AlphaProof Code 對決 TwIL-LM3-Pro：一個你買不到的框架，對上一個你幾乎下載不到的模型

關於比較 AlphaProof Code 與 TwIL-LM3-Pro，最有用的一點是：兩者都不是產品。AlphaProof Code 是 Google DeepMind 的代理式形式驗證框架，於 2026 年 11 月 10 日發布，附上為期四週、針對 Signal 編譯後 libsignal 二進位檔進行驗證的 Lean 產物，但其背後沒有任何端點。TwIL-LM3-Pro 是 webAI 的 36.6 億參數形式邏輯推理模型，自 2026 年 9 月 3 日起在 Hugging Face 上提供，其權重藏在電子郵件申請表單與禁止商業使用的授權條款之後。一個問的是「我到底能不能取得它」；另一個問的是「我能不能以夠低的成本執行它，讓它真正有用」。對任何從事形式化方法的人來說，這兩個問題都是當前最迫切的問題，而兩個答案都不是「可以」。

從機制上來說，TwIL-LM3-Pro 是什麼

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.

對這個規模的模型而言，其訓練技術堆疊的文件記錄異常完整：在合成的形式邏輯語料庫上進行 rank-64 LoRA 監督式微調；以多路徑蒸餾為每個提示產生多條推理軌跡；採用參數空間檢查點融合，而非直接取用最終檢查點；以 TIES 和 DARE-SLERP 將 α = 0.15 的 WiSE-FT 插值合併回基礎模型；以及熵加權 GRPO 階段，webAI 稱之為 MGPO，對照程式化驗證器執行至第 2580 步。發佈的成品是合併後的策略，而這正是實用層面的關鍵細節：你可以用 bf16 以 6.82 GiB 執行它，或以 Q4_K_M GGUF 格式在 CPU 上以 2.09 GiB、或在 4 GB VRAM 上執行。

最後那句話就是整個價值主張。一個能在筆電上運行、回答形式邏輯問題的 3.66B 模型，和一個需要五名研究人員、四週時間，以及由 40 到 80 個代理組成的團隊的驗證框架，是不同類型的東西。TwIL-LM3-Pro 是形式推理的便宜一端；AlphaProof Code 是形式保證的昂貴一端。它們不是替代品，而這個比較之所以值得做，只是因為人們一直把兩者都歸到「形式方法的 AI」之下。

雙方各自的基準測試究竟確立了什麼

TwIL-LM3-Pro 的卡片在其自家的 Track A 上回報了四列摘要：macro gate 為 0.5539、strict-7 為 0.2879、六軌平均為 0.5389，以及 macro_primary 為 0.5875。與 Qwen3-8B 相比，macro gate 為 0.5539 對上 0.5336，而卡片寫下了行銷頁面早就會刪掉的那句話：0.020 的 gate 領先幅度小於每 lane 在 n = 200 時的抽樣雜訊，因此該列是打平，不是勝出。至於並非平手之處：

• Strict-7 — 0.2879 對上 Qwen3-8B 的 0.2093，而且這一列完全沒有採用任何寬鬆匹配計分，所以格式上的僥倖不可能產生這個結果。

• Strict MCQ — 0.4100 對 0.0000，是十一列回報資料中最寬的通道差距。

規則歸納 — 0.4195 對 0.3680。

• 語料契合度 — 在所有實驗組中，lm_corpus 困惑度最低，為 2.3130，相較於 2.5478。

• 留出測試套件——結果卡說得很直白：「TwIL-LM3-Pro 並未在其中領先。」10 個資料集的宏平均為 0.7901，在統計上與自身基礎版的 0.7942 持平，且明顯落後於 Qwen3-8B 的 0.8493 與 gpt-oss-120b 的 0.8689。

卡片本身還指出另外兩點注意事項：Track A 的生成平均為 1,902 個 token，前代則為 564 個，且有 24.2% 觸及長度上限，卡片稱此為「僅具指示性而非精確」；吞吐量數據則是在比比較欄位所依據版本更新的 vLLM 上測得。

AlphaProof Code 沒有這樣的表格，因為它回答的不是表格能回答的問題。其主張是：某個特定二進位檔——由 rustc 1.98.1 建置、靜態連結、單一 AArch64 可執行檔的 libsignal v0.105.4 搭配 spqr v1.6.0——滿足十個符號定理，以及一個具有具體界限的計算軌道，並由約 650 萬行 Lean 證明、經核心檢查。可相比的驗證是負向測試：兩個真實、先前已修復的錯誤被重新引入一個隔離副本，且兩者都產生了機器檢查的不安全性證明。那不是分數。這是系統能分辨正確程式碼與壞掉程式碼的示範，這比 TwIL 在 strict-7 上的 0.2879 是更強的主張，也是窄得多的主張——一個二進位檔、一份規格、五個人一週的時間。

授權，這才是真正的決策點

TwIL-LM3-Pro 是以禁止商業使用的授權條款發佈，並透過三個彼此不等價的管道散布。權重放在 Hugging Face 上。檢查點會定期修訂，目前版本於 2026 年 9 月 30 日上線。而在 2026 年 10 月 1 日，webAI 發佈了供 Android 與 iOS 裝置端推論使用的 LiteRT-LM 建置版本，正是這個管道讓 2.09 GiB 的 GGUF 數字對手機應用程式具有意義。三個管道中有一個是表單；若你的用途屬商業性質，你應先閱讀授權條款，再閱讀基準測試表。

AlphaProof Code 的發佈問題不同，而且可說更糟。這些產物發佈於 github.com/google-deepmind/code-verification——Lean 開發成果、涵蓋 467 條指令與 31 個系統呼叫的 7,578 行 AArch64 語義、libsignal 綁定、符號與計算規格——而著陸頁完全沒有標示授權條款。那不算「寬鬆」；那是懸而未決。部落格文章只說 DeepMind 正在將這些驗證產物開源，供社群使用。在沒有授權條款的 Lean 開發成果上建置管線之前，先問問相關人士。

所以：其中一個產物是你不得商業使用的模型；另一個是條款未明示的程式碼庫。對業餘愛好者來說，第一個行得通。對公司而言，兩者都不是綠燈。

每一個實際上會位於管線中的哪個位置

TwIL-LM3-Pro 以文字形式對形式邏輯進行推理。給它一個證明義務、一套規則系統、一組前提；它就會產出以散文與符號混合形式呈現、供人閱讀的推導過程。它是一種推理輔助工具，而這張卡自身的基準測試套件——規則歸納、嚴格單選、語料擬合——正是圍繞這項任務建構的。

AlphaProof Code 並非在文字上進行邏輯推理。它的代理會撰寫 Lean，而 Lean 會經過檢查。這兩個階段原則上是互補的：一個小型模型提出規格的輪廓，一個強大的通用模型審查它，以及一個證明代理框架（proof-agent harness）對照核心（kernel）將其收束完成。它們之間缺少的是一座橋樑——TwIL-LM3-Pro 尚未在 Lean 陳述生成上接受評估，而它的模型卡中沒有任何內容顯示它是為此訓練的。在那套堆疊中，它自然的鄰居是 OpenBMB 的 Lean 4 自動形式化器 MathForm-8B，而不是驗證框架。

DeepMind 自己對人類瓶頸的說法，正是這裡有趣的部分。在任何證明工作開始之前，研究人員以混合使用多個模型的方式，將 Signal 的安全目標轉譯成形式化規格，並由專家審查每一份規格。一個小型、快速、本地端的模型，若能以合理且低成本的方式草擬那些陳述，在那個階段確實會很有用——而且仍然需要專家審查，因為錯誤的規格會產生對錯誤定理的證明，而且還被完美地驗證過。

你今天可以執行什麼，以及它要花多少成本

• TwIL-LM3-Pro — 權重需向 Hugging Face 申請，並採用非商業授權；自 2026 年 10 月 1 日起提供 LiteRT-LM 裝置端版本；我無法驗證 webAI 是否有提供託管 API。可使用 6.82 GiB 的 bf16 權重，或 Q4_K_M 的 2.09 GiB 自行託管。

• AlphaProof Code — 無法執行。已發布成品，但沒有端點、沒有權重、沒有價格、沒有候補名單，也未註明授權條款。

• AlphaProof Code 內部的模型——證明代理程式運行於 G​emini 4 Carbon，而我們並未提供該模型；Claude Opus 5.5 是起草與審查規格的模型之一，且在 OrcaRouter 的目錄中，每百萬輸入 token 為 $4、每百萬輸出 token 為 $20，供應商牌價以 0% 加價原樣轉嫁。

• TwIL-LM3-Pro 所對標的模型——Qwen3-8B 等級模型是 3.66B 形式邏輯檢查點的常規比較組，而將它們置於同一把金鑰之後的重點在於，規格起草迴圈可以把同一項義務送給小型專用模型與通用模型，並比對結果，而不需要第二份契約。模型融合在一次呼叫中完成同樣的事：由一組模型共同作答，這大致就是 DeepMind 團隊在規格階段以模型混合所做的。

誠實的結論是：你大概兩者都不需要。

如果你想對生產程式碼進行形式驗證，AlphaProof Code 是一篇論文，也是一個 Lean 開發專案。閱讀它、引用它，但不要圍繞它規劃一個衝刺——DeepMind 自己的說法是，擴大這項技術的規模「需要持續研究」，而論文也指出該流程仍有相當大的最佳化空間。完成一次乾淨建置的中位數時間是數小時，而一行原始碼變更就可能引發大規模的證明修補。

如果你想要一個能在筆記型電腦上進行形式邏輯推理的小型模型，TwIL-LM3-Pro 確實存在，量化後以 2.09 GiB 執行，而且它自己的模型卡會告訴你它在哪些地方只是打平、而非勝出。先看授權條款，再看基準測試，因為授權條款讀起來更短，也更具決定性。

兩個版本共同具備的，是一種值得留意的形態：形式化方法的前沿，正由一個有數百個 agent 工時可花費的實驗室，從極其昂貴的那一端往前推進；而可負擔的那一端，產出的則是能力範圍狹窄、附帶非商業條款的小型模型。至於中間那塊——一個能接收規格、針對你自己擁有的程式碼回傳經過檢查的證明，且價格是團隊編得出預算的商業工具——至今仍然空白。值得關注的缺口是這一個，而不是這兩件成品之間的落差。