AlphaProof Code против TwIL-LM3-Pro: фреймворк, который нельзя купить, против модели, которую едва можно скачать

Самое полезное, что стоит знать при сравнении AlphaProof Code и TwIL-LM3-Pro, — это то, что ни один из них не является продуктом. AlphaProof Code — это агентный фреймворк формальной верификации от Google DeepMind, опубликованный 10 ноября 2026 года вместе с Lean-артефактами четырёхнедельной верификации скомпилированного бинарника libsignal от Signal и без какого-либо эндпоинта за ним. TwIL-LM3-Pro — это модель рассуждений в формальной логике от webAI с 3,66 млрд параметров, доступная на Hugging Face с 3 сентября 2026 года, веса которой открываются только после заполнения формы запроса по электронной почте и по лицензии, запрещающей коммерческое использование. В одном случае вопрос звучит так: «Могу ли я вообще это получить?»; в другом: «Могу ли я запускать это достаточно дёшево, чтобы это имело значение?» Для любого, кто работает в области формальных методов, оба вопроса являются насущными, и ни на один из них нельзя ответить «да».

Что такое TwIL-LM3-Pro с механической точки зрения

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.

Стек обучения необычно хорошо задокументирован для модели такого размера: дообучение с учителем LoRA ранга 64 на синтетическом корпусе формальной логики, многопутевая дистилляция для нескольких траекторий рассуждений на каждый промпт, слияние чекпоинтов в пространстве параметров вместо взятия финального чекпоинта, интерполяция WiSE-FT при α = 0.15, слитая обратно в сторону базовой модели с помощью TIES и DARE-SLERP, и этап энтропийно-взвешенного GRPO, который webAI называет MGPO, против программного верификатора, доведённый до шага 2580. Опубликованный артефакт — это слитая политика, и это практическая деталь: её можно запускать в bf16 при 6.82 ГиБ или как Q4_K_M GGUF при 2.09 ГиБ на CPU или 4 ГБ видеопамяти.

Это последнее предложение и есть всё ценностное предложение. Модель на 3,66 млрд параметров, которая работает на ноутбуке и отвечает на вопросы формальной логики, — это объект иного рода, чем фреймворк верификации, для которого потребовались пять исследователей, четыре недели и команды из 40–80 агентов. TwIL-LM3-Pro — это дешёвый край формальных рассуждений; AlphaProof Code — дорогой край формального обеспечения. Они не заменяют друг друга, и сравнение имеет смысл только потому, что люди продолжают относить оба к категории «ИИ для формальных методов».

Что на самом деле доказывают бенчмарки каждой из сторон

Карточка TwIL-LM3-Pro приводит четыре сводные строки для собственного Track A: макрогейт 0.5539, strict-7 — 0.2879, среднее по шести дорожкам — 0.5389 и macro_primary — 0.5875. В сравнении с Qwen3-8B макрогейт составляет 0.5539 против 0.5336, и карточка содержит фразу, которую маркетинговая страница удалила бы: преимущество по макрогейту в 0.020 меньше уровня шума выборки при n = 200 на дорожку, так что эта строка — паритет, а не победа. Где это не ничья:

• Strict-7 — 0.2879 против 0.2093 у Qwen3-8B, и в этой строке нигде не используется зачёт за нестрогое совпадение, так что везение с форматированием не может дать такой результат.

• Strict MCQ — 0.4100 против 0.0000, самый широкий разрыв между дорожками в одиннадцати приведённых строках.

• Индукция правил — 0.4195 против 0.3680.

• Соответствие корпусу — самая низкая перплексия lm_corpus среди всех вариантов: 2.3130 против 2.5478.

• Отложенный набор тестов — в карточке прямо сказано: «TwIL-LM3-Pro не лидирует в нём». Макро-среднее по 10 наборам данных составляет 0.7901 — статистически на уровне собственной базовой модели с 0.7942 — и существенно уступает Qwen3-8B с 0.8493 и gpt-oss-120b с 0.8689.

Ещё две оговорки, которые карточка приводит сама: генерации Track A в среднем составляют 1 902 токена против 564 у предшественника, причём 24,2% упираются в лимит длины, что карточка называет «ориентировочным, а не точным»; а показатели пропускной способности были измерены на более новой версии vLLM, чем в столбцах сравнения.

У AlphaProof Code нет такой таблицы, потому что он не отвечает на вопрос, на который способна ответить таблица. Утверждение состоит в том, что конкретный бинарный файл — libsignal v0.105.4 с spqr v1.6.0, собранный rustc 1.98.1, статически слинкованный, один исполняемый файл AArch64 — удовлетворяет десяти символическим теоремам и вычислительному треку с конкретной границей; это доказано примерно 6,5 миллионами строк Lean и проверено ядром. Сопоставимая валидация — это негативный тест: два реальных, ранее исправленных бага были повторно внесены в изолированную копию, и оба дали машинно-проверенные доказательства небезопасности. Это не оценка. Это демонстрация того, что система может отличить корректный код от сломанного, что является более сильным утверждением, чем 0,2879 у TwIL на strict-7, и гораздо более узким — один бинарный файл, одна спецификация, одна неделя времени пяти человек.

Лицензия, которая и является фактической точкой принятия решения

TwIL-LM3-Pro распространяется по лицензии, запрещающей коммерческое использование, через три канала, которые не эквивалентны. Веса размещены на Hugging Face. Контрольная точка периодически пересматривается — текущая появилась 30 сентября 2026 года. А 1 октября 2026 года webAI опубликовала сборку LiteRT-LM для локального вывода на Android и iOS, и именно этот канал делает показатель GGUF в 2,09 ГиБ значимым для мобильного приложения. Один из трёх каналов — это форма, и если ваше использование коммерческое, вам следует прочитать лицензию прежде, чем читать таблицу бенчмарков.

Вопрос распространения AlphaProof Code — другой и, пожалуй, хуже. Артефакты опубликованы на github.com/google-deepmind/code-verification — Lean-разработка, семантика AArch64 объёмом 7 578 строк, охватывающая 467 инструкций и 31 системный вызов, привязка libsignal, символические и вычислительные спецификации, — а на стартовой странице лицензия вообще не указана. Это не «разрешительная» лицензия; это нерешённый вопрос. В блог-посте говорится лишь о том, что DeepMind переводит артефакты верификации в open source для использования сообществом. Прежде чем строить пайплайн поверх Lean-разработки без лицензии, уточните у кого-нибудь.

Итак: один артефакт — это модель, которую нельзя использовать в коммерческих целях; другой — кодовая база, условия использования которой не указаны. Для любителя первый вариант подходит. Для компании ни один из них не является зелёным светом.

Где каждый из них на самом деле располагался бы в конвейере

TwIL-LM3-Pro выполняет рассуждения над формальной логикой в текстовом виде. Дайте ему обязательство доказательства, систему правил, набор посылок — и он породит вывод в прозо-символьной форме, который прочитает человек. Это вспомогательное средство для рассуждений, и собственный набор бенчмарков карточки — индукция правил, строгий множественный выбор, соответствие корпусу — построен вокруг этой задачи.

AlphaProof Code не выполняет логических рассуждений над текстом. Его агенты пишут на Lean, и код Lean проверяется. Эти два этапа в принципе дополняют друг друга: небольшая модель, предлагающая форму спецификации, сильная универсальная модель, которая её проверяет, и обвязка proof-agent, которая замыкает её на ядро. Недостающее между ними — это мост: TwIL-LM3-Pro не оценивался на генерации Lean-утверждений, и ничто в его карточке не указывает, что его обучали для этого. Его естественный сосед в этом стеке — MathForm-8B, автоформализатор Lean 4 от OpenBMB, а не фреймворк верификации.

Особенно интересна здесь собственная версия DeepMind о «человеческом узком месте». Прежде чем началась какая-либо работа над доказательствами, исследователи перевели цели безопасности Signal в формальные спецификации с помощью сочетания моделей, и эксперт проверил каждую спецификацию. Небольшая, быстрая локальная модель, которая могла бы правдоподобно и недорого составлять черновики таких утверждений, была бы действительно полезна на этом этапе — и при этом всё равно потребовала бы экспертной проверки, потому что неверная спецификация приводит к доказательству неверной теоремы, идеально проверенному.

Что вы можете запустить уже сегодня и сколько это стоит

• TwIL-LM3-Pro — веса по запросу с Hugging Face по некоммерческой лицензии; сборка LiteRT-LM для работы на устройстве с 1 октября 2026 года; хостингового API от webAI, наличие которого я могу подтвердить, нет. Для самостоятельного развёртывания: 6,82 ГиБ bf16-весов или 2,09 ГиБ в Q4_K_M.

• AlphaProof Code — не запускается. Артефакты опубликованы, нет endpoint, нет весов, нет цены, нет листа ожидания, лицензия не указана.

• Модели внутри AlphaProof Code: агенты доказательств работали на Gemini 4 Carbon, которую мы не предоставляем; Claude Opus 5.5 использовался среди моделей, составляющих и проверяющих спецификации, и доступен в каталоге OrcaRouter по цене $4 за миллион входных и $20 за миллион выходных токенов, цена из прайс-листа провайдера передаётся без наценки — 0%.

• Модели, с которыми сравнивают TwIL-LM3-Pro, — модели класса Qwen3-8B являются обычным набором для сравнения для чекпойнта формальной логики на 3,66 млрд параметров, и смысл подключения их через один ключ в том, что цикл составления спецификаций может отправить одно и то же требование небольшой специализированной модели и универсальной модели и сравнить результаты без второго контракта. Слияние моделей делает то же самое за один вызов: панель отвечает вместе, что примерно соответствует тому, что команда DeepMind сделала со смесью моделей на этапе спецификации.

Честный вердикт: скорее всего, вам не нужно ни то, ни другое.

Если вам нужна формальная верификация продакшен-кода, AlphaProof Code — это статья и разработка на Lean. Прочитайте её, ссылайтесь на неё и не планируйте вокруг неё спринт — сама DeepMind формулирует это так: масштабирование этой техники «требует продолжения исследований», а в статье сказано, что процесс имеет значительный потенциал для оптимизации. Медианное время до чистой сборки составляет часы, и изменение исходного кода в одну строку может вызвать масштабные исправления доказательств.

Если вам нужна небольшая модель, которая рассуждает о формальной логике на ноутбуке, TwIL-LM3-Pro — это реально: она работает в квантованном виде при 2,09 ГиБ, а её собственная карточка говорит, где она идёт наравне, а не где побеждает. Проверьте лицензию прежде, чем проверять бенчмарки, потому что лицензия — это более короткое чтение и более решающий фактор.

То, что объединяет оба релиза, — это форма, которую стоит заметить: передний край формальных методов продвигается на самом дорогом конце лабораторией, располагающей сотнями часов работы агентов, тогда как доступный сегмент производит небольшие модели с узкой компетенцией и некоммерческими условиями. Середина — коммерческий инструмент, который принимает спецификацию и возвращает проверенное доказательство для вашего собственного кода по цене, которую команда может заложить в бюджет, — всё ещё пуста. Именно этот разрыв, а не разрыв между этими двумя артефактами, стоит внимания.