AlphaProof Code vs AesCode 32B: ตัวหนึ่งพิสูจน์ว่าโค้ดถูกต้อง ส่วนอีกตัววาดมันขึ้นมา

หากนำ AlphaProof Code กับ AesCode 32B มาไว้ในประโยคเดียวกัน สิ่งเดียวที่ทั้งสองมีร่วมกันคือคำว่า “code” AlphaProof Code คือกรอบงานแบบเอเจนต์ของ Google DeepMind ที่ประกาศเมื่อวันที่ 10 พฤศจิกายน 2026 ซึ่งสร้างโค้ด Lean ที่ผ่านการตรวจสอบด้วยเครื่องราว 6.5 ล้านบรรทัด เพื่อพิสูจน์ว่าไบนารี libsignal ที่คอมไพล์แล้วมีพฤติกรรมตามที่กำหนดไว้ AesCode 32B เป็นเช็กพอยต์แบบ vision-language ขนาด 33,000 ล้านพารามิเตอร์ที่ Microsoft อัปโหลดขึ้น Hugging Face เมื่อต้นเดือนตุลาคม 2026 โดยไม่มีการประกาศ และมันเขียนพรอมป์ต์ลงในเอกสาร HTML แบบครบในไฟล์เดียว — สไลด์ โปสเตอร์ แดชบอร์ด — ซึ่งจากนั้นมนุษย์จะเข้ามาดู ทั้งสองไม่ใช่บริการที่คุณเรียกใช้ได้ และหนึ่งในนั้นไม่ใช่แม้แต่โมเดล หากคุณมาที่นี่เพื่อมองหาคำตอบว่าควรใช้ตัวไหนแทนกันได้ทันที คำตอบที่ตรงไปตรงมาคือไม่มีคำตอบเช่นนั้น และส่วนที่เหลือของบทความนี้อธิบายว่าเหตุใดการเปรียบเทียบนี้ยังคงคุ้มค่าที่จะทำ

ข้อผิดพลาดเชิงหมวดหมู่ เมื่อกล่าวอย่างถูกต้อง

AesCode 32B เป็นตัวสร้างสรรค์ผลงาน คุณให้คำอธิบายกับมัน แล้วมันจะคืนชิ้นงานที่คุณภาพถูกตัดสินจากความสวยงาม และจากว่าตัวเลขบนหน้านั้นบังเอิญเป็นตัวเลขที่คุณขอไว้หรือไม่ กรอบความคิดใน model card ของมันเองคือ ตัวสร้างภาพจะประกอบหน้าที่ดูดีแต่เรนเดอร์ตัวเลขบนหน้านั้นผิดพลาด ขณะที่โมเดลโค้ดทำตัวเลขได้ถูกต้องแต่มองไม่เห็นว่าหน้าดูเป็นอย่างไร — AesCode จึงจับคู่พรอมป์ของคุณกับภาพที่สร้างจากพรอมป์เดียวกัน และใช้ภาพนั้นเป็นข้อมูลอ้างอิงด้านความสวยงาม enquanto ทำตามข้อความสำหรับเนื้อหา

AlphaProof Code เป็นตัวตรวจสอบ คุณให้ข้อกำหนดกับมัน — ข้อความที่ระบุว่าอะไรต้องเป็นจริง — แล้วมันจะคืนค่าการพิสูจน์ที่ผ่านการตรวจสอบโดยเคอร์เนลของ Lean ว่าบinary ที่คอมไพล์แล้วตัวหนึ่งเป็นไปตามข้อกำหนดนั้น ไม่มีการตัดสินเชิงสุนทรียศาสตร์อยู่ที่ใดเลยในวงจรนี้ การพิสูจน์จะถูกยอมรับหรือไม่ถูกยอมรับเท่านั้น และเกณฑ์การยอมรับคือโค้ดเคอร์เนลไม่กี่พันบรรทัด ไม่ใช่รสนิยมของผู้ตรวจทาน

ความแตกต่างนั้นเป็นตัวกำหนดว่าแต่ละตัวมีไว้ทำอะไร AesCode 32B ตอบว่า “สร้างอะไรสักอย่างให้ฉัน” ส่วน AlphaProof Code ตอบว่า “สิ่งนี้เป็นอย่างที่มันอ้างจริงหรือ” คุณจะใช้ตัวแรกในบ่ายวันอังคารเพื่อทำสไลด์นำเสนอ และใช้ตัวที่สอง—ถ้าคุณเป็น Signal—ตลอดสี่สัปดาห์ โดยมีนักวิจัยห้าคนและทีมเอเจนต์ขนาด 40 ถึง 80 ตัว

แต่ละอย่างส่งมอบอะไรได้จริง

• พารามิเตอร์ — AesCode 32B: ประมาณ 33.4 พันล้านใน BF16 กระจายอยู่ใน safetensors shard สิบสี่ชิ้น รวมทั้งสิ้น 66,714,912,704 ไบต์ AlphaProof Code: ไม่มี เป็นเฟรมเวิร์กพร้อมกับคลังอาร์ติแฟกต์ และไม่มีเวตให้ดาวน์โหลด

• Base — AesCode 32B: ไฟน์จูนของ Qwen3-VL-32B-Instruct ซึ่งประกาศสถาปัตยกรรมเป็น Qwen3VLForConditionalGeneration จึงโหลดได้ด้วย transformers 4.57 และเวอร์ชันหลังจากนั้น AlphaProof Code: ไม่ขึ้นกับโมเดลโดยการออกแบบ; เอกสารของ DeepMind ระบุชื่อ G​emini 4 Carbon สำหรับเอเจนต์พิสูจน์ และกล่าวว่า Claude Opus 5.5 ถูกใช้ในบรรดาโมเดลที่ร่างและตรวจทานข้อกำหนด

• สัญญาอนุญาต — AesCode 32B: Apache 2.0 อยู่บน Hugging Face แล้ววันนี้ AlphaProof Code: การพัฒนา Lean อรรถศาสตร์ของ AArch64 และการผูก libsignal เผยแพร่ที่ github.com/google-deepmind/code-verification และหน้าแลนดิ้งระบุว่าไม่มีสัญญาอนุญาต ซึ่งคุณควรจัดการให้ชัดเจนก่อนจะสร้างสิ่งใด ๆ บนพื้นฐานนี้

• ความพร้อมใช้งาน — AesCode 32B: โฮสต์เองเท่านั้น ใช้หน่วยความจำตัวเร่งความเร็วราว 65 GB สำหรับ weights ต้องใช้คำสั่ง vLLM บนแรงก์แบบ tensor-parallel สี่แรงก์ ไม่มี endpoint แบบโฮสต์ และไม่มีการแมปผู้ให้บริการ inference อยู่เบื้องหลังหน้ารีโป AlphaProof Code: อาร์ติแฟกต์งานวิจัย ไม่มี endpoint ไม่มีรายการรอ ไม่มีราคา

• ผลลัพธ์ — AesCode 32B: เอกสาร HTML หนึ่งชิ้น ซึ่งตรวจสอบได้โดยการเปิดดู AlphaProof Code: เทอมการพิสูจน์แบบ Lean ที่ตรวจสอบได้ด้วย Lean

• ความหมายของ "ถูกต้อง" — AesCode 32B: หน้าเว็บดูถูกต้องและตัวเลขตรงกับพรอมต์ โดยมีบุคคลเป็นผู้ตัดสิน AlphaProof Code: ทฤษฎีบทเป็นจริงสำหรับอินพุตทั้งหมดในแบบจำลอง โดยมีเคอร์เนลเป็นผู้ตัดสิน

จุดคาบเกี่ยวที่น่าสนใจอย่างแท้จริงเพียงจุดเดียว: ผลลัพธ์ทั้งสองล้วนเป็นสิ่งประดิษฐ์

นี่คือการเปรียบเทียบที่คุ้มค่าที่จะมี ทั้งสองระบบสร้างไฟล์ที่มีอายุยืนกว่าตัวโมเดลที่สร้างมันขึ้นมา HTML ของ AesCode 32B คือเอกสารที่เสร็จสมบูรณ์ คุณสามารถส่งมอบ แก้ไข และ diff ได้ และไม่มีใครต้องใช้โมเดลนั้นอีก ส่วนข้อพิสูจน์ Lean ของ AlphaProof Code คือการอนุพัทธ์ที่เสร็จสมบูรณ์ คุณสามารถตรวจสอบซ้ำบนแล็ปท็อปด้วยการประมวลผลเพียงไม่กี่นาที และหากข้อกำหนดไม่เปลี่ยนแปลง ผลลัพธ์ก็ยังคงใช้ได้ในอีกห้าปี

นั่นเป็นคุณสมบัติที่หายากกว่าที่ฟังดู ในตลาดที่เต็มไปด้วยจุดเชื่อมต่อแชต ผลลัพธ์ของโมเดลส่วนใหญ่เป็นข้อความใช้แล้วทิ้งซึ่งมูลค่าขึ้นอยู่กับว่าโมเดลยังคงใช้งานได้หรือไม่ ทั้งสองอย่างนี้ให้ผลลัพธ์เป็นสิ่งที่คุณเก็บไว้ได้ ความแตกต่างอยู่ที่ว่า “เก็บไว้” ให้อะไรกับคุณ: ด้วย AesCode คุณเก็บเด็คไว้ได้ ส่วนด้วย AlphaProof Code คุณเก็บการรับประกันไว้ได้

จุดที่การเปรียบเทียบนี้ใช้ไม่ได้คือความสามารถในการตรวจสอบ ใครก็ตามสามารถเปิด HTML และดูได้ว่าชื่อเรื่องผิดหรือไม่ แทบไม่มีใครสามารถเปิด Lean 6.5 ล้านบรรทัดและดูได้ว่าทฤษฎีบทกล่าวตรงกับสิ่งที่ข่าวประชาสัมพันธ์บอกว่ามันกล่าวไว้หรือไม่ — ซึ่งเป็นเหตุผลที่แน่ชัดว่าทำไมเปเปอร์ของ DeepMind จึงใช้หลายหน้าในการแจกแจงฐานที่เชื่อถือได้ของมัน primitive ที่กำหนดสัญญาไว้ 37 ตัว และคุณสมบัติที่มันไม่ได้พิสูจน์ อาร์ติแฟกต์นี้ตรวจสอบได้ แต่การตีความมันไม่ได้ไร้ต้นทุน

ตัวเลขในแต่ละด้านมีค่าเท่าไร

พาดหัวของ AesCode 32B คือคะแนนรวม 85.89 เทียบกับ GPT-5.5 ที่ 81.28 — เป็นการวัดโมเดลของคู่แข่งโดย Microsoft บนเกณฑ์ที่ Microsoft เขียนขึ้น บนฮาร์เนสที่ Microsoft สร้างขึ้น Boundary อยู่ที่ 97.27 โดยมี severe overflow ใน 4.3% ของตัวอย่าง และ style อยู่ที่ 55.99 ซึ่งเป็นแถวที่ไม่มีโมเดลใดในตารางทำคะแนนเกิน 60 ณ ตัวนับของ repo เอง ไม่มีใครนอก Microsoft เผยแพร่ตัวเลขสำหรับโมเดลนี้ ตัวเลขทั้งหมดข้างต้นเป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่มีการทำซ้ำ

AlphaProof Code ไม่มีตาราง benchmark เลย และนั่นไม่ใช่ช่องว่างในการรายงาน — มันเป็นข้ออ้างคนละแบบ ผลลัพธ์คือไบนารีเฉพาะตัวหนึ่งผ่านทฤษฎีบทเชิงสัญลักษณ์สิบข้อและเส้นทางการคำนวณที่มีขอบเขตชัดเจน คุณอาจไม่เห็นด้วยกับสเปกได้ แต่คุณโต้แย้งคำตัดสินของเคอร์เนลต่อการพิสูจน์ไม่ได้ ข้อควรระวังที่เทียบเคียงได้เป็นเชิงโครงสร้างมากกว่าเชิงสถิติ: ไม่มีการรับประกันหลังควอนตัมสำหรับ SPQR healing, ไม่มีความเป็นส่วนตัวของ payload, ไม่มีการยืนยันตัวตนผู้ตอบในข้อความแรกที่ยังไม่ถูก promotion, หนึ่งเซสชันต่อการ promotion หนึ่งครั้ง, ความยาวข้อความคงที่, ไม่มีสถานะหลายอุปกรณ์ และขอบเขตการปลอมแปลง MAC ที่กลายเป็นไร้ความหมายเมื่อมีประมาณ 25,000 ข้อความในเซสชันเดียว

มีตัวเลขหนึ่งตัวที่ข้ามมาอย่างมีประโยชน์จริง ๆ การตรวจสอบของ AlphaProof Code ใช้เวลาสี่สัปดาห์ ในขณะที่งานที่เทียบเคียงได้ในอดีตต้องใช้ทีมผู้เชี่ยวชาญหลายปี เมื่อเทียบกับฐานอ้างอิงที่บทความเองอ้างถึงซึ่งอยู่ที่ประมาณ 20 คน-ปีสำหรับ seL4 และประมาณ 6 คน-ปีสำหรับ CompCert อัตราส่วนนั้นคือข้ออ้างที่ควรยึดไว้ และเป็นข้ออ้างเกี่ยวกับกระบวนการทำงาน ไม่ใช่เกี่ยวกับคุณภาพของโมเดล

อันไหนที่คุณสามารถรันได้จริงในสัปดาห์นี้

AesCode 32B: ใช่ ถ้าคุณมีฮาร์ดแวร์รองรับ ดาวน์โหลดชาร์ด แล้วให้บริการด้วย vLLM บนสี่แรงก์ ควบคุมพรอมป์ตให้อยู่ภายใต้เพดาน 24,576 โทเคนของการ์ด และยอมรับว่าขั้นตอนตรวจทานของคุณคือมนุษย์ที่ต้องเพ่งมอง HTML ที่เรนเดอร์แล้ว มันจะไม่บอกคุณว่าหน้านั้นถูกต้องหรือไม่ แต่จะบอกว่าหน้าดูถูกต้องหรือไม่

AlphaProof Code: ไม่ใช่ สิ่งที่เผยแพร่คืองานพัฒนาใน Lean ไม่ใช่ไปป์ไลน์ที่คุณเรียกใช้ แม้แต่โมเดลที่อยู่ภายในก็ไม่ใช่สิ่งที่ต้องส่งมอบ — เฟรมเวิร์กเป็นโครงสร้างเชิงวิจัย และกรอบของ DeepMind เองระบุว่าการขยายขนาดมัน “ต้องใช้การวิจัยอย่างต่อเนื่อง” CodeMender เป็นโครงการพี่น้องสำหรับการซ่อมแซมอัตโนมัติ การตรวจสอบยืนยันและการแก้ไขเป็นผลิตภัณฑ์ที่แตกต่างกันสองอย่างในโรดแมปของห้องแล็บนั้น

ถ้าสิ่งที่คุณต้องการคือโมเดลสำหรับร่างข้อกำหนด — ขั้นตอนที่ผู้เชี่ยวชาญที่เป็นมนุษย์แปลเป้าหมายด้านความปลอดภัยของ Signal เป็น Lean และตรวจทานทีละรายการ — นั่นคืองานปกติของโมเดล และClaude Opus 5.5 อยู่ในแคตตาล็อกของ OrcaRouter ในราคา $4 ต่ออินพุตหนึ่งล้านโทเค็น และ $20 ต่อเอาต์พุตหนึ่งล้านโทเค็น โดยราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยบวกเพิ่ม 0% การกำหนดเส้นทางลูปการร่างข้อกำหนดไปยังโมเดลสองหรือสามโมเดลและเปรียบเทียบเอาต์พุต Lean ของโมเดลเหล่านั้นคือการเรียกใช้ routing-DSL ไม่ใช่โครงการวิจัย สิ่งที่ทั้งหมดนั้นไม่ได้ให้คุณคือการพิสูจน์; ขั้นตอนการพิสูจน์คือที่มาของหกล้านบรรทัด

ทำไมการจับคู่นี้จึงยังคุ้มค่าที่จะเผยแพร่อยู่ดี

เพราะ "code model" กลายเป็นหมวดหมู่ที่ไม่มีเกณฑ์ขั้นต่ำใด ๆ แล้ว โมเดลที่เขียนสไลด์กับเฟรมเวิร์กที่พิสูจน์โปรโตคอลการรับส่งข้อความต่างก็ถูกจัดเข้าหมวดเดียวกัน และผู้ซื้อที่นำมาเปรียบเทียบบนลีดเดอร์บอร์ดก็ไม่ได้เรียนรู้อะไรเลย คำถามที่มีประโยชน์ไม่ใช่ตัวไหนดีกว่า — แต่คือคุณได้หลักฐานอะไรมาสำหรับผลลัพธ์ AesCode 32B ให้หน้าที่เรนเดอร์แล้วกับเกณฑ์การประเมินจากผู้ขาย AlphaProof Code ให้การอนุมานที่ผ่านการตรวจสอบโดยเคอร์เนลและรายการสมมติฐานที่ชัดเจนเป็นพิเศษ หนึ่งในนั้นขยายไปใช้กับโค้ดที่คุณไม่อยากให้เกิดข้อผิดพลาดได้ และมันไม่ใช่ตัวที่มีจำนวนพารามิเตอร์มากกว่า

หากคุณกำลังประเมิน AesCode 32B สำหรับไปป์ไลน์การออกแบบ สิ่งที่ต้องทดสอบไม่ใช่คะแนนโดยรวม แต่เป็นพฤติกรรมที่ขอบเขต — อัตราการล้นรุนแรง 4.3% คือจุดที่เด็คหนึ่งกลายเป็นผิดอย่างเงียบ ๆ แทนที่จะแค่น่าเกลียด หากคุณกำลังประเมิน AlphaProof Code สิ่งที่ต้องอ่านคือแคตาล็อกส่วนเบี่ยงเบนจากสเปกในคลังอาร์ติแฟกต์: รายการเชิงคำนวณกว่า 200 รายการและรายการเชิงสัญลักษณ์ประมาณ 35 รายการ ซึ่งสิบห้ารายการเป็นช่องว่างหรือบั๊กในการวิเคราะห์ Double Ratchet แคตาล็อกนั้นเป็นเอกสารที่ซื่อสัตย์ที่สุดในรีลีส เพราะมันเป็นรายการของทุกสิ่งที่การพิสูจน์ยังปิดไม่ได้