Ethvert forskningsteam, der forlader sig på AI, møder før eller siden det samme hul. Modellen er dygtig, men den ved ikke, hvad dit team lærte i sidste uge: den driftsgrænse, en ekspert bekræftede, den indstilling, der endelig gav et rent resultat, den referenceværdi, der blev erstattet. Det sædvanlige svar er at træne den. Indsaml eksempler, finjuster, valider den nye version, og tag den i brug.
Det svar passer godt til nogle problemer og dårligt til andre. Dette indlæg sammenligner finjustering med den måde, MS Duplex lærer på, for den slags viden, et forskningsteam frembringer hver dag, og siger, hvor hver af dem hører hjemme.
Hvad finjustering er god til, og hvor den har det svært
Finjustering ændrer en models vægte gennem en træningskørsel på et forberedt datasæt. Når det virker, er ændringen bred. Modellen følger et internt format, håndterer et fagligt ordforråd mere flydende eller ræsonnerer dygtigere om en familie af problemer, i hver samtale, uden at blive mindet om det.
Den bredde er grunden til at gøre det. Hvis dit team vil have en model, der opfører sig anderledes over hele linjen, og ændringen skal holde længe, er en træningskørsel en fornuftig investering. En finjusteret model er også en model som enhver anden: dit team kan forbinde den, evaluere den og styre den med de processer, det allerede har.
Vanskeligheden begynder, når viden er snæver, ny og stadig i bevægelse. Det beskriver det meste af det, et forskningsteam lærer.
Hvor en træningscyklus møder forskningsarbejde
Forskningsviden kommer ét resultat ad gangen. En måling kommer tilbage, en test består, en ekspert afviser en anbefaling og siger hvorfor. Hver af disse er lille, knyttet til sine betingelser og ofte overhalet inden for et projekts levetid. At presse den strøm ind i træningscyklusser skaber gnidning ved hvert trin.
- Batching. Én rettelse er for lidt at træne på, så den venter, til der er samlet nok eksempler til at retfærdiggøre en kørsel. Indtil da gentager eksperten den.
- Forberedelse. Nogen skal omsætte resultater og korrektioner til et rent datasæt, beslutte, hvad der skal med, og kontrollere, at intet eksempel modsiger et andet.
- Bivirkninger. En ny lektie, der trænes ind i vægtene, kan slide på det, modellen allerede vidste, så hver ny version skal testes langt ud over den ændring, den var tænkt at foretage.
- Rettelser. Hvis en lektie viser sig at være forkert, er der ikke ét sted at rette den. At ændre den kræver en ny træningskørsel.
- Sporbarhed. Når en lektie først er i vægtene, er det svært at sige, hvilket eksempel der lærte modellen en given adfærd.
- Flytbarhed. Arbejdet tilhører én model. Når en bedre model kommer, starter teamet forfra.
Intet af dette gør finjustering til et dårligt værktøj. Det gør det til et groft match for viden, der ændrer sig lige så hurtigt som forskningen, hvor det nyeste resultat ofte er det, der betyder mest for den næste beslutning.


Læring fra det næste bekræftede resultat
MS Duplex lærer ved siden af modellen, med dens vægte uændrede. Det kobles til den AI, dit team allerede bruger, uanset om det er Claude, Codex, Cursor eller en anden agent, der taler MCP, og til dine egne agenter via API og Python SDK. Det lærer af de resultater og korrektioner, dit team vælger at registrere. Ét bekræftet resultat er nok. Der er intet datasæt at samle og ingen træningskørsel at planlægge.
Lad os sige, at et teams agent anbefaler indstillinger til næste kørsel af en tilbagevendende analyse. Sådan bevæger én korrektion sig.
- Agenten anbefalerDen foreslår indstillinger til næste kørsel med den model og de værktøjer, teamet allerede har.
- En ekspert retter denEn forsker eller ingeniør afviser anbefalingen, fordi den overser en begrænsning ved metoden under de aktuelle betingelser, og registrerer begrundelsen.
- Lektien bevaresMS Duplex bevarer korrektionen med dens kilde og de betingelser, den gælder under. Alt, hvad der er lært før, forbliver, som det var.
- Den næste forespørgsel bruger denNæste gang agenten anbefaler indstillinger til et tilfælde under de betingelser, kontrollerer den begrænsningen først. Ingen gentræner noget, og eksperten behøver ikke at gentage sig selv.
- Andre betingelser markeresNår et tilfælde kommer under andre betingelser, siger MS Duplex det i stedet for at anvende lektien, som om intet havde ændret sig, og teamet beslutter.
- En anden model tager den opEn kollega, der arbejder med en anden model, støder på et beslægtet tilfælde. Lektien og dens kilde er der allerede, fordi de ligger ved siden af modellen i stedet for inde i den.
En bekræftet succes følger samme vej. Når et resultat, agenten forudsagde, bekræftes ved måling, bliver tilgangen bag det agentens førstevalg i tilfælde med de samme betingelser. Når en nyere bekræftet værdi erstatter en ældre, gælder den nyere, og historikken for ændringen bevares.
To ting er anderledes end i en træningscyklus. Lektien er klar fra næste forespørgsel, uden noget at samle sammen eller vente på. Og en ny lektie lægges ved siden af det, MS Duplex allerede rummer, så den agent, der lærte denne uges korrektion, stadig kender de betingelser, dit team bekræftede for måneder siden.
At skifte mening, én lektie ad gangen
Forskning reviderer sig selv. En måling viser sig at stamme fra en fejlbehæftet opstilling. En eksperts korrektion gjaldt under snævrere betingelser, end nogen havde registreret. Et team har brug for at fortryde en lektie lige så let, som det tilføjede den.
I MS Duplex beholder hver lektie sin kilde og står for sig selv. Ret en lektie, og kun den lektie ændres. Fjern den, og de anbefalinger, der afhang af den, forsvinder med den, mens alt andet bliver. En fjernet lektie kan gendannes, hvis teamet alligevel beslutter, at den var rigtig.
Det ændrer det spørgsmål, en forskningsleder skal besvare. Med en træningscyklus er spørgsmålet, om en hel ny modelversion er sikker at tage i brug. Med MS Duplex gennemgår teamet de enkelte lektier: hvad der blev lært, ud fra hvilket resultat, under hvilke betingelser og siden hvornår. En bedømmer kan se, hvad en anbefaling bygger på, og en anden forsker kan genopbygge en beslutning ud fra dokumentationen og kontrollere den.


Hvad de kontrollerede test viste
MatterSpace sammenlignede MS Duplex med en model finjusteret til opgaven, på tilbagevendende arbejde, i kontrollerede test. MS Duplex kørte helt uden træningskørsel.
- +16 ptsmere præcis end en model finjusteret til opgaven, på tilbagevendende arbejde, uden nogen træningskørsel
- −89%færre modelkald end den finjusterede model på det samme arbejde
Begge tal stammer fra MatterSpaces kontrollerede test. Det andet passer med det, MS Duplex gør med rutinebeslutninger. Hvor en metode, teamet har bekræftet, tydeligt gælder, afgør MS Duplex beslutningen direkte, ofte uden et modelkald. Hvor evidensen er tynd, eller tilfældet er ukendt, overlades beslutningen til modellen eller markeres til en forsker, med begrundelsen. Det er i tilbagevendende arbejde, de fleste beslutninger gentager sig, så det er dér, besparelserne i modelkald viser sig.
At bruge begge
De fleste teams ender med at bruge begge. MS Duplex virker ved siden af en finjusteret model lige så vel som en generel og får hver af dem til at lære af dit arbejde. En praktisk fordeling ser sådan ud:
- Brug finjustering, når du vil ændre, hvad en model ved, eller hvordan den opfører sig over hele linjen, og ændringen vil holde i lang tid.
- Brug MS Duplex til det, dit team bekræfter, efterhånden som arbejdet skrider frem: resultater, korrektioner, beslutninger og metoder, der gælder under bestemte betingelser og kan ændre sig.
- Hold de to adskilt i din dokumentation. En finjusteret model er en modelversion. En lektie i MS Duplex er et element med en kilde, som dit team kan gennemgå, rette eller fjerne.
- Når en ny model kommer, finjusteret eller generel, så forbind den. Den erfaring, dit team har opbygget i MS Duplex, følger med.
For en forskningsleder er det nyttige spørgsmål, hvor hver slags viden skal ligge. Bred, stabil adfærd hører hjemme i modellen. Den viden, dit team producerer hver dag, hører hjemme et sted, hvor den kan læres fra næste forespørgsel, spores til sin kilde og ændres én lektie ad gangen.
Almindelige spørgsmål
Ændrer MS Duplex min models vægte?
Nej. Det lærer ved siden af modellen, med dens vægte uændrede. Derfor er en lektie klar fra næste forespørgsel, derfor kan én lektie rettes for sig selv, og derfor bliver erfaringen, når du skifter model.
Kan vi bruge MS Duplex med en model, vi allerede har finjusteret?
Ja. MS Duplex virker ved siden af en finjusteret model lige så vel som en generel og får hver af dem til at lære af de resultater og korrektioner, dit team bekræfter.
Vil nye lektier slide på det, den lærte før?
En ny lektie føjes til ved siden af det, MS Duplex allerede rummer, og lader resten være, som det var. Hvor et nyere bekræftet resultat erstatter et ældre, gælder det nyere, og historikken bevares.
Hvordan ved vi, at det vil klare sig bedre end finjustering på vores arbejde?
Tallene her stammer fra MatterSpaces kontrollerede test. Et pilotprojekt måler, hvad MS Duplex gør på dine egne tilbagevendende arbejdsgange, side om side med din nuværende opsætning, bedømt blindt af dine eksperter.


Bygget af MatterSpace
MatterSpace bygger MS Duplex til forskere, videnskabsfolk og ingeniører inden for alle fagområder, så den AI, de allerede bruger, lærer af hvert resultat, de bekræfter.









