Det, MS Duplex leverer, i tal.
Hvert tal ved siden af det, det slog: modellen alene, en cache, genfinding eller finjustering.
Interne benchmarks. Alle tal på denne side kommer fra test, som MatterSpace selv har kørt, og er ikke blevet uafhængigt verificeret. Læs ansvarsfraskrivelsen
- −90.3%*Modelkald, med højere nøjagtighed94.6% nøjagtig mod 59.8% for modellen alene
Modelkald i 3,000 beslutninger Modellen med MS Duplex 277 Modellen alene 2,864 - 0%*Forældede svar efter en regelændringCache og genfinding: 72%
Forældede svar efter en regelændring MS Duplex 0% Cache og genfinding 72% - 6 / 6*Test, hvor MS Duplex slog finjustering+30.3 point i gennemsnit, uden træningskørsel
- 3 / 3*Frontier-modeller slået i at forudsige systemændringerPå en offentlig enterprise-benchmark, uden modelkald
Score for forudsigelse af systemændringer MS Duplex 0.256 Gemini 3 Pro 0.205 Claude Sonnet 4.5 0.204 GPT-5.1 0.166
* Tal fra MatterSpaces interne benchmarks, ikke uafhængigt verificeret. Læs ansvarsfraskrivelsen
Én strøm af 3,000 beslutninger, på tre måder.
Trin 1 af 3: Nøjagtighed
Alle resultater.
* Tal fra MatterSpaces interne benchmarks, ikke uafhængigt verificeret. Læs ansvarsfraskrivelsen
90% færre modelkald og mere nøjagtig.*
94.6%*Nøjagtighed, den højeste i testenModellen alene 59.8% · med en cache 77.3%Nøjagtighed, den højeste i testen Modellen med MS Duplex 94.6% Modellen med en cache 77.3% Modellen alene 59.8% - −90.3% Modelkald · −84.8% omkostninger · −81.9% latens*
- ~23× Hurtigere efter læring · ≈97 ms mod ≈2,231 ms*
En strøm af 3,000 beslutninger, hvor reglerne blev ændret fem gange, målt mod frontiermodellen alene og med en semantisk cache; en kørsel med 300 beslutninger tilføjede en cache med genfinding og en vidensgraf. Alle tilgange brugte den samme model.
Mere nøjagtig i alle indstillinger, til en syvendedel af prisen.
94.1 til 94.8%*Nøjagtighed for MS Duplex i hver af otte indstillingerDet bedste, en cache nåede: 77.3%Nøjagtighed for MS Duplex i hver af otte indstillinger MS Duplex 94.1 til 94.8% Det bedste, en cache nåede 77.3% - 84 til 91% På tre nye kørsler med 1,000 beslutninger · Det bedste, en cache nåede: omkring 73%*
En strøm af 3,000 beslutninger, hvor hver tilgang blev kørt over hele sit spektrum af indstillinger, derefter tre nye kørsler med 1,000 beslutninger i en anden, uafhængig opstilling.
Bliver ved med at lære uden at glemme, blive forældet eller vokse.
5 / 5*Krav til læring i produktion, alle opfyldt i hver kørselCache og genfinding i gennemsnit 2.2 / 5 · online finjustering 4 / 5Krav til læring i produktion, alle opfyldt i hver kørsel MS Duplex 5 / 5 Online finjustering 4 / 5 Cache og genfinding 2.2 / 5 - 0% Forældede svar efter en politikændring · Cache og genfinding 72%*
- Konstant Fodaftryk over tid · Cache og genfinding voksede til ≈1,300 rækker*
Ti kørsler med den samme vejledning og det samme input for alle tilgange.
Håndterer nye formuleringer og opdager dobbeltgængerne.
7.5%*Forkerte svar på dobbeltgængereEn cache 45.3%, omkring 6× flereForkerte svar på dobbeltgængere MS Duplex 7.5% En cache 45.3% - 98.98% Af forespørgslerne håndteret korrekt: besvaret rigtigt eller givet videre til din AI · MS Duplex besvarede selv 95.78% af de kendte forespørgsler*
- 0.996 Score for at skelne velkendt fra nyt, ud af 1 · En cache 0.930*
Ti lærte intentioner og seks niveauer af nyhed, fra nøjagtige gentagelser til forespørgsler fra et andet domæne, over ti kørsler.
Planlægger den korteste rute med nul modeltokens.
100%*Plansucces i hver kørselEn reaktiv agent: 0% · MS Duplex brugte ingen modeltokensPlansucces i hver kørsel MS Duplex 100% En reaktiv agent 0% En verden i flere trin over ti kørsler, mod en reaktiv agent og en frontier-model, der fik den samme opgave.
Sørger for, at agentopgaver fortsat lykkes, med færre modelkald.
Τ-bench (tau2-bench), detail, af Sierra Research. Det uændrede detailmiljø med den samme model, de samme værktøjer og den samme brugersimulator for alle tilgange, over tre kørsler med fyrre episoder.
En stabil læseomkostning, uanset hvor lang historikken er.
- 3.7× Mindre læsning pr. spørgsmål end at læse hele historikken · Ved fyrre sessioners historik*
- 84% Nøjagtighed ved fyrre sessioners historik*
LongMemEval, af Wu et al., ICLR 2025. Halvtreds spørgsmål, hvert stillet med historikken på 2, 5, 10, 20 og 40 sessioner.
Blokerer hvert angreb og lukker almindeligt arbejde igennem.
- 0.7% Falske afvisninger · Det laveste blandt tilgange, der blokerede alle angreb*
- 40 / 40 Forgiftede eksempler fjernet · Nøjagtighed inden for 1 point*
Seks angrebsfamilier, omformuleret, med harmløse forespørgsler skrevet, så de ligner angrebene.
Lærer en ny færdighed på egen hånd med modellen slået fra.
100%*Opgaver fuldført med modellen slået fra, i hver kørselEn frontier-model havde brug for ≈507 kald pr. kørsel- 0.26 ms For at genbruge en færdighed · Ved 0 modelkald*
- 627 Usikre handlinger afvist pr. kørsel · Og den sikre færdighed blev stadig lært*
Fire testsuiter over ti kørsler, hver bedømt efter sin dårligste kørsel.
Slog tre frontier-modeller i at forudsige systemændringer.
0.256*Score for forudsigelse af systemændringerGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204Score for forudsigelse af systemændringer MS Duplex 0.256 Gemini 3 Pro 0.205 Claude Sonnet 4.5 0.204 GPT-5.1 0.166 - $0 Modeludgifter · 570 forudsigelser med nul kald; 84 på en frontiermodel kostede $13.40*
- ~80% Beslutninger besvaret ud fra det, den har lært · Din AI tog resten*
World of Workflows, af Skyfall Research / ServiceNow. Tre offline-spor, bedømt af benchmarkforfatternes egen evaluator, over tre kørsler.
Slår finjustering uden en træningskørsel.
- 0 Gentræning for at flytte til en anden modelfamilie · Adapterne flyttede i 0 af 6*
- 60 til 79% Besvaret ud fra det, den har lært · På begge modelfamilier*
Tre offentlige datasæt med intentioner, to åbne modelfamilier og tre kørsler, med den samme frosne model og de samme data for alle tilgange.
Se det på dit eget arbejde.
Fra din egen assistent til hver agent, din virksomhed kører, sætter et pilotprojekt MS Duplex på dit eget arbejde, med målepunkterne aftalt, før det går i gang.