AlphaProof Code vs AesCode 32B: Den ena bevisar att koden är korrekt, den andra ritar den

Sätt AlphaProof Code och AesCode 32B i samma mening och det enda de har gemensamt är ordet "code". AlphaProof Code är ett agentiskt ramverk från Google DeepMind som annonserades den 10 november 2026 och som producerade ungefär 6,5 miljoner rader maskinkontrollerade Lean-bevis som visar att den kompilerade libsignal-binären beter sig som specificerat. AesCode 32B är en checkpoint för vision och språk med 33 miljarder parametrar som Microsoft laddade upp till Hugging Face i början av oktober 2026 utan något tillkännagivande, och den skriver en prompt till ett enda fristående HTML-dokument – en presentationsbild, en affisch, en instrumentpanel – som en människa sedan tittar på. Ingen av dem är en tjänst som man kan anropa. En av dem är inte ens en modell. Om du kom hit för att få ett beslut om en direktersättning är det ärliga svaret att något sådant beslut inte finns, och resten av den här artikeln förklarar varför jämförelsen ändå är värd att göra.

Kategorifelet, korrekt formulerat

AesCode 32B är en generator. Du ger den en beskrivning; den returnerar en artefakt vars kvalitet bedöms estetiskt och utifrån huruvida siffrorna på sidan råkar vara de siffror du bad om. Modellkortets egen formulering är att bildgeneratorer komponerar en snygg sida och felrenderar siffrorna på den, medan kodmodeller får siffrorna rätt och inte kan se hur sidan ser ut — AesCode kombinerar din prompt med en bild genererad från samma prompt och använder bilden som estetisk referens medan den följer texten för innehållet.

AlphaProof Code är en verifierare. Du ger den en specifikation – ett påstående om vad som måste vara sant – och den returnerar ett bevis, kontrollerat av Leans kärna, på att en viss kompilerad binärfil uppfyller den specifikationen. Det finns ingen estetisk bedömning någonstans i loopen. Ett bevis accepteras eller så accepteras det inte, och acceptanskriteriet är några tusen rader kärnkod snarare än en granskares smak.

Den distinktionen avgör vad var och en är till för. AesCode 32B svarar på ”gör en grej åt mig”. AlphaProof Code svarar på ”är den här saken vad den utger sig för att vara”. Du skulle använda den första en tisdagseftermiddag för en presentation och den andra, om du vore Signal, under fyra veckor med fem forskare och team på 40 till 80 agenter.

Vad var och en faktiskt levererar

• Parametrar – AesCode 32B: cirka 33,4 miljarder i BF16 fördelat på fjorton safetensors-shardar med totalt 66 714 912 704 byte. AlphaProof Code: inga. Det är ett ramverk plus ett artefaktarkiv, och det finns inga vikter att ladda ner.

• Bas — AesCode 32B: en finjustering av Qwen3-VL-32B-Instruct, med arkitekturen deklarerad som Qwen3VLForConditionalGeneration, så den laddas med transformers 4.57 och senare. AlphaProof Code: modellagnostisk till sin konstruktion; DeepMind-artikeln anger Gemini 4 Carbon för bevisagenterna och uppger att Claude Opus 5.5 användes bland de modeller som utarbetade och granskade specifikationer.

• Licens — AesCode 32B: Apache 2.0, på Hugging Face i dag. AlphaProof Code: Lean-utvecklingen, AArch64-semantiken och libsignal-bindningen är publicerade på github.com/google-deepmind/code-verification, och landningssidan anger ingen licens, vilket du bör reda ut innan du bygger något på det.

• Tillgänglighet – AesCode 32B: endast självhostad. Ungefär 65 GB accelerator-minne för vikterna, ett vLLM-kommando på fyra tensor-parallella ranker, ingen hostad slutpunkt och ingen mappning till inferensleverantör bakom repo-sidan. AlphaProof Code: forskningsartefakt, ingen slutpunkt, ingen väntelista, inget pris.

• Utdata — AesCode 32B: ett HTML-dokument som kan kontrolleras genom att öppna det. AlphaProof Code: en Lean-bevisterm som kan kontrolleras med Lean.

• Vad "korrekt" innebär — AesCode 32B: sidan ser rätt ut och siffrorna stämmer med prompten, bedömt av en person. AlphaProof Code: teoremet gäller för alla indata i modellen, bedömt av en kernel.

Den enda genuint intressanta överlappningen: båda utdata är artefakter

Här är jämförelsen som är värd att göra. Båda systemen producerar en fil som överlever modellen som skapade den. AesCode 32B:s HTML är ett färdigt dokument; du kan leverera det, redigera det, köra diff på det, och ingen behöver modellen igen. AlphaProof Code:s Lean-bevis är en färdig härledning; du kan kontrollera det igen på en laptop med några minuters beräkning, och om specifikationen inte har ändrats står resultatet fortfarande kvar om fem år.

Det är en mer sällsynt egenskap än det låter i en marknad full av chattändpunkter. Det mesta av modellutdata är engångstext vars värde beror på att modellen förblir tillgänglig. Båda dessa producerar något du kan behålla. Skillnaden är vad ”keep” ger dig: med AesCode behåller du en kortlek, med AlphaProof Code behåller du en garanti.

Det är i granskningsbarheten som analogin brister. Vem som helst kan öppna HTML-filen och se om titeln är fel. Nästan ingen kan öppna 6,5 miljoner rader Lean och se om teoremet säger vad pressmeddelandet säger att det säger — vilket är just anledningen till att DeepMinds artikel ägnar sidor åt att räkna upp sin betrodda bas, sina 37 kontrakterade primitiver och de egenskaper den inte bevisar. Artefakten är kontrollerbar; läsningen av den är inte gratis.

Vad siffrorna på varje sida är värda

Huvudresultatet för AesCode 32B är en totalpoäng på 85,89 mot GPT-5.5 på 81,28 – Microsofts mätning av en konkurrents modell, utifrån en bedömningsmall som Microsoft skrev, i en testrigg som Microsoft byggde. Boundary ligger på 97,27 med allvarlig overflow i 4,3 % av proverna, och style ligger på 55,99, en rad där ingen modell i tabellen når över 60. Enligt repots egna räknare hade ingen utanför Microsoft publicerat någon siffra för modellen. Alla siffror ovan är leverantörsrapporterade och inte reproducerade.

AlphaProof Code har ingen benchmarktabell alls, och det är inte en lucka i rapporteringen – det är en annan typ av påstående. Resultatet är att en specifik binär uppfyller tio symboliska teorem och ett beräkningsspår med en konkret gräns. Du kan vara oenig om specifikationen, men du kan inte argumentera mot kärnans utlåtande om beviset. De jämförbara förbehållen är strukturella snarare än statistiska: ingen post-kvantgaranti för SPQR-healing, ingen nyttolastsekretess, ingen responder-autentisering på opromoterade första meddelanden, en session per promotion, fasta meddelandelängder, inget multi-enhets-tillstånd. Och en MAC-forfalskningsgräns som blir verkningslös runt 25 000 meddelanden i en enda session.

Ett tal går faktiskt att överföra på ett användbart sätt. AlphaProof Codes verifiering tog fyra veckor, medan jämförbart arbete historiskt har tagit expertteam år, jämfört med artikelns egna citerade baslinjer på ungefär 20 personår för seL4 och omkring 6 för CompCert. Det förhållandet är det påstående som är värt att hålla fast vid, och det är ett påstående om arbetsflöde, inte om modellkvalitet.

Vilken du faktiskt kan köra den här veckan

AesCode 32B: ja, om du har hårdvaran. Ladda ner shardarna, servera med vLLM på fyra ranks, håll prompterna under kortets tak på 24 576 token och acceptera att ditt granskningssteg är en människa som kisar på renderad HTML. Det talar inte om för dig om sidan är rätt; det talar om för dig om sidan ser rätt ut.

AlphaProof Code: nej. De publicerade artefakterna är en Lean-utveckling, inte en pipeline som du anropar. Till och med modellerna i den är inte leveransen – ramverket är en forskningskonstruktion, och DeepMinds egen formulering är att skalning av det "kräver fortsatt forskning". CodeMender är systerprojektet för automatiserad reparation; verifiering och åtgärdande är två olika produkter i det labbets färdplan.

Om det du vill ha är en modell som utarbetar specifikationerna – steget där mänskliga experter översatte Signals säkerhetsmål till Lean, granskade en efter en – är det vanligt modellarbete, och Claude Opus 5.5 finns i OrcaRouters katalog till $4 per miljon indatatoken och $20 per miljon utdatatoken med leverantörens listpris vidarebefordrat vid 0 % påslag. Att köra en specifikationsutarbetande loop över två eller tre modeller och jämföra deras Lean-utdata är ett routing-DSL-anrop, inte ett forskningsprojekt. Det inget av detta ger dig är ett bevis; bevissteget är där de sex miljoner raderna kom ifrån.

Varför kombinationen ändå är värd att publicera

Eftersom "kodmodell" har blivit en kategori utan någon nedre gräns. En modell som skriver bildspel och ett ramverk som bevisar ett meddelandeprotokoll hamnar båda under den, och köpare som jämför dem på en resultattavla lär sig ingenting. Den användbara frågan är inte vilken som är bättre — det är vilka bevis du får för utdata. AesCode 32B ger dig en renderad sida och en leverantörsbedömningsmall. AlphaProof Code ger dig en kärnverifierad härledning och en ovanligt explicit lista över vad den antar. En av dem skalar till kod som du helst inte vill få fel, och det är inte den med det större parameterantalet.

Om du utvärderar AesCode 32B för en designpipeline är det du bör testa inte dess totalpoäng utan dess gränsbeteende – andelen allvarliga overflow på 4,3 % är där en presentation tyst blir fel i stället för ful. Om du utvärderar AlphaProof Code är det du bör läsa katalogen över specavvikelser i artefaktarkivet: över 200 beräkningsposter och omkring 35 symboliska, varav femton är luckor eller buggar i Double Ratchet-analysen. Den katalogen är det ärligaste dokumentet i utgåvan, eftersom den är en lista över allt som bevisen inte kunde sluta.