AlphaProof Code vs TwIL-LM3-Pro: Framework, którego nie można kupić, kontra model, który ledwo można pobrać

Najbardziej przydatna rzecz, jaką trzeba wiedzieć, porównując AlphaProof Code i TwIL-LM3-Pro, to fakt, że żaden z nich nie jest produktem. AlphaProof Code to agentowy framework Google DeepMind do weryfikacji formalnej, opublikowany 10 listopada 2026 r. wraz z artefaktami Lean z czterotygodniowej weryfikacji skompilowanego pliku binarnego libsignal firmy Signal i bez żadnego endpointu za nim. TwIL-LM3-Pro to opracowany przez webAI model wnioskowania w logice formalnej z 3,66 mld parametrów, dostępny na Hugging Face od 3 września 2026 r., którego wagi kryją się za formularzem wniosku o dostęp przez e-mail i licencją zabraniającą użytku komercyjnego. Jedno pyta: „czy w ogóle mogę to dostać”; drugie pyta: „czy mogę uruchomić to wystarczająco tanio, by miało to znaczenie”. Dla każdego, kto pracuje w metodach formalnych, oba te pytania są palące, a żadna z odpowiedzi nie brzmi „tak”.

Czym mechanicznie jest TwIL-LM3-Pro

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.

Stos treningowy jest wyjątkowo dobrze udokumentowany jak na model tej wielkości: nadzorowane dostrajanie LoRA rangi 64 na syntetycznym korpusie logiki formalnej, destylacja wielościeżkowa w celu uzyskania kilku śladów rozumowania na prompt, fuzja checkpointów w przestrzeni parametrów zamiast brania końcowego checkpointu, interpolacja WiSE-FT przy α = 0,15 scalona z powrotem w kierunku modelu bazowego za pomocą TIES i DARE-SLERP oraz etap GRPO ważony entropią, który webAI nazywa MGPO, prowadzony wobec programowego weryfikatora, uruchomiony do kroku 2580. Opublikowanym artefaktem jest scalona polityka, i to jest praktyczny szczegół: można ją uruchomić w bf16 przy 6,82 GiB lub jako Q4_K_M GGUF przy 2,09 GiB na CPU albo 4 GB VRAM.

To ostatnie zdanie to cała propozycja wartości. Model o 3,66 mld parametrów, który działa na laptopie i odpowiada na pytania z logiki formalnej, jest zupełnie innym rodzajem obiektu niż framework weryfikacyjny, który wymagał pięciorga badaczy, czterech tygodni i zespołów liczących od 40 do 80 agentów. TwIL-LM3-Pro to tania strona rozumowania formalnego; AlphaProof Code to droga strona zapewnienia formalnego. Nie są substytutami, a porównanie ma sens tylko dlatego, że ludzie wciąż podciągają oba pod „AI for formal methods”.

Co tak naprawdę wykazują benchmarki po każdej ze stron

Karta TwIL-LM3-Pro podaje cztery wiersze podsumowania na własnym Track A: macro gate 0,5539, strict-7 0,2879, średnią sześciu ścieżek 0,5389 oraz macro_primary 0,5875. W zestawieniu z Qwen3-8B macro gate wynosi 0,5539 wobec 0,5336, a karta zamieszcza zdanie, które strona marketingowa usunęłaby: przewaga w bramce wynosząca 0,020 jest mniejsza niż szum próbkowania przy n = 200 na ścieżkę, więc ten wiersz to remis, a nie zwycięstwo. Gdzie nie ma remisu:

• Strict-7 — 0,2879 vs Qwen3-8B przy 0,2093, a ten wiersz nigdzie nie korzysta z punktów za luźne dopasowanie, więc szczęście w formatowaniu nie może tego wygenerować.

• Strict MCQ — 0.4100 vs 0.0000, najszersza różnica między pasami w jedenastu raportowanych wierszach.

• Indukcja reguł — 0.4195 vs 0.3680.

• Dopasowanie do korpusu — najniższa wartość perplexity lm_corpus spośród wszystkich ramion: 2,3130 w porównaniu z 2,5478.

• Zestaw wydzielony — karta mówi bez ogródek: „TwIL-LM3-Pro nie przoduje w nim”. Makro dla 10 zbiorów danych wynosi 0,7901, statystycznie na poziomie jego własnej bazy 0,7942 i znacznie poniżej Qwen3-8B (0,8493) oraz gpt-oss-120b (0,8689).

Karta sama wskazuje jeszcze dwa zastrzeżenia: generacje Track A mają średnio 1902 tokeny wobec 564 u poprzednika, przy czym 24,2% osiąga limit długości, co karta nazywa „orientacyjnym, a nie dokładnym”; a dane dotyczące przepustowości zmierzono na nowszej wersji vLLM niż w kolumnach porównawczych.

AlphaProof Code nie ma takiej tabeli, ponieważ nie odpowiada na pytanie, na które tabela może odpowiedzieć. Twierdzenie jest takie, że konkretny plik binarny — libsignal v0.105.4 ze spqr v1.6.0, zbudowany przez rustc 1.98.1, statycznie linkowany, jeden plik wykonywalny AArch64 — spełnia dziesięć twierdzeń symbolicznych oraz ścieżkę obliczeniową z konkretnym ograniczeniem, co zostało udowodnione za pomocą około 6,5 miliona linii Lean i sprawdzone przez jądro. Porównywalna walidacja to test negatywny: dwa prawdziwe, wcześniej naprawione błędy zostały ponownie wprowadzone do izolowanej kopii i oba dały weryfikowane maszynowo dowody braku bezpieczeństwa. To nie jest wynik punktowy. To demonstracja, że system potrafi odróżnić poprawny kod od zepsutego, co jest twierdzeniem silniejszym niż 0,2879 TwIL na strict-7 i znacznie węższym — jeden plik binarny, jedna specyfikacja, jeden tydzień pracy pięciu osób.

Licencja, która jest faktycznym punktem decyzyjnym

TwIL-LM3-Pro jest dostarczany na licencji, która zabrania użycia komercyjnego, i jest dystrybuowany trzema kanałami, które nie są równoważne. Wagi są dostępne na Hugging Face. Checkpoint jest okresowo aktualizowany — obecny pojawił się 30 września 2026 r. A 1 października 2026 r. webAI opublikowało kompilację LiteRT-LM do wnioskowania na urządzeniu w systemach Android i iOS, czyli kanał, który sprawia, że wartość 2,09 GiB dla GGUF ma znaczenie w aplikacji na telefon. Jednym z trzech kanałów jest formularz, a jeśli Twoje użycie jest komercyjne, powinieneś przeczytać licencję, zanim przeczytasz tabelę benchmarków.

Kwestia dystrybucji AlphaProof Code wygląda inaczej i być może jest gorsza. Artefakty są opublikowane pod adresem github.com/google-deepmind/code-verification — projekt w Lean, licząca 7 578 wierszy semantyka AArch64 obejmująca 467 instrukcji i 31 wywołań systemowych, powiązanie libsignal, specyfikacje symboliczne i obliczeniowe — a strona docelowa nie podaje żadnej licencji. To nie jest „permisywne”; to kwestia nierozstrzygnięta. Wpis na blogu mówi jedynie, że DeepMind udostępnia artefakty weryfikacyjne jako open source do użytku społeczności. Zanim zbudujesz potok na bazie projektu w Lean bez licencji, zapytaj kogoś.

A więc: jeden artefakt to model, którego nie wolno używać komercyjnie; drugi to baza kodu, której warunki nie zostały określone. Dla hobbysty pierwszy jest do przyjęcia. Dla firmy żaden z nich nie jest zielonym światłem.

Gdzie każde z nich faktycznie by się znajdowało w potoku

{{1}}TwIL-LM3-Pro{{/1}} prowadzi rozumowanie nad logiką formalną w formie tekstowej. Otrzymuje zobowiązanie dowodowe, system reguł i zestaw przesłanek; generuje wyprowadzenie w formie prozą i symbolami, którą czyta człowiek. Jest to pomoc w rozumowaniu, a wbudowany w kartę zestaw testów porównawczych — indukcja reguł, ścisły wybór wielokrotny, dopasowanie do korpusu — jest zbudowany wokół tego zadania.

AlphaProof Code nie rozumuje nad logiką w tekście. Jego agenci piszą w Lean, a Lean jest sprawdzany. Te dwa etapy są zasadniczo komplementarne: mały model, który proponuje kształt specyfikacji, silny model ogólny, który ją przegląda, oraz oprzyrządowanie agenta dowodowego, które domyka go względem jądra. Brakuje między nimi mostu — TwIL-LM3-Pro nie został oceniony pod kątem generowania stwierdzeń w Lean, a nic w jego karcie nie sugeruje, że został do tego wytrenowany. Jego naturalnym sąsiadem w tym stosie jest MathForm-8B, autoformalizator Lean 4 od OpenBMB, a nie framework weryfikacyjny.

To, jak samo DeepMind opisuje wąskie gardło związane z czynnikiem ludzkim, jest tu najciekawszym elementem. Zanim rozpoczęto jakąkolwiek pracę nad dowodami, badacze przełożyli cele bezpieczeństwa Signal na formalne specyfikacje przy użyciu mieszanki modeli, a ekspert dokonał przeglądu każdej specyfikacji. Mały, szybki model lokalny, który potrafiłby wiarygodnie i tanio sporządzać takie sformułowania, byłby na tym etapie naprawdę przydatny — i nadal wymagałby przeglądu przez eksperta, ponieważ błędna specyfikacja prowadzi do dowodu niewłaściwego twierdzenia, zweryfikowanego perfekcyjnie.

Co możesz uruchomić już dziś i ile to kosztuje

• TwIL-LM3-Pro — wagi udostępniane na żądanie przez Hugging Face na licencji niekomercyjnej; kompilacja LiteRT-LM działająca na urządzeniu od 1 października 2026 r.; brak hostowanego API od webAI, które mógłbym zweryfikować. Hostuj samodzielnie na 6,82 GiB wag bf16 lub 2,09 GiB w Q4_K_M.

• AlphaProof Code — nieuruchamialny. Opublikowano artefakty, brak punktu końcowego, brak wag, brak ceny, brak listy oczekujących, brak określonej licencji.

• Modele wewnątrz AlphaProof Code — agenci dowodowi działali na Gemini 4 Carbon, którego nie obsługujemy; Claude Opus 5.5 został użyty wśród modeli tworzących i weryfikujących specyfikacje i jest w katalogu OrcaRouter po 4 USD za milion tokenów wejściowych i 20 USD za milion tokenów wyjściowych, przy czym cena katalogowa dostawcy jest przekazywana bez narzutu (0%).

• Modele, z którymi porównuje się TwIL-LM3-Pro — modele klasy Qwen3-8B to zwyczajowy zestaw porównawczy dla checkpointu o 3,66B do logiki formalnej, a sens umieszczenia ich za jednym kluczem polega na tym, że pętla tworzenia specyfikacji może wysłać to samo zobowiązanie do małego specjalisty i do modelu ogólnego i porównać wyniki bez drugiego kontraktu. Fuzja modeli robi to samo w jednym wywołaniu: panel odpowiadający wspólnie, co w przybliżeniu zrobił zespół DeepMind z mieszaniną modeli na etapie specyfikacji.

Szczera konkluzja jest taka, że prawdopodobnie nie potrzebujesz żadnego z nich.

Jeśli chcesz formalnej weryfikacji kodu produkcyjnego, AlphaProof Code to artykuł i opracowanie w Lean. Przeczytaj go, zacytuj i nie planuj wokół niego sprintu — według samego DeepMind skalowanie tej techniki „wymaga dalszych badań”, a artykuł stwierdza, że proces ma znaczne pole do optymalizacji. Mediana czasu do czystej kompilacji wynosi godziny, a zmiana jednej linii kodu źródłowego może wywołać duże naprawy dowodów.

Jeśli chcesz mały model, który rozumuje o logice formalnej na laptopie, TwIL-LM3-Pro jest prawdziwy, działa w 2,09 GiB po kwantyzacji, a jego własna karta mówi, gdzie dorównuje, a nie wygrywa. Sprawdź licencję, zanim sprawdzisz benchmarki, ponieważ licencja jest krótszą lekturą i tą bardziej rozstrzygającą.

To, co łączy oba wydania, ma pewien wart uwagi kształt: granica metod formalnych jest przesuwana na bardzo kosztownym krańcu przez laboratorium, które może przeznaczyć setki godzin agentowych, podczas gdy przystępny cenowo kraniec produkuje małe modele o wąskich kompetencjach i na niekomercyjnych warunkach. Środek — komercyjne narzędzie, które przyjmuje specyfikację i zwraca sprawdzony dowód dla należącego do ciebie kodu, w cenie, jaką zespół może zaplanować w budżecie — wciąż pozostaje pusty. To właśnie ta luka, a nie luka między tymi dwoma artefaktami, jest warta obserwowania.