AlphaProof Code vs AesCode 32B: Một bên chứng minh mã đúng, bên kia vẽ ra nó

Đặt AlphaProof Code và AesCode 32B vào cùng một câu thì thứ duy nhất chúng chia sẻ là từ "code." AlphaProof Code là một khung tác tử của Google DeepMind được công bố vào ngày 10 tháng 11 năm 2026, đã tạo ra khoảng 6,5 triệu dòng Lean được kiểm chứng bằng máy, chứng minh rằng tệp nhị phân libsignal đã biên dịch hoạt động đúng như đặc tả. AesCode 32B là một checkpoint thị giác–ngôn ngữ 33 tỷ tham số mà Microsoft đã tải lên Hugging Face vào đầu tháng 10 năm 2026 mà không công bố, và nó ghi một prompt vào một tài liệu HTML tự chứa duy nhất — một slide, một áp phích, một bảng điều khiển — mà sau đó con người sẽ nhìn vào. Không cái nào là dịch vụ bạn có thể gọi. Một trong hai thậm chí không phải là mô hình. Nếu bạn đến đây tìm kiếm một quyết định thay thế cắm-là-chạy, câu trả lời trung thực là không có quyết định nào như vậy, và phần còn lại của bài viết này giải thích vì sao việc so sánh vẫn đáng làm.

Lỗi phạm trù, được phát biểu cho đúng

AesCode 32B là một generator. Bạn đưa cho nó một mô tả; nó trả về một artifact mà chất lượng được đánh giá về mặt thẩm mỹ và bởi liệu các con số trên trang có tình cờ là những con số bạn yêu cầu hay không. Cách diễn đạt của chính model card là các image generator tạo nên một trang đẹp mắt và render sai các con số trên đó, trong khi các code model làm đúng các con số và không thể thấy trang trông như thế nào — AesCode ghép prompt của bạn với một hình ảnh được tạo từ chính prompt đó và dùng hình ảnh làm tham chiếu thẩm mỹ trong khi vẫn theo văn bản để xác định nội dung.

AlphaProof Code là một trình xác minh. Bạn đưa cho nó một đặc tả — một phát biểu về điều bắt buộc phải đúng — và nó trả về một chứng minh, được kernel của Lean kiểm tra, rằng một tệp nhị phân đã biên dịch cụ thể thỏa mãn đặc tả đó. Không có bất kỳ phán đoán thẩm mỹ nào trong toàn bộ vòng lặp. Một chứng minh hoặc được chấp nhận hoặc không, và tiêu chí chấp nhận là vài nghìn dòng mã kernel chứ không phải thị hiếu của người đánh giá.

Sự khác biệt đó quyết định mỗi thứ dùng để làm gì. AesCode 32B trả lời “hãy tạo cho tôi một thứ.” AlphaProof Code trả lời “liệu thứ này có đúng như nó tự nhận không.” Bạn sẽ dùng cái đầu tiên vào một chiều thứ Ba để làm một bộ slide, còn cái thứ hai, nếu bạn là Signal, trong bốn tuần với năm nhà nghiên cứu và các nhóm từ 40 đến 80 agent.

Mỗi cái thực sự cung cấp những gì

• Tham số — AesCode 32B: khoảng 33,4 tỷ ở BF16 trải trên mười bốn phân đoạn safetensors với tổng cộng 66.714.912.704 byte. AlphaProof Code: không có. Đây là một framework cùng với một kho lưu trữ artifact, và không có trọng số nào để tải xuống.

• Cơ sở — {{1}}AesCode 32B{{/1}}: một bản tinh chỉnh của {{2}}Qwen3-VL-32B-Instruct{{/2}}, kiến trúc được khai báo là {{3}}Qwen3VLForConditionalGeneration{{/3}}, nên nó tải được với {{4}}transformers 4.57{{/4}} và các phiên bản mới hơn. {{5}}AlphaProof Code{{/5}}: không phụ thuộc mô hình theo thiết kế; bài báo của {{6}}DeepMind{{/6}} nêu tên {{7}}G​emini 4 Carbon{{/7}} cho các tác nhân chứng minh và nói rằng {{8}}Claude Opus 5.5{{/8}} đã được dùng trong số các mô hình soạn thảo và đánh giá đặc tả.

• Giấy phép — AesCode 32B: Apache 2.0, trên Hugging Face hôm nay. AlphaProof Code: phần phát triển Lean, ngữ nghĩa AArch64 và binding libsignal được công bố tại github.com/google-deepmind/code-verification, và trang đích ghi rằng không có giấy phép, bạn nên giải quyết điều này trước khi xây dựng bất cứ thứ gì dựa trên nó.

• Khả năng sẵn có — {{1}}AesCode 32B{{/1}}: chỉ tự triển khai. Khoảng 65 GB bộ nhớ tăng tốc cho trọng số, một lệnh vLLM trên bốn rank song song tensor, không có endpoint được lưu trữ và không có ánh xạ nhà cung cấp suy luận phía sau trang kho mã. {{2}}AlphaProof Code{{/2}}: sản phẩm nghiên cứu, không endpoint, không danh sách chờ, không giá.

• Đầu ra — AesCode 32B: một tài liệu HTML, có thể kiểm tra bằng cách mở nó. AlphaProof Code: một proof term Lean, có thể kiểm tra bằng Lean.

• “Đúng” nghĩa là gì — AesCode 32B: trang trông đúng và các số liệu khớp với lời nhắc, do một người đánh giá. AlphaProof Code: định lý đúng với mọi đầu vào trong mô hình, do một kernel đánh giá.

Điểm chồng lấn thực sự thú vị duy nhất: cả hai đầu ra đều là tạo tác.

Đây là phép so sánh đáng để thực hiện. Cả hai hệ thống đều tạo ra một tệp sống lâu hơn mô hình đã tạo ra nó. HTML của AesCode 32B là một tài liệu hoàn chỉnh; bạn có thể phát hành nó, chỉnh sửa nó, chạy diff trên nó, và không ai cần đến mô hình đó nữa. Chứng minh Lean của AlphaProof Code là một dẫn xuất hoàn chỉnh; bạn có thể kiểm tra lại nó trên một chiếc laptop trong vài phút tính toán, và nếu đặc tả chưa thay đổi, kết quả vẫn đứng vững sau năm năm.

Đó là một thuộc tính hiếm hơn vẻ ngoài của nó trong một thị trường đầy những điểm cuối trò chuyện. Phần lớn đầu ra của mô hình là văn bản dùng một lần, mà giá trị phụ thuộc vào việc mô hình còn khả dụng hay không. Cả hai đều tạo ra thứ mà bạn có thể giữ lại. Khác biệt nằm ở điều mà “giữ lại” mang lại cho bạn: với AesCode, bạn giữ được một bộ bài; với AlphaProof Code, bạn giữ được một bảo đảm.

Chỗ mà phép loại suy này đổ vỡ là ở khả năng kiểm toán. Bất kỳ ai cũng có thể mở HTML và xem liệu tiêu đề có sai hay không. Gần như không ai có thể mở 6,5 triệu dòng Lean và xem liệu định lý có nói đúng điều mà thông cáo báo chí nói rằng nó nói hay không — đó chính xác là lý do vì sao bài báo của DeepMind dành nhiều trang để liệt kê cơ sở tin cậy của nó, 37 primitive được hợp đồng và các tính chất mà nó không chứng minh. Sản phẩm thì có thể kiểm chứng; còn việc đọc hiểu nó không hề miễn phí.

Các con số ở mỗi bên có giá trị bao nhiêu

Con số chính của AesCode 32B là điểm tổng thể 85,89, so với 81,28 của GPT-5.5 — phép đo của Microsoft đối với mô hình của một đối thủ, trên một thang đánh giá do Microsoft viết, trên một bộ khung do Microsoft xây dựng. Boundary nằm ở 97,27 với mức tràn nghiêm trọng trên 4,3% mẫu, và style ở 55,99, một hàng mà không mô hình nào trong bảng vượt qua 60. Theo chính các bộ đếm của repo, chưa ai bên ngoài Microsoft công bố một con số nào cho mô hình. Mọi con số trên đây đều do nhà cung cấp báo cáo và chưa được tái tạo.

AlphaProof Code hoàn toàn không có bảng benchmark nào, và đó không phải là một lỗ hổng trong báo cáo — mà là một kiểu khẳng định khác. Kết quả là một binary cụ thể thỏa mãn mười định lý ký hiệu và một nhánh tính toán với một cận cụ thể. Bạn có thể không đồng ý với đặc tả, nhưng bạn không thể tranh luận với phán quyết của kernel về chứng minh đó. Các lưu ý có thể so sánh được mang tính cấu trúc chứ không phải thống kê: không có bảo đảm hậu lượng tử cho việc healing của SPQR, không có quyền riêng tư payload, không xác thực responder trên các tin nhắn đầu tiên chưa được promotion, một phiên cho mỗi lần promotion, độ dài tin nhắn cố định, không có trạng thái đa thiết bị. Và một cận giả mạo MAC trở nên vô nghĩa vào khoảng 25.000 tin nhắn trong một phiên.

Một con số thực sự chuyển giao được một cách hữu ích. Việc xác minh của AlphaProof Code mất bốn tuần, trong khi các công trình tương đương trong lịch sử đã khiến các nhóm chuyên gia mất nhiều năm, so với các mốc cơ sở do chính bài báo trích dẫn là khoảng 20 người-năm cho seL4 và khoảng 6 cho CompCert. Tỷ lệ đó là luận điểm cần bám vào, và đó là một luận điểm về quy trình làm việc, không phải về chất lượng mô hình.

Bạn thực sự có thể chạy cái nào trong tuần này?

AesCode 32B: có, nếu bạn có phần cứng. Tải các shard, phục vụ bằng vLLM trên bốn rank, giữ prompt dưới mức trần 24.576 token của card, và chấp nhận rằng bước đánh giá của bạn là một con người nheo mắt nhìn HTML đã kết xuất. Nó sẽ không cho bạn biết liệu trang có đúng hay không; nó sẽ cho bạn biết liệu trang có trông đúng hay không.

AlphaProof Code: không. Các sản phẩm đã công bố là một dự án phát triển bằng Lean, không phải một pipeline mà bạn gọi thực thi. Ngay cả các mô hình bên trong nó cũng không phải là sản phẩm bàn giao — khuôn khổ này là một cấu trúc nghiên cứu, và cách diễn đạt của chính DeepMind là việc mở rộng quy mô nó “đòi hỏi nghiên cứu tiếp tục”. CodeMender là dự án anh em cho việc sửa chữa tự động; xác minh và khắc phục là hai sản phẩm khác nhau trong lộ trình của phòng thí nghiệm đó.

Nếu điều bạn muốn là một mô hình để soạn thảo đặc tả — bước mà các chuyên gia con người đã chuyển các mục tiêu bảo mật của Signal sang Lean, được xem xét từng cái một — thì đó là công việc thông thường của mô hình, và Claude Opus 5.5 có trong danh mục của OrcaRouter với giá $4 mỗi triệu token đầu vào và $20 mỗi triệu token đầu ra với giá niêm yết của nhà cung cấp được chuyển thẳng ở mức markup 0%. Việc định tuyến một vòng soạn thảo đặc tả qua hai hoặc ba mô hình và so sánh đầu ra Lean của chúng là một lời gọi routing-DSL, không phải một dự án nghiên cứu. Không điều nào trong số đó mang lại cho bạn một bản chứng minh; bước chứng minh mới là nơi sáu triệu dòng ấy đến từ.

Vì sao sự kết hợp này vẫn đáng để công bố

Bởi vì “mô hình mã” đã trở thành một hạng mục không có ngưỡng tối thiểu. Một mô hình viết slide và một framework chứng minh giao thức nhắn tin đều bị xếp vào đó, và người mua so sánh chúng trên bảng xếp hạng chẳng học được gì. Câu hỏi hữu ích không phải là cái nào tốt hơn — mà là bạn nhận được bằng chứng gì cho đầu ra. AesCode 32B cho bạn một trang đã render và một rubric của nhà cung cấp. AlphaProof Code cho bạn một dẫn xuất được kiểm tra bằng kernel và một danh sách giả định rõ ràng đến bất thường. Một trong hai có thể mở rộng tới những đoạn mã mà bạn thà không muốn sai, và đó không phải cái có số tham số lớn hơn.

Nếu bạn đang đánh giá AesCode 32B cho một pipeline thiết kế, thứ cần kiểm tra không phải điểm tổng thể mà là hành vi biên của nó — tỷ lệ tràn nghiêm trọng 4,3% là chỗ một bộ slide âm thầm trở nên sai chứ không chỉ xấu. Nếu bạn đang đánh giá AlphaProof Code, thứ cần đọc là danh mục sai lệch đặc tả trong kho lưu trữ artifact: hơn 200 mục tính toán và khoảng 35 mục ký hiệu, trong đó mười lăm mục là lỗ hổng hoặc lỗi trong phân tích Double Ratchet. Danh mục đó là tài liệu trung thực nhất trong bản phát hành, vì nó là danh sách mọi thứ mà các chứng minh đã không khép lại.