag kunt draaien, en wat het kost

• TwIL-LM3-Pro — gewichten op aanvraag via Hugging Face onder een niet-commerciële licentie; een LiteRT-LM-build voor op het apparaat sinds 1 oktober 2026; geen gehoste API van webAI die ik kan verifiëren. Zelf hosten op 6,82 GiB aan bf16-gewichten of 2,09 GiB bij Q4_K_M.

• AlphaProof Code — niet uitvoerbaar. Artefacten gepubliceerd, geen endpoint, geen gewichten, geen prijs, geen wachtlijst, geen licentie vermeld.

• De modellen in AlphaProof Code — de proofagenten draaiden op G​emini 4 Carbon, dat we niet aanbieden; Claude Opus 5.5 werd gebruikt als een van de modellen die specificaties opstelden en beoordeelden en is op de catalogus van OrcaRouter voor $4 per miljoen inputtokens en $20 per miljoen outputtokens, waarbij de lijstprijs van de provider met 0% markup wordt doorgegeven.

• De modellen waarmee TwIL-LM3-Pro wordt vergeleken — Qwen3-8B-klasse modellen vormen de gebruikelijke vergelijkingsset voor een 3,66B-checkpoint voor formele logica, en het doel van ze achter één sleutel plaatsen is dat een specificatie-opstellende loop dezelfde verplichting naar een kleine specialist en een algemeen model kan sturen en de resultaten kan diffen zonder een tweede contract. Model fusion doet hetzelfde in één call: een panel dat samen antwoordt, wat ongeveer is wat het DeepMind-team deed met een mix van modellen in de specificatiefase.

Het eerlijke oordeel: waarschijnlijk heb je geen van beide nodig.

Als je formele verificatie van productiecode wilt, zijn AlphaProof Code een paper en een Lean-ontwikkeling. Lees het, citeer het en plan er geen sprint omheen — DeepMinds eigen framing is dat opschaling van de techniek "voortgezet onderzoek vereist", en de paper zegt dat het proces aanzienlijke ruimte voor optimalisatie heeft. De mediane tijd tot een schone build is uren, en een broncodewijziging van één regel kan grote reparaties aan bewijzen veroorzaken.

Als je een klein model wilt dat op een laptop over formele logica redeneert, dan is TwIL-LM3-Pro echt, draait het gekwantiseerd op 2,09 GiB, en zijn eigen modelkaart vertelt je waar het gelijk eindigt in plaats van wint. Controleer de licentie voordat je naar de benchmarks kijkt, want de licentie is korter om te lezen en beslissender.

Wat beide releases gemeen hebben, is een vorm die het opmerken waard is: de frontlinie van formele methoden wordt aan het zeer dure uiteinde opgeschoven door een lab met honderden agent-uren te besteden, terwijl het betaalbare uiteinde kleine modellen oplevert met smalle competentie en niet-commerciële voorwaarden. Het midden — een commerciële tool die een specificatie neemt en een gecontroleerd bewijs teruggeeft voor code die je bezit, tegen een prijs die een team kan budgetteren — is nog steeds leeg. Die kloof, niet de kloof tussen deze twee artefacten, is degene die het waard is om in de gaten te houden.