AlphaProof Code vs AesCode 32B: Jeden dowodzi poprawności kodu, drugi go rysuje

Wstaw AlphaProof Code i AesCode 32B do jednego zdania, a jedyne, co mają wspólnego, to słowo „code”. AlphaProof Code to framework agentowy Google DeepMind ogłoszony 10 listopada 2026 r., który wygenerował około 6,5 miliona linii sprawdzonego maszynowo kodu Lean, dowodząc, że skompilowany plik binarny libsignal zachowuje się zgodnie ze specyfikacją. AesCode 32B to wizyjno-językowy checkpoint z 33 miliardami parametrów, który Microsoft wgrał na Hugging Face na początku października 2026 r. bez zapowiedzi, i który zapisuje prompt w jednym samodzielnym dokumencie HTML — slajdzie, plakacie, dashboardzie — na który człowiek następnie patrzy. Żaden z nich nie jest usługą, którą można wywołać. Jeden z nich nie jest nawet modelem. Jeśli trafiłeś tutaj, szukając decyzji o zamienniku typu drop-in, uczciwa odpowiedź brzmi: taka decyzja nie istnieje, a reszta tego tekstu wyjaśnia, dlaczego porównanie wciąż warto przeprowadzić.

Błąd kategorii, ujęty właściwie

AesCode 32B to generator. Podajesz mu opis; zwraca artefakt, którego jakość ocenia się estetycznie oraz pod kątem tego, czy liczby na stronie akurat odpowiadają tym, o które prosiłeś. W samej karcie modelu ujęto to tak: generatory obrazów składają atrakcyjnie wyglądającą stronę i błędnie renderują znajdujące się na niej liczby, natomiast modele kodu poprawnie odwzorowują liczby, ale nie widzą, jak wygląda strona — AesCode łączy Twój prompt z obrazem wygenerowanym na podstawie tego samego promptu i używa tego obrazu jako odniesienia estetycznego, jednocześnie kierując się tekstem w zakresie treści.

AlphaProof Code to weryfikator. Podajesz mu specyfikację — stwierdzenie, co musi być prawdą — a on zwraca dowód, sprawdzony przez jądro Lean, że konkretny skompilowany plik binarny spełnia tę specyfikację. W całym procesie nie ma żadnej oceny estetycznej. Dowód albo zostaje zaakceptowany, albo nie, a kryterium akceptacji stanowi kilka tysięcy linii kodu jądra, a nie gust recenzenta.

Ta różnica przesądza o tym, do czego służy każde z nich. AesCode 32B odpowiada na „zrób mi coś”. AlphaProof Code odpowiada na „czy to coś jest tym, za co się podaje”. Pierwszego użyłbyś w wtorkowe popołudnie do przygotowania prezentacji, a drugiego — gdybyś był Signalem — przez cztery tygodnie z pięcioma badaczami i zespołami liczącymi od 40 do 80 agentów.

Co każdy z nich faktycznie dostarcza

• Parametry — AesCode 32B: około 33,4 miliarda w BF16 w czternastu shardach safetensors o łącznej wielkości 66 714 912 704 bajtów. AlphaProof Code: brak. To framework oraz repozytorium artefaktów; nie ma żadnych wag do pobrania.

• Base — AesCode 32B: dostrojony wariant Qwen3-VL-32B-Instruct, architektura zadeklarowana jako Qwen3VLForConditionalGeneration, dzięki czemu ładuje się z transformers 4.57 i późniejszymi wersjami. AlphaProof Code: z założenia niezależny od modelu; artykuł DeepMind wskazuje G​emini 4 Carbon jako model dla agentów dowodowych i podaje, że Claude Opus 5.5 był używany wśród modeli tworzących i przeglądających specyfikacje.

• Licencja — AesCode 32B: Apache 2.0, na Hugging Face już dziś. AlphaProof Code: prace rozwojowe w Lean, semantyka AArch64 oraz binding libsignal są opublikowane na github.com/google-deepmind/code-verification, a strona docelowa nie wskazuje żadnej licencji, co należy rozstrzygnąć, zanim cokolwiek na tym zbudujesz.

• Dostępność — AesCode 32B: tylko self-hosting. Około 65 GB pamięci akceleratora na wagi, polecenie vLLM na czterech rangach równoległości tensorowej, brak hostowanego punktu końcowego i brak mapowania dostawcy wnioskowania za stroną repozytorium. AlphaProof Code: artefakt badawczy, brak punktu końcowego, brak listy oczekujących, brak cennika.

• Dane wyjściowe — AesCode 32B: jeden dokument HTML, który można sprawdzić, otwierając go. AlphaProof Code: term dowodowy Lean, który można sprawdzić za pomocą Lean.

• Co oznacza „poprawny” — AesCode 32B: strona wygląda dobrze, a liczby są zgodne z poleceniem, oceniane przez osobę. AlphaProof Code: twierdzenie zachodzi dla wszystkich danych wejściowych w modelu, oceniane przez jądro.

Jedyna naprawdę interesująca zbieżność: oba wyniki są artefaktami.

Oto porównanie, które warto przeprowadzić. Oba systemy tworzą plik, który przeżyje model, który go stworzył. HTML AesCode 32B to gotowy dokument; możesz go wysłać, edytować, porównać w diffie i nikt nie potrzebuje ponownie modelu. Dowód w Lean AlphaProof Code to gotowe wyprowadzenie; możesz je ponownie sprawdzić na laptopie w kilka minut obliczeń, a jeśli specyfikacja się nie zmieniła, wynik nadal obowiązuje za pięć lat.

To rzadsza cecha, niż mogłoby się wydawać na rynku pełnym endpointów czatu. Większość danych wyjściowych modeli to jednorazowy tekst, którego wartość zależy od tego, czy model pozostanie dostępny. Oba te rozwiązania tworzą coś, co możesz zachować. Różnica polega na tym, co daje ci „zachowanie”: dzięki AesCode zachowujesz prezentację, a dzięki AlphaProof Code zachowujesz gwarancję.

Punkt, w którym analogia się załamuje, to audytowalność. Każdy może otworzyć HTML i zobaczyć, czy tytuł jest błędny. Prawie nikt nie potrafi otworzyć 6,5 miliona wierszy Lean i sprawdzić, czy twierdzenie mówi to, co komunikat prasowy twierdzi, że mówi — i właśnie dlatego praca DeepMind poświęca wiele stron na wyliczenie swojej zaufanej bazy, swoich 37 prymitywów objętych kontraktem i właściwości, których nie dowodzi. Artefakt można sprawdzić; jego odczyt nie jest jednak bez kosztu.

Ile warte są liczby po każdej stronie

Najważniejszą informacją o AesCode 32B jest ogólny wynik 85,89 wobec 81,28 GPT-5.5 — pomiar konkurencyjnego modelu dokonany przez Microsoft, według kryteriów oceny napisanych przez Microsoft, na środowisku testowym zbudowanym przez Microsoft. Boundary wynosi 97,27, z poważnym przepełnieniem w 4,3% próbek, a styl 55,99 — wiersz, w którym żaden model w tabeli nie przekracza 60. Według własnych liczników repozytorium nikt poza Microsoftem nie opublikował liczby dla tego modelu. Każda z powyższych liczb jest zgłoszona przez dostawcę i nie została odtworzona.

AlphaProof Code nie ma w ogóle tabeli benchmarków i nie jest to luka w raportowaniu — to zupełnie inny rodzaj twierdzenia. Wynik polega na tym, że konkretny plik binarny spełnia dziesięć twierdzeń symbolicznych oraz ścieżkę obliczeniową z konkretnym ograniczeniem. Można nie zgadzać się ze specyfikacją, ale nie można podważyć werdyktu jądra w sprawie dowodu. Porównywalne zastrzeżenia mają charakter strukturalny, a nie statystyczny: brak gwarancji postkwantowej dla uzdrawiania SPQR, brak prywatności ładunku, brak uwierzytelniania respondenta przy niepromowanych pierwszych wiadomościach, jedna sesja na promocję, stałe długości wiadomości, brak stanu wielourządzeniowego. Oraz ograniczenie fałszowania MAC, które staje się próżne w okolicach 25 000 wiadomości w pojedynczej sesji.

Jedna liczba rzeczywiście przekłada się w użyteczny sposób. Weryfikacja AlphaProof Code zajęła cztery tygodnie, podczas gdy porównywalna praca historycznie zajmowała zespołom ekspertów lata — w zestawieniu z cytowanymi w samym artykule wartościami odniesienia wynoszącymi około 20 osob-lat dla seL4 i około 6 dla CompCert. Ten stosunek jest tezą, której należy się trzymać, i jest to teza o przepływie pracy, a nie o jakości modelu.

Który z nich możesz w tym tygodniu faktycznie uruchomić?

AesCode 32B: tak, pod warunkiem że masz sprzęt. Pobierz shardy, serwuj przez vLLM na czterech rangach, utrzymuj prompty poniżej 24,576-tokenowego limitu karty i zaakceptuj, że etapem przeglądu jest człowiek wpatrujący się w wyrenderowany HTML. To nie powie ci, czy strona jest poprawna; powie ci, czy strona wygląda poprawnie.

AlphaProof Code: nie. Opublikowane artefakty to rozwój w Lean, a nie pipeline, który się wywołuje. Nawet modele w nim zawarte nie są produktem końcowym — framework jest konstruktem badawczym, a samo DeepMind ujmuje to tak, że jego skalowanie „wymaga dalszych badań”. CodeMender to siostrzany projekt do automatycznej naprawy; weryfikacja i remediacja to dwa różne produkty w mapie drogowej tego laboratorium.

Jeśli chcesz modelu, który przygotuje specyfikacje — etap, w którym ludzcy eksperci przełożyli cele bezpieczeństwa Signal na Lean, przeglądane pojedynczo — to zwykła praca modelu, a Claude Opus 5.5 znajduje się w katalogu OrcaRouter w cenie 4 USD za milion tokenów wejściowych i 20 USD za milion tokenów wyjściowych z ceną katalogową dostawcy przekazywaną przy 0% marży. Kierowanie pętli tworzenia specyfikacji przez dwa lub trzy modele i porównywanie ich wyników w Lean to wywołanie routing-DSL, a nie projekt badawczy. Żadna z tych rzeczy nie daje ci dowodu; etap dowodu to miejsce, z którego wzięło się sześć milionów linii.

Dlaczego to zestawienie i tak warto opublikować

Ponieważ „model kodu” stał się kategorią bez żadnych kryteriów. Model, który pisze slajdy, i framework, który dowodzi protokołu komunikacyjnego, są wrzucane do tej samej szufladki, a kupujący porównujący je na leaderboardzie nie dowiadują się niczego. Przydatne pytanie nie brzmi, który jest lepszy — lecz jakie dowody otrzymujesz dla wyniku. AesCode 32B daje wyrenderowaną stronę i kryteria oceny od dostawcy. AlphaProof Code daje wyprowadzenie sprawdzone przez kernel i niezwykle jawną listę założeń. Jedno z nich skaluje się do kodu, w którym wolałbyś się nie pomylić, i nie jest to to z większą liczbą parametrów.

Jeśli oceniasz AesCode 32B pod kątem potoku projektowego, rzeczą do przetestowania nie jest jego ogólny wynik, lecz zachowanie graniczne — to przy odsetku poważnych przepełnień wynoszącym 4,3% prezentacja po cichu staje się błędna, a nie brzydka. Jeśli oceniasz AlphaProof Code, rzeczą do przeczytania jest katalog odchyleń od specyfikacji w repozytorium artefaktów: ponad 200 wpisów obliczeniowych i około 35 symbolicznych, z których piętnaście to luki lub błędy w analizie Double Ratchet. Ten katalog to najbardziej uczciwy dokument w wydaniu, ponieważ jest listą wszystkiego, czego dowody nie domknęły.