Spring til indhold
Advancing Bits to Master Atoms
← Alle indlæg

MS Duplex7 min. læsetid

Skift model, og behold det, dit team har lært sin AI.

Bekræftede resultater, ekspertkorrektioner, beslutninger og metoder kan overleve enhver enkelt model. Sådan bevarer MS Duplex den erfaring i et lager, din organisation ejer, så dit team kan vælge den rigtige model til hver opgave og tage nye udgivelser i brug uden at starte forfra.

Tre forskelligt formede kabinetter i satinsølv, en kort cylinder, en facetteret blok og en buet skal, står på række på en sokkel i grafit med en slank patron i grafit med koboltblå top foran den midterste.Tre forskelligt formede kabinetter i satinsølv, en kort cylinder, en facetteret blok og en buet skal, står på række på en sokkel i grafit med en slank patron i grafit med koboltblå top foran den midterste.

Forskningsteams skifter ofte model. En ny version ræsonnerer bedre gennem svære analyser, en anden model klarer tilbagevendende arbejde billigere, en gruppe skifter fra én assistent til en anden. Hvert skift bringer noget nyttigt, og hvert skift sætter det på spil, som teamet har lært den model, det forlader.

Den oplæring er let at undervurdere, fordi den bygges op i det stille: en korrektion, en ekspert lavede en mandag, en metode, to bedømmere godkendte, en driftsgrænse, der blev bekræftet over en række kørsler. Dette indlæg handler om, hvor den erfaring bør ligge, hvad der sker den dag, et team skifter, og hvordan du beholder det, du har bygget, som dit eget.

Det, dit team opbygger med sin AI

Hver session med en forskningsagent frembringer mere end et svar. Noget af det, den frembringer, er værd at beholde, fordi det har krævet eksperttid, regnekraft eller laboratorietid at fastslå. I MS Duplex er det dette, der bygges op, mens dit team arbejder:

  • Resultater, som teamet har bekræftet, hvert med de betingelser, det gælder under
  • Korrektioner fra dine eksperter, hver med begrundelsen bag
  • Beslutninger, med den evidens, de byggede på
  • Metoder, som teamet har verificeret, og som agenter genbruger og tilpasser
  • Planer, checkpoints og fremskridt i lange kampagner
  • Hvilke værktøjer der virkede til hvilken slags problem

I de fleste opsætninger forsvinder næsten alt det, når en session slutter. Udskriften er måske gemt et sted, men den næste session starter ikke fra den, og den næste model har ikke set den. I MS Duplex samler det sig til et aktiv, din organisation ejer, med hvert element gemt ved siden af sin kilde, klar til den session, agent eller model, der tager arbejdet op næste gang.

En satinsølvfarvet blok af stablede plader med en koboltblå port står fast, mens en grafitterning bevæger sig væk på den ene side, og et sekskantet grafitmodul ankommer på den anden.En satinsølvfarvet blok af stablede plader med en koboltblå port står fast, mens en grafitterning bevæger sig væk på den ene side, og et sekskantet grafitmodul ankommer på den anden.
En blok af stablede plader i satinsølv står fast, mens en terning i grafit bevæger sig væk på den ene side, og et sekskantet modul ankommer på den anden: erfaringen bliver på sin plads, mens modellen omkring den skifter.

Derfor bør erfaringen ligge ved siden af modellen

Teams opbevarer det, de har lært deres AI, nogle få almindelige steder, og hvert sted har sin nytte. Finjustering bygger viden ind i én models vægte gennem en træningskørsel på et forberedt datasæt. Det passer godt til at ændre, hvad en model ved over hele linjen. Den viden, det tilføjer, tilhører dog den model, og når den næste version kommer, skal arbejdet gøres igen for den.

Instruktionsfiler og promptbiblioteker er lettere at tage med, og mange teams har en til hvert værktøj, de bruger. De indeholder det, nogen har skrevet ned, de har en tendens til at vokse med hver model, teamet tager i brug, og nogen skal holde hver kopi i trit med forskningen.

MS Duplex holder erfaringen ved siden af modellen, med modellens vægte uændrede. Et bekræftet resultat eller en ekspertkorrektion læres én gang, gemmes med sin evidens og sine betingelser og stilles til rådighed for den model, teamet bruger. Når modellen skiftes, skifter det, der ræsonnerer over erfaringen. Selve erfaringen bliver, hvor den var.

Den adskillelse betyder mest, når et team overvejer en opgradering. Når erfaringen er bundet til én model, har et team en grund til at blive på den, efter at en bedre er kommet, fordi et skift ville koste det, det tog at bygge op. Når erfaringen ligger ved siden af modellen, kan et team bedømme en ny version på dens egne præmisser til det arbejde, det står over for.

Hvad der sker den dag, du skifter

Forestil dig, at et teams agent har planlagt kørsler og gennemgået analyser i et langt projekt. Eksperter har rettet den flere gange, teamet har godkendt to metoder, og planen har nået sit tredje checkpoint. En ny model kommer, som teamet vil bruge til sine sværeste analyser. Skiftet forløber sådan her.

  1. Teamet skifter modelAgenten flytter til den nye model, eller teamet skifter til en anden assistent: Claude, Codex, Cursor, en anden agent, der taler MCP, eller sin egen agent bygget på API’et og Python-SDK’et. Erfaringen i MS Duplex påvirkes ikke af skiftet.
  2. Den første forespørgsel trækker på det, teamet har byggetDen nye models første forespørgsel har allerede korrektionerne, de bekræftede resultater og de godkendte metoder inden for rækkevidde, hver med sin kilde.
  3. Planen fortsætter fra sit checkpointMålet, de beslutninger, der er truffet indtil nu, og fremskridtet følger med, så agenten fortsætter fra det tredje checkpoint, og ingen skal forklare projektet forfra.
  4. Metoder kontrolleres dér, hvor de brugesDen nye model anvender også de godkendte metoder, og hver af dem verificeres igen dér, hvor den bruges. Hvor et tilfælde afviger fra de betingelser, en lektie blev bekræftet under, siger MS Duplex det.
  5. Nye resultater føjes til den samme erfaringDet, teamet bekræfter, mens det arbejder med den nye model, gemmes med sin kilde ved siden af alt det, der kom før, klar til enhver model, teamet bruger næste gang.

Der er intet at gentræne til den nye model, fordi teamets erfaring ligger i MS Duplex, ved siden af modellen. Det arbejde, teamet udfører på skiftedagen, er at vælge modellen. Erfaringen følger med, med hver kilde registreret.

Den rette model til hver opgave

Frihed til at skifte betyder også frihed til at bruge mere end én model ad gangen. Opgaver er forskellige. Én model ræsonnerer måske bedst gennem en vanskelig analyse, en anden passer måske til tilbagevendende arbejde til en lavere pris, og et team bør frit kunne bruge begge i det samme projekt.

Når erfaringen ligger i MS Duplex, trækker hver model på den samme pulje. En fornuftig måde at fordele arbejdet på:

  • Tilbagevendende beslutninger, såsom at anbefale indstillinger til den næste kørsel eller rangere kandidater efter aftalte kriterier, på en model valgt ud fra pris
  • Svære analyser og ukendte tilfælde på den model, dit team har mest tillid til, når det gælder omhyggelig ræsonnering
  • Gennemgange af analyser og design i den assistent, dine bedømmere foretrækker
  • Dine egne agenter og pipelines via API’et og Python-SDK’et, hver på den model, der passer til dens opgave

Det, den ene model bekræfter, er der for den anden. En korrektion, en ekspert laver under en gennemgang med den ene model, gælder, når den anden model møder et tilsvarende tilfælde. En metode, der er verificeret under svære analyser, bliver tilgængelig for tilbagevendende arbejde og verificeres igen dér, hvor den bruges.

Kolleger får den samme frihed. De agenter, du autoriserer, får adgang til den samme erfaring, så en forsker, der foretrækker en anden assistent, starter, hvor resten af teamet slap, og en kollegas agent kan overtage arbejde, som din begyndte på.

En grafitblok med fatning og en koboltblå port og foran den tre forskelligt formede stik i satinsølv, hver med den samme forbindelsesende.En grafitblok med fatning og en koboltblå port og foran den tre forskelligt formede stik i satinsølv, hver med den samme forbindelsesende.
En stikblok i grafit med en koboltblå port og tre forskelligt formede stik i satinsølv foran den, hver med den samme tilslutningsende: forskellige modeller til forskellige opgaver, én forbindelse til den samme erfaring.

Sådan beholder du det, du har bygget, som dit eget

Den erfaring, et team opbygger med MS Duplex, tilhører dets organisation, uanset hvilken model eller leverandør det bruger. Den ligger i et lager, din organisation ejer, og dine regler afgør, hvilke personer og agenter der kan få adgang til den. Personer og agenter ser kun det, deres adgangsområde tillader, og tilladelserne forbliver under dine kontroller.

Den forbliver organiseret, som din organisation er. Hver forsker, hvert team og organisationen har sit eget lag: en forskers eller ingeniørs arbejdsvaner forbliver personlige, det, et team bekræfter, deles med det team, og det, organisationen indfører som standard, gælder overalt. Dine regler afgør, hvad der flytter mellem lagene, og intet af det deles med en anden virksomhed. Et modelskift lader alt dette være, som det var.

Den forbliver også efterprøvelig. Hvert element bevarer sin kilde, så når en ny model kommer med en anbefaling, kan dit team se, hvilke lektier den byggede på, og hvor hver af dem kom fra. Historikken over, hvad der er lært, brugt og godkendt, er signeret og klar til eksport. Hvis en lektie viser sig at være forkert, retter eller fjerner dit team netop den ene lektie, og ændringen gælder for hver model, teamet bruger.

Almindelige spørgsmål

Hvad starter en ny model med?

Alt det, dit team har opbygget i MS Duplex: bekræftede resultater med deres betingelser, ekspertkorrektioner med deres begrundelser, beslutninger med deres evidens, verificerede metoder, planer og fremskridt, og det, teamet har lært om sine værktøjer. Hvert element bevarer sin kilde.

Hvilke assistenter og agenter kan vi skifte mellem?

Claude, Codex, Cursor og andre agenter, der taler MCP, forbindes direkte, og dine egne agenter og pipelines forbindes via API’et og Python-SDK’et. Dit team kan bruge flere ad gangen, og alle trækker på den samme erfaring.

Fungerer MS Duplex ved siden af en finjusteret model?

Ja. Det fungerer ved siden af en finjusteret model lige så vel som ved siden af en generel og får begge til at lære af dit arbejde. Hvis dit team finjusterer en model til en opgave, er erfaringen i MS Duplex der for den og for den næste version.

Hvem ejer den erfaring, vores team opbygger?

Det gør din organisation, uanset hvilken model eller leverandør du bruger. Dine regler afgør, hvilke personer og agenter der kan få adgang til den, og den signerede historik over, hvad der er lært, brugt og godkendt, kan eksporteres.

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.

Fortsæt med at læse

  • Et koboltblåt blokformet modul med rækker af runde porte, placeret oven på en rektangulær base i satinsølv.Et koboltblåt blokformet modul med rækker af runde porte, placeret oven på en rektangulær base i satinsølv.

    MS Duplex8 min. læsetid

    Vi præsenterer MS Duplex: selvforbedrende agenter til forsknings- og ingeniørteams.

    MS Duplex kobles på den AI, dine forskere og ingeniører allerede bruger, og får den til at lære af bekræftede resultater, ekspertkorrektioner og beslutninger. Hvad den er, hvem den er til, og hvordan du kommer i gang.

    Læs indlægget →
  • En skrivebordsbakke i grafit med en stak tynde kort i satinsølv og et enkelt koboltblåt kort med fane, der står oprejst midt i stakken.En skrivebordsbakke i grafit med en stak tynde kort i satinsølv og et enkelt koboltblåt kort med fane, der står oprejst midt i stakken.

    MS Duplex8 min. læsetid

    Derfor glemmer din forsknings-AI, og hvad det koster dit team.

    De fleste AI-værktøjer starter hver session fra det, modellen vidste, da dens træning sluttede. Hvad det koster et forskningsteam, og hvad der ændrer sig, når bekræftede resultater bliver til erfaring.

    Læs indlægget →
  • En stor lukket blok i grafit med et slankt modul i satinsølv monteret på siden, som bærer en lille firkantet koboltblå indikator.En stor lukket blok i grafit med et slankt modul i satinsølv monteret på siden, som bærer en lille firkantet koboltblå indikator.

    MS Duplex8 min. læsetid

    Læring af hvert bekræftet resultat, uden træningskørsel.

    Sådan sammenligner MS Duplex sig med finjustering for forskningsteams: hvad hver af dem er god til, hvorfor en rettelse gælder fra næste forespørgsel, og hvordan én lektie ændres eller fjernes for sig.

    Læs indlægget →

Lad den næste kørsel drage nytte af den forrige.

Kom til os med den forskning, din AI skal blive bedre til. Vi planlægger et pilotprojekt på dine egne arbejdsgange, med dine eksperter som dommere.