MS DuplexFrihed til at skifte modelVis alleVis færre
Frihed til at skifte model.
Skift model, og fortsæt, hvor du slap.
I MS Duplex ligger den erfaring, dit team opbygger, ved siden af modellen, med dens vægte uændrede. En ny model starter med alt, hvad dit team har bekræftet, og arbejdet fortsætter, hvor det slap.
Husk og styr · en af de fjorten funktioner i MS Duplex


Det får dit team
- Ingen binding til én model eller leverandør
- Hver opgradering starter fuldt informeret
- Værdien af dit AI-arbejde bliver ved med at vokse
Hvad frihed til at skifte model betyder for dit team.
Frihed til at skifte model betyder, at værdien af dit AI-arbejde bliver hos dit team, når modellen skifter. De bekræftede resultater, ekspertkorrektioner, beslutninger, metoder og planer, dit team opbygger, ligger i MS Duplex, i et lager, din organisation ejer.
En model rummer i sig selv det, den er trænet på. Lærer man den dit arbejde gennem en træningskørsel, bindes det arbejde til én model, og den næste version starter forfra. MS Duplex bevarer i stedet erfaringen ved siden af modellen, med modellens vægte uændrede, så en ny model starter med alt, hvad dit team har opbygget.
Dit team kan vælge den model, der passer til hver opgave, tage en ny version i brug, når det passer til arbejdet, og skifte mellem Claude, Codex, Cursor og andre agenter, der taler MCP. Erfaringen følger med hver gang, med hver kilde registreret.
Derfor har forskning brug for frihed til at skifte model.
Modeller bliver hurtigt bedre, og forskningsteams vil have den bedste til hver opgave. Hvert skift bør bevare det, teamet har opbygget, og bygge videre på det.
Et forskningsteams erfaring med sin AI er dyr at opbygge: de rettelser, eksperterne lavede, de metoder, teamet verificerede, de betingelser, det bekræftede gennem regnekraft og laboratorietid. Når den erfaring er bundet til én model, sætter hver opgradering den på spil, og teams bliver på en ældre model, fordi et skift ville koste for meget.
Forskellige opgaver passer også til forskellige modeller. Én ræsonnerer måske bedst gennem en svær analyse, en anden passer måske til tilbagevendende arbejde til en lavere pris. Et team bør kunne bruge begge i det samme projekt, og begge bør trække på den samme erfaring.
Modeller skifter ofte
Nye versioner bliver ved med at komme, og hver af dem bør starte fra det, dit team allerede ved.
Erfaring er dyr at opbygge
Hver rettelse og hvert bekræftet resultat har kostet eksperttid, regnekraft eller laboratorietid og bør overleve enhver enkelt model.
Opgaver er forskellige
Den bedste model til én opgave kan være en anden end den bedste til den næste, og teamet bør frit kunne vælge.
Arbejdet er dit
Det, dit team har lært af sin egen forskning, tilhører din organisation, uanset hvilken leverandør det bruger.


Sådan fungerer friheden til at skifte model i dit teams hverdag.
Dit team arbejder med de modeller og agenter, der passer til arbejdet. MS Duplex samler erfaringen ét sted, som de alle trækker på.
- 1
Dit team arbejder
Forskere og ingeniører bruger Claude, Codex, Cursor, en anden agent, der taler MCP, eller dine egne agenter via API og Python SDK.
- 2
Erfaringen bygges op
Bekræftede resultater, rettelser, beslutninger, metoder og planer samler sig i MS Duplex, hver med sin kilde.
- 3
Modellen skifter
Dit team tager en ny version i brug, vælger en anden model til en opgave eller skifter til en anden leverandør.
- 4
Arbejdet fortsætter
Den nye model starter fra alt, hvad dit team har opbygget, og fortsætter arbejdet, hvor det slap.
Et eksempel, inden for ethvert fagområde, hvor et team kører sit arbejde gennem AI.
Et teams agent planlægger kørsler og evaluerer designs i et langt projekt. Midtvejs skifter teamet model, og arbejdet bevarer sin plads.
- 1
Erfaringen vokser
Tidligt i projektet retter eksperter agenten, bekræfter flere resultater og godkender to metoder. MS Duplex gemmer hver enkelt med dens evidens og betingelser.
- 2
En ny version
Der kommer en nyere model, som teamet vil bruge til sine sværeste analyser. De skifter agenten over til den.
- 3
Den første forespørgsel
Den nye models første forespørgsel trækker allerede på rettelserne, de bekræftede resultater og de godkendte metoder og følger planen fra dens aktuelle checkpoint.
- 4
To modeller, ét projekt
Teamet beholder den tidligere model til tilbagevendende screening og bruger den nye til svære analyser. Begge trækker på den samme erfaring, og det, den ene bekræfter, er der også for den anden.
Frihed til at skifte model får resten af laget til at holde.
Alt, hvad de andre funktioner lærer og bevarer, er det, der følger med, når modellen skifter.
Forskningshukommelse på tværs af sessioner
En ny model starter fra arbejdets aktuelle tilstand: målet, beslutningerne, de godkendte metoder og fremskridtet.
Kontinuerlig læring
Det, teamet bekræfter, læres ved siden af modellen, så hver lektie følger med, når modellen skifter.
Genbrugelige metoder
De metoder, dit team har verificeret, anvendes også af den nye model og verificeres igen dér, hvor de bruges.
Sporbarhed, gennemgang og aflæring
Hver lektie bevarer sin kilde gennem skiftet, så teamet kan se, hvad den nye model bygger på.
Det får dit team.
Værdien af dit AI-arbejde bliver ved med at vokse, uanset hvilken model dit team bruger.
Ingen binding
Dit teams erfaring forbliver uafhængig af enhver enkelt model eller leverandør.
Fuldt informerede opgraderinger
Hver ny model starter med alt, hvad dit team har bekræftet, fra sin første forespørgsel.
Den rette model til hver opgave
Brug forskellige modeller til forskelligt arbejde, og lad dem alle trække på den samme erfaring.
Erfaring, du ejer
Resultater, rettelser, beslutninger, metoder og planer samler sig i et lager, din organisation ejer.
Værdi, der vokser
Hvert skift bevarer det, teamet har opbygget, så værdien af dit AI-arbejde bliver ved med at vokse.
Hver kilde registreret
Hver lektie bevarer sin kilde, så teamet kan se, hvad en given model bygger på, og hvor det kom fra.
Almindelige spørgsmål.
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.

