AlphaProof Code vs TwIL-LM3-Pro: Um Framework que Você Não Pode Comprar Contra um Modelo que Você Mal Consegue Baixar

A coisa mais útil a saber sobre comparar o AlphaProof Code e o TwIL-LM3-Pro é que nenhum dos dois é um produto. O AlphaProof Code é a estrutura de verificação formal agêntica do Google DeepMind, publicada em 10 de novembro de 2026 com os artefatos Lean de uma verificação de quatro semanas do binário compilado do libsignal da Signal e sem nenhum endpoint por trás. O TwIL-LM3-Pro é o modelo de raciocínio lógico-formal de 3,66 bilhões de parâmetros da webAI, no Hugging Face desde 3 de setembro de 2026, cujos pesos ficam atrás de um formulário de solicitação por e-mail e de uma licença que proíbe uso comercial. Um pergunta "consigo obter isto de alguma forma"; o outro pergunta "consigo executar isto de forma barata o bastante para que importe". Para quem trabalha com métodos formais, ambas as perguntas são as prementes, e nenhuma das respostas é sim.

O que é o TwIL-LM3-Pro, mecanicamente

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.

A stack de treinamento é excepcionalmente bem documentada para um modelo deste tamanho: um ajuste fino supervisionado com LoRA de rank 64 em um corpus sintético de lógica formal, destilação multicaminho para vários traços de raciocínio por prompt, fusão de checkpoints no espaço de parâmetros em vez de pegar o checkpoint final, uma interpolação WiSE-FT em α = 0,15 mesclada de volta à base com TIES e DARE-SLERP, e um estágio GRPO ponderado por entropia que a webAI chama de MGPO contra um verificador programático, executado até o passo 2580. O artefato publicado é a política mesclada, o que é o detalhe prático: você pode executá-lo em bf16 a 6,82 GiB, ou como um Q4_K_M GGUF a 2,09 GiB em CPU ou 4 GB de VRAM.

Essa última frase é toda a proposta de valor. Um modelo de 3,66B que roda em um laptop e responde a perguntas de lógica formal é um tipo diferente de objeto de um framework de verificação que exigia cinco pesquisadores, quatro semanas e equipes de 40 a 80 agentes. O TwIL-LM3-Pro é a ponta barata do raciocínio formal; o AlphaProof Code é a ponta cara da garantia formal. Eles não são substitutos, e a comparação só vale a pena porque as pessoas continuam classificando ambos como "IA para métodos formais".

O que os benchmarks de cada lado realmente estabelecem

A ficha do TwIL-LM3-Pro relata quatro linhas de resumo em seu próprio Track A: um macro gate de 0,5539, strict-7 de 0,2879, uma média das seis faixas de 0,5389 e macro_primary de 0,5875. Contra o Qwen3-8B, o macro gate é 0,5539 versus 0,5336, e a ficha escreve a frase que uma página de marketing teria apagado: a vantagem no gate de 0,020 é menor que o ruído de amostragem em n = 200 por faixa, então essa linha é paridade, não uma vitória. Onde não é empate:

• Strict-7 — 0,2879 vs Qwen3-8B em 0,2093, e esta linha não usa crédito de correspondência flexível em lugar algum, então sorte de formatação não pode produzi-lo.

• MCQ estrito — 0.4100 vs 0.0000, a maior lacuna entre faixas nas onze linhas relatadas.

• Indução de regras — 0,4195 vs 0,3680.

• Ajuste ao corpus — a menor perplexidade de lm_corpus entre todos os braços, de 2,3130, contra 2,5478.

• Suíte held-out — a ficha é categórica: "TwIL-LM3-Pro não lidera nela." A média macro dos 10 conjuntos de dados é 0,7901, estatisticamente equivalente à sua própria base em 0,7942 e bem atrás do Qwen3-8B em 0,8493 e do gpt-oss-120b em 0,8689.

Mais duas ressalvas que a própria ficha declara: as gerações do Track A têm em média 1.902 tokens, contra 564 do predecessor, com 24,2% atingindo o limite de comprimento, o que a ficha chama de “indicativo e não exato”; e os valores de throughput foram medidos em uma vLLM mais nova do que as colunas de comparação.

O AlphaProof Code não tem tal tabela, porque não está respondendo a uma pergunta que uma tabela possa responder. A alegação é que um binário específico — libsignal v0.105.4 com spqr v1.6.0, compilado por rustc 1.98.1, com linkagem estática, um único executável AArch64 — satisfaz dez teoremas simbólicos e uma trilha computacional com um limite concreto, provados por cerca de 6,5 milhões de linhas de Lean e verificados pelo kernel. A validação comparável é o teste negativo: dois bugs reais, corrigidos anteriormente, foram reintroduzidos em uma cópia isolada, e ambos produziram provas de insegurança verificadas por máquina. Isso não é uma pontuação. É uma demonstração de que o sistema consegue distinguir código correto de código quebrado, o que é uma afirmação mais forte do que o 0.2879 do TwIL no strict-7 e muito mais estreita — um binário, uma especificação, uma semana do tempo de cinco pessoas.

A licença, que é o verdadeiro ponto de decisão

O TwIL-LM3-Pro é distribuído sob uma licença que proíbe o uso comercial, por três canais que não são equivalentes. Os pesos estão no Hugging Face. O checkpoint é revisto periodicamente — o atual foi lançado em 30 de setembro de 2026. E, em 1 de outubro de 2026, a webAI publicou uma build LiteRT-LM para inferência no dispositivo em Android e iOS, que é o canal que torna o valor de 2,09 GiB do GGUF relevante para uma aplicação de telemóvel. Um dos três canais é um formulário e, se o seu uso for comercial, deve ler a licença antes de ler a tabela de benchmarks.

A questão da distribuição do AlphaProof Code é diferente e, discutivelmente, pior. Os artefatos são publicados em github.com/google-deepmind/code-verification — o desenvolvimento Lean, a semântica AArch64 de 7.578 linhas que abrange 467 instruções e 31 chamadas de sistema, a ligação ao libsignal, as especificações simbólicas e computacionais — e a página inicial não declara licença alguma. Isso não é "permissivo"; está por resolver. A publicação no blog diz apenas que a DeepMind está a disponibilizar o código-fonte dos artefatos de verificação para uso da comunidade. Antes de construir um pipeline sobre um desenvolvimento Lean sem licença, pergunte a alguém.

Então: um artefato é um modelo que você não pode usar comercialmente; o outro é uma base de código cujos termos não são declarados. Para um hobista, o primeiro é viável. Para uma empresa, nenhum dos dois é sinal verde.

Onde cada um deles realmente ficaria em um pipeline

TwIL-LM3-Pro faz raciocínio sobre lógica formal como texto. Dê a ele uma obrigação de prova, um sistema de regras, um conjunto de premissas; ele produz uma derivação em forma de prosa e símbolos que um humano lê. É um auxílio ao raciocínio, e a própria suíte de benchmarks do card — indução de regras, múltipla escolha estrita, ajuste ao corpus — é construída em torno dessa tarefa.

AlphaProof Code não raciocina sobre lógica em texto. Seus agentes escrevem Lean, e o Lean é verificado. Os dois estágios são complementares em princípio: um modelo pequeno que propõe a forma de uma especificação, um modelo geral forte que a revisa e um arcabouço de agente de prova que a fecha contra um kernel. O que falta entre eles é uma ponte — o TwIL-LM3-Pro não foi avaliado em geração de enunciados Lean, e nada em sua ficha sugere que ele foi treinado para isso. Seu vizinho natural nessa pilha é o MathForm-8B, o autoformalizador Lean 4 da OpenBMB, não uma estrutura de verificação.

O relato do próprio DeepMind sobre o gargalo humano é a parte interessante aqui. Antes de qualquer trabalho de prova começar, os pesquisadores traduziram as metas de segurança do Signal em especificações formais com uma mistura de modelos, e um especialista revisou cada especificação. Um modelo local pequeno e rápido que pudesse redigir essas declarações de forma plausível e barata seria genuinamente útil nessa etapa — e ainda precisaria da revisão do especialista, porque uma especificação errada produz uma prova do teorema errado, verificada perfeitamente.

O que você pode executar hoje, e quanto custa

• TwIL-LM3-Pro — pesos sob solicitação do Hugging Face sob uma licença não comercial; uma versão on-device do LiteRT-LM desde 1 de outubro de 2026; nenhuma API hospedada da webAI que eu possa verificar. Faça auto-hospedagem com 6,82 GiB de pesos bf16 ou 2,09 GiB em Q4_K_M.

• AlphaProof Code — não executável. Artefatos publicados, sem endpoint, sem pesos, sem preço, sem lista de espera, nenhuma licença declarada.

• Os modelos dentro do AlphaProof Code — os agentes de prova rodaram no G​emini 4 Carbon, que não oferecemos; Claude Opus 5.5 foi usado entre os modelos que redigem e revisam especificações e está no catálogo da OrcaRouter a US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de tokens de saída, com o preço de tabela do provedor repassado a 0% de margem.

• Os modelos com os quais o TwIL-LM3-Pro é medido — modelos da classe Qwen3-8B são o conjunto de comparação habitual para um checkpoint de lógica formal de 3,66B, e o objetivo de colocá-los atrás de uma única chave é que um ciclo de elaboração de especificações possa enviar a mesma obrigação a um especialista pequeno e a um modelo geral e comparar os resultados sem um segundo contrato. A fusão de modelos faz a mesma coisa em uma única chamada: um painel respondendo em conjunto, que é aproximadamente o que a equipe do DeepMind fez com uma mistura de modelos na etapa de especificação.

O veredito honesto, que é que você provavelmente não precisa de nenhum dos dois

Se você quer verificação formal de código de produção, o AlphaProof Code é um artigo e um desenvolvimento em Lean. Leia-o, cite-o e não planeje um sprint em torno dele — o próprio enquadramento do DeepMind é que escalar a técnica "requer pesquisa contínua", e o artigo diz que o processo tem muito espaço para otimização. O tempo mediano até um build limpo é de horas, e uma alteração de uma linha no código-fonte pode desencadear grandes reparos nas provas.

Se você quer um modelo pequeno que raciocine sobre lógica formal em um laptop, o TwIL-LM3-Pro é real, roda quantizado com 2,09 GiB, e a própria ficha dele mostra onde ele empata em vez de vencer. Verifique a licença antes de verificar os benchmarks, porque a licença é a leitura mais curta e a mais decisiva.

O que ambos os lançamentos têm em comum é um padrão que merece atenção: a fronteira dos métodos formais está sendo empurrada na ponta caríssima por um laboratório com centenas de horas-agente para gastar, enquanto a ponta acessível produz modelos pequenos, com competência estreita e termos não comerciais. O meio — uma ferramenta comercial que recebe uma especificação e devolve uma prova verificada para código que você possui, a um preço que uma equipe consegue orçar — ainda está vazio. Essa lacuna, e não a lacuna entre esses dois artefatos, é a que vale a pena acompanhar.