Klare svar om MS Duplex og MS Reflex.
De spørgsmål, teams stiller før udrulning.

Med et pilotprojekt på dit eget arbejde. Fortæl os, hvor dit team arbejder, og hvad MS Duplex skal lære først. Vi aftaler målingerne, før det begynder, og sætter MS Duplex op sammen med dig i den placering, du vælger.

Efter beslutninger og brugere. En beslutning er én forespørgsel, MS Duplex deltager i, uanset om MS Duplex besvarer den eller henter din AI ind. Hvert tilbud kommer skriftligt, før du forpligter dig.

Nej. Du medbringer din egen modeladgang og betaler din udbyder for den, og MatterSpace lægger intet tillæg på tokens. En beslutning, MS Duplex har lært, kræver slet intet modelkald.

Det forbliver i den placering, du vælger. I MatterSpace Cloud driver MS Duplex for dig, og hver kunde holdes adskilt. I din cloud forbliver det under din kontrol. Det eneste, der sendes ud, er en forespørgsel til en ekstern model, du tilslutter, og den udbyder ser kun den forespørgsel.

MS Duplex er det Agent Operating System, der drives af runtime-intelligens: laget, som hver agent kører på, uanset hvilken model den bruger. MS Duplex er din AI-model og en ACI-model, der arbejder som én: runtime-intelligens til din AI og dine agenter. Sammen lærer, planlægger, simulerer, beslutter og handler de, mens arbejdet sker, fra én person til hele virksomheden. Det, den lærer, er dit. Bygget på ACI, Adaptive Continual Intelligence.

Dagens AI er fragmenteret: modellen, genfinding og applikationskode har hver sin del af intelligensen, og ingen af dem lærer af arbejdet. MS Duplex er infrastrukturlaget, der binder dem sammen til ét system, som lærer, planlægger, simulerer, beslutter og handler. Tyngdepunktet flytter sig til hele systemet: modellen kan skiftes, og MS Duplex fører resten videre.

MS Duplex er det Agent Operating System, der drives af runtime-intelligens: laget, som hver agent kører på, uanset hvilken model den bruger. Agenter arbejder nu i timer eller dage, på tværs af sessioner, apps og modeller, men hver af dem bygger stadig sin egen hukommelse, sine egne regler og værktøjsforbindelser og mister dem, når modellen eller appen skifter. MS Duplex giver dem ét lag til det hele, så hver agent beholder sin kontekst, sine regler og sine værktøjer, uanset hvilken model eller app den bruger.

Den koordinerer alt, hvad et mål kræver: planen, mulighederne, beslutningen, dine godkendelser, arbejdet i dine værktøjer og kontrollen af resultatet. Den bærer hver agents kontekst videre, holder langt arbejde i gang gennem pauser og ændringer, fører én historik over hvert trin og lærer af det, der blev verificeret. Din stak bliver én værktøjskasse for hver agent, det, hver person, hvert team og hver organisation lærer, bliver i sit eget lag, og modellen kan skifte, mens det, dine agenter har lært, bliver.

Laget, dine agenter kører på, er runtime-intelligens i arbejde: din AI-model og en ACI-model, der arbejder som én, lærer af hvert resultat, planlægger, simulerer, beslutter og handler, mens arbejdet sker. Derfor bliver det bedre med brug, og derfor forbliver det, det lærer, dit, når du skifter model.

Alle, hvis arbejde kører på AI, fra én person til hele virksomheden. En person starter i sin egen assistent, et team deler det, det lærer, en lille virksomhed bruger MatterSpace Cloud, og en større virksomhed bringer den ind i sine egne agenter og sin egen cloud gennem MCP + hooks.

En harness giver din AI værktøjer, prompts og trin og gør det, den er sat op til. MS Duplex kobler din AI sammen med en ACI-model, der lærer af hvert bekræftet resultat, planlægger, simulerer, beslutter og handler inden for dine regler og tager dit arbejde med på tværs af værktøjer og modeller. Den virker i Claude, Codex, Cursor og Hermes og i dine egne agenter gennem MCP + hooks.

114 evner i 17 grupper: Kontekst og observation · Regler og adfærdskontrol · Værktøjskørsel · Læring og personalisering · Long Horizon: langvarigt arbejde · Planlægning og beslutningsstøtte · Skill Fabric: genbrugelige færdigheder · Vedvarende tråde og deling · Glemsel og datakontrol · Status og forklaringer · Vedvarende intelligens · Personalisering · Multimodal intelligens · Konfidens og autonomi · Sikkerhed og tilsyn under kørsel · Operationel intelligens · Integration og portabilitet.

Alt, hvad et mål kræver: konteksten, planen, mulighederne spillet frem, beslutningen, dine regler og godkendelser, arbejdet i dine værktøjer, kontrollen af resultatet, langvarigt arbejde, genopretning, når noget ændrer sig, og læring fra det, der blev verificeret. De arbejder som ét system omkring dit mål, ikke som separate værktøjer, der skal kobles sammen.

Long Horizon er den måde, MS Duplex fører langt arbejde i mål på. Arbejde, der varer dage eller uger, forbliver ét job med sit mål, sin plan, sine regler og sin fremdrift. Hvert trin kontrollerer det, det afhænger af, før det kører, planen revideres, når fakta ændrer sig, undtagelser går til de personer, du vælger, kun verificerede trin tæller som fremdrift, og arbejdet tages op, hvor det slap, efter en pause eller en overdragelse.

Skill Fabric er den måde, MS Duplex gør det, der virker, til færdigheder, hele din organisation kan stole på. En færdighed skabes af arbejde, der blev verificeret, kan åbnes og undersøges, deles med andre teams, når den er godkendt, følges i brug og udfases, når den holder op med at levere, og forbliver din, når du skifter model.

Nej. De gemmer, hvad der skete, og finder det, der ligner. MS Duplex lærer af erfaring under kørsel: den forstår mønsteret bag hvert resultat, komprimerer det til det, der generaliserer, forudser, hvad der følger, og handler på det inden for dine regler. Derfor skelner den dobbeltgængere, følger en ændret regel fra næste forespørgsel og bliver hurtigere med brug. De bliver dens værktøjer.

Alene under kørsel er din AI-model lejet pr. kald, starter hver opgave fra ingenting, kan ikke lære af det, dit team bekræfter, mister konteksten mellem sessioner, og intet kontrollerer, hvad dine agenter gør, før de handler. MS Duplex kobler den sammen med en ACI-model, der lærer, planlægger, simulerer, beslutter og handler inden for dine regler. Arbejdet bliver hurtigere og billigere med brug, og det, MS Duplex lærer, er dit.

Din AI bliver, hvor den er, og MS Duplex sætter en ACI-model ved siden af den. MS Duplex handler på det, den har lært, på millisekunder og henter din AI ind til nyt eller usikkert arbejde med den læring vedhæftet. Hvert bekræftet resultat lærer MS Duplex til næste gang.

To intelligenser, der udfører forskellige opgaver sammen, sådan som hjernen gør: en langsom til generel viden og en hurtig til hver ny oplevelse. Din AI er den langsomme, lært før idriftsættelsen. En ACI-model er den hurtige: den lærer af det løbende arbejde og planlægger, simulerer, beslutter og handler så på det. Sammen er de MS Duplex.

Delvis: MS Duplex er din AI-model og en ACI-model, der arbejder som én. ACI-modellen er en selvstændig, anden intelligens, og den erstatter aldrig din AI. En bekræftet beslutning kan køre på millisekunder uden modelkald. Nyt eller usikkert arbejde går til din AI med MS Duplex’ læring vedhæftet, og det bekræftede resultat lærer MS Duplex til næste forespørgsel.

Runtime-intelligens: din AI-model og en ACI-model, der arbejder som én og lærer, planlægger, simulerer, beslutter og handler, mens arbejdet sker, inden for dine regler. Det, den lærer, er dit. To intelligenser, ét system: kombinationen er produktet.

Overalt, hvor din AI udfører rigtigt arbejde: kode- og desktopassistenter, support- og driftsagenter, virksomhedsworkflows, AI-produkter med stor volumen, teams, der tilpasser en model, og reguleret arbejde. Den er mest nyttig, hvor resultater kan bekræftes, fordi MS Duplex anvender bekræftede rettelser, beslutninger og udfald på den næste forespørgsel, de passer til.

De bliver MS Duplex' værktøjer. MS Duplex kalder hvert af dem, når et trin har brug for det, lærer, hvilket der passer til hvilken situation, og kontrollerer, at det, de returnerer, er aktuelt, har en kilde og er dateret.

ACI, Adaptive Continual Intelligence, er en ny kategori af intelligens, skabt af MatterSpace. Den bliver ved med at lære, planlægge, simulere, beslutte og handle, mens dit arbejde sker, i samspil med de AI-modeller, du allerede bruger. MS Duplex kobler den sammen med din AI-model, MS Reflex med din autonomistak.

AI-modeller lærer, før de udgives, og forbliver derefter, som de er. ACI lærer, planlægger, simulerer, beslutter og handler bagefter: under kørsel, ud fra dit arbejde, så længe den kører. Den lærer dit arbejde frem for verden, bygger på alt, hvad den har lært før, og det, den lærer, er dit: en kategori for sig.

I samspil. Modellen bringer generel intelligens: viden, sprog og ræsonnement. ACI bringer det, den lærer af dit arbejde. Den håndterer det, den allerede ved, og henter modellen ind, orienteret, til det nye. Modellen forbliver, som den er, og du kan skifte model uden at miste det, ACI har lært.

Til din AI: den lærer med det samme af ét bekræftet resultat, følger en ny regel fra næste forespørgsel, håndterer sager, den aldrig har set, tilegner sig færdigheder og bliver hurtigere og billigere med brug. Til dine maskiner: den lærer af ét eksempel, planlægger, simulerer og beslutter på enheden og holder hver kommando inden for dine regler, med eller uden forbindelse. Under alle omstændigheder er det, den lærer, dit.

Indtil nu kunne kun de laboratorier, der træner modeller, få AI til at lære. Med ACI har hver person og hver virksomhed AI, der lærer af deres eget arbejde, og ejer det, den lærer. Det lærte vokser som renters rente med hvert resultat og forbliver, hvor du vælger, i en cloud eller på maskinen, uanset hvilken model eller stak du kører.

Begge er bygget på ACI, og ACI er intelligensen i hver af dem. Koblet sammen med din AI-model er den MS Duplex, i dit teams assistenter og de agenter, din virksomhed bygger. Koblet sammen med din autonomistak er den MS Reflex, på enhver maskine, der beslutter og handler på egen hånd.

ACI er resultatet af års forskning i neurale netværk og deres trilemma: plasticitet, stabilitet og redigerbarhed. Plasticitet er at lære det nye, hurtigt. Stabilitet er at beholde det, den ved. Redigerbarhed er at ændre det, den har lært. Et neuralt netværk opnår højst to: lad det lære hurtigt, og det glemmer, hold det stabilt, og det holder op med at lære, og hvad det har lært, er spredt ud over det hele. ACI forener alle tre.

Faruk Guney skabte ACI, MS Duplex og MS Reflex på egen hånd, efter års forskning i neurale netværks trilemma og mere end femten år, hvor han byggede Norck op til en global virksomhed inden for fremstilling og engineering on demand.

Af resultater, der viser, at arbejdet var rigtigt: en bestået test, en godkendt gennemgang, en observeret ændring eller et senere forretningsresultat. Den kan også fortrænes på gennemgåede eksempler, tidligere beslutninger, dokumenter, regler og værktøjsruter.

Ja. Fortræn MS Duplex på dine gennemgåede eksempler, tidligere beslutninger, dokumenter, regler, værktøjsruter og biblioteker af gennemprøvede metoder. Den lærer dem, før den går live, så den er nyttig fra første forespørgsel, og den bliver ved med at lære i produktion.

Dit team fastsætter standarden for hver slags arbejde. Kode kan kræve test og gennemgang, mens en reguleret handling kan kræve en persons godkendelse.

En rettelse hører til det arbejdsområde, hvor den blev lavet, og den hjælper senere arbejde, der passer. Autoriserede brugere kan gennemgå, rette eller fjerne alt, hvad MS Duplex har lært.

Ja. MS Duplex lærer mønsteret, så den håndterer nye formuleringer og nye detaljer, og den opdager en dobbeltgænger, der kræver et andet svar. På vildledende dobbeltgængere tog den fejl i 7.5% af tilfældene mod 45.3% for en cache.*

Den nye regel gælder fra den næste forespørgsel. MS Duplex erstatter den forældede beslutning og lader urelateret arbejde være. Efter en politikændring gav den 0% forældede svar mod 72% for cache og genfinding.*

Kontinuerlig læring, under kørsel. MS Duplex lærer af hvert resultat, når det bekræftes, så den næste forespørgsel allerede har gavn af det, uden træningskørsel og uden GPU. Gennem en ændring forbliver 100% af dens tidligere arbejde intakt.*

Almindelig brug er træningen: MS Duplex lærer af hvert bekræftet resultat og anvender det fra næste forespørgsel. Fortræning giver den et forspring, og din AI’s vægte forbliver, som de er.

Til arbejde, der er nyt, bredt eller kreativt, og alt, der kræver ny tekst eller nyt ræsonnement. MS Duplex forbereder præcis det, din AI får, med det, den har lært, vedhæftet. En beslutning, MS Duplex har lært, kræver intet modelkald.

Hvis MS Duplex er fortrænet på den slags arbejde, svarer den fra starten. Ellers tager din AI sig af det med viden fra MS Duplex vedlagt, og når resultatet er bekræftet, håndterer MS Duplex det næste gang.

Din AI, når arbejdet kræver ny tekst eller åbent ræsonnement, med det, MS Duplex har lært, vedhæftet. Når MS Duplex har lært arbejdet, svarer den selv.

Alt, hvad MS Duplex har lært, lever ved siden af din AI, så det flytter med dig til den nye model. I tilpasningstesten flyttede det, MS Duplex havde lært, til en anden modelfamilie helt uden gentræning.

Nej, tværtimod. Det, din organisation lærer, lever i MS Duplex og ikke inde i én leverandørs vægte, én chatudskrift eller én apps hukommelse. Skift modellen, agentklienten eller udbyderen, og processerne, reglerne, historikken og færdighederne bliver.

Ja. Din placering og dine indstillinger bestemmer, hvilken model der er tilgængelig, og hvor hver forespørgsel går hen.

Almindelige cloud-servere, på CPU. MS Duplex kræver ingen egen GPU: en beslutning, den har lært, tager ≈97 ms, mod ≈2,231 ms for et modelkald. Kun din AI har brug for acceleratorer, og MS Duplex henter den ind til nyt arbejde.*

Målet, afgjorte beslutninger, begrænsninger og ufærdigt arbejde fortsætter inden for samme kunde og arbejdsområde. Urelateret arbejde og legitimationsoplysninger bliver tilbage.

Det, du har brug for til at fortsætte: mål, beslutninger og uafsluttet arbejde. Hele udskriften bliver, hvor den var, og dit teams adgangsregler gælder stadig.

Ja, når forbindelserne hører til samme kunde og et tilladt arbejdsområde. Grænserne for identitet, arbejdsområde og kunde forbliver på plads.

Ja, når begge personer er autoriseret til det delte arbejdsområde. Personligt eller begrænset arbejde holdes adskilt, under dine adgangsindstillinger.

Kontekst hjælper dig med at fortsætte uafsluttet arbejde, og den kan være midlertidig. Det, MS Duplex lærer, kommer fra bekræftede resultater, og det hjælper, hver gang det passer.

Den anvender bekræftede rettelser, opdaterer beslutninger, når en regel ændres, tager igangværende arbejde med videre, planlægger processer med flere trin, bruger dine værktøjer og skærer ned på modelkald for arbejde, den har lært.

Ja. MS Duplex lærer, hvordan dine processer reagerer, planlægger den korteste vej og fører begrænsninger og bekræftede metoder med på tværs af trin og sessioner. Din AI bidrager med frisk ræsonnering ved hver uventet drejning.

Ja. Den lærer, hvad handlinger ændrer i dine systemer, forudsiger virkningen af et trin, før det køres, og foreslår den korteste vej til et mål. På en offentlig enterprise-benchmark slog den tre frontier-modeller i at forudsige systemændringer. Hvert rigtigt trin går stadig gennem dine kontroller.

Ja, når dit team slår det til: giv den et mål, de handlinger, den må udføre, og en måde at kontrollere, om det lykkes. Den udforsker sikkert, tester færdigheden, før den bruger den, og fjerner den på anmodning. Den gennemførte hver opgave med modellen slukket.

Ja. MS Duplex får din model til at svare, som om den var trænet på dit arbejde, og modellens vægte forbliver, som de er. Den slog finjusterede adaptere i 6 / 6 test uden nogen træningskørsel, og tilpasningen flyttede til en anden modelfamilie uden gentræning.*

Ja. Til veldefinerede opgaver skriver MS Duplex et lille program eller genbruger et, der allerede har virket, tester det mod kendte sager og kører det, når det består. Dit team kan sætte det på pause eller udfase det når som helst.

Ja. Dokumenter, vidensgrafer og databaser bliver MS Duplex' videnskilder, hver med sin ejer, kilde og dato. MS Duplex ved, når en kendsgerning ændrer sig, og bringer de rigtige kendsgerninger ind i hver beslutning.

Ja. MS Duplex kan dele godkendt læring og kontekst med hver agent i det valgte arbejdsområde. For alt, hvad den har lært, kan du se, hvilken agent det kom fra, med hvilken model, og hvornår. Hver kundes læring forbliver hos den kunde.

Dit team bestemmer, hvad MS Duplex lærer af, gennemgår, hvad den har lært, og kan rette eller fjerne hvad som helst af det. Dine regler, godkendelser og kontroller gælder for hver handling.

De fire plugins er Claude, Codex, Cursor og Hermes. Teams, der bygger deres egne agenter, forbinder dem gennem MCP + hooks.

Fire plugins er tilgængelige i dag. Hvis dit team bygger og kører agenten, kan MCP + hooks passe; bruger du en anden assistent, så fortæl os, hvilken det er.

Til de agenter, din virksomhed bygger. De forbinder sig til MS Duplex gennem MCP, og hooks henter MS Duplex ind ved hvert trin: før hver forespørgsel, før hvert værktøjskald og efter hvert resultat. Hver handling kontrolleres mod dine regler, før den kører, med godkendelser, hvor du ønsker dem, og én historik, du kan eksportere.

Et plugin bringer MS Duplex ind i en understøttet assistent gennem MCP og opbygger din personlige intelligens. MCP + hooks bringer den ind i hvert trin af de agenter, din virksomhed bygger, og opbygger din virksomheds intelligens. Det er den samme MS Duplex i begge.

Før hver forespørgsel, før hvert modelkald, før hvert værktøjskald, efter hvert resultat, ved hver overdragelse og ved hver godkendelse. MS Duplex anvender dine regler først, derefter det, den har lært, og hver handling kontrolleres, før den kører.

Et plugin, når folk arbejder i en understøttet assistent. MCP + hooks, når din virksomhed bygger sine egne agenter, og MS Duplex skal indgå i hvert trin.

Ja. Når de er forbundet til det samme arbejdsområde, deler de den samme godkendte læring og kontekst. Adgangen forbliver begrænset til de personer og agenter, du autoriserer.

Et plugin eller MCP + hooks, hvem der deler det, MS Duplex lærer, og, hvis du vil, de eksempler, beslutninger og dokumenter, den skal fortrænes på. Derefter den placering og de adgangsregler, der passer til arbejdet.

Med et understøttet plugin arbejder folk videre i den assistent, de allerede bruger. Teamet bekræfter gode resultater og retter dårlige, og godkendelsestrinene afhænger af produktet og arbejdsområdet.

Fra første forespørgsel, når du fortræner den. En bekræftet rettelse hjælper fra den næste sag, der matcher, og hvert bekræftet resultat gør MS Duplex hurtigere, billigere og mere præcis.

Ja, det er fortræning. Gennemgåede eksempler, tidligere beslutninger, dokumenter og regler giver en stærk start. Dit team placerer hver af dem i det rigtige arbejdsområde og kan rette eller fjerne dem senere.

Ja. I konsollen kan autoriserede brugere gennemgå, rette eller fjerne alt, hvad MS Duplex har lært, og se historikken bag det. De præcise kontroller afhænger af produktet og udrulningen.

Nej. Du fastsætter, hvad der betyder noget: målene, reglerne og de handlinger, der kræver dit ja. MS Duplex klarer rutinearbejdet inden for de regler og holder hver agent fast på dem. Den kontrollerer hvert modelkald og hver værktøjshandling, før det kører, og tager det, dit team har godkendt, med ind i hver session.

Ja. Du kan oprette snævrere arbejdsområder, og indstillinger for identitet og adgang bestemmer, hvem der deler hvert af dem. Al den læring forbliver inden for din organisation.

MS Duplex har to placeringer: MatterSpace Cloud, som MatterSpace driver for dig, og din cloud, en cloud-konto, du ejer. Din cloud er en enterprise-løsning. Alle integrationer findes i begge, med forbehold for udrulningsvilkårene.

Som en enterprise-løsning. Kontakt os på hello@matterspace.ai med miljøet, hvor data skal blive, og dine sikkerhedskrav, så planlægger vi udrulningen sammen med dig.

Ja. Der er en understøttet vej mellem placeringerne, og det, MS Duplex har lært, flytter med uden gentræning. Driftsansvar og migreringsarbejde aftales for hver udrulning.

Ja. En udrulning kan bruge din egen modeladgang. Gebyrer fra modeludbyderen, legitimationsoplysninger og den grænse, de skaber, håndteres separat og fremgår af tilbuddet og aftalen.

Ja. Dine input, dit referencemateriale, din historik og alt, hvad MS Duplex lærer af dem, tjener udelukkende din organisation. Arbejdsområder kan tilføje snævrere grænser for teams, produkter, regioner eller dataklasser.

Ja. På tværs af seks familier af omformulerede angreb blokerede den hvert eneste, med 0.7% falske afvisninger, det laveste blandt alle tilgange, der blokerede dem alle.*

Du vælger, hvem der er autoriseret, i hver placering. MatterSpace driver den hostede tjeneste og har kun adgang til en udrulning i din cloud, når du uddelegerer adgangen til et aftalt formål.

Dit team logger ind i konsollen via din egen identitetsudbyder, trafikken er krypteret i transit, og det, MS Duplex lærer, og historikken er krypteret i hvile. Mulighederne for at have dine egne nøgler afhænger af placeringen.

Ja. Autoriserede brugere kan fjerne alt, hvad MS Duplex har lært, gendanne en tidligere version og eksportere det, den har lært, sammen med historikken. Sletnings- og backupprocessen for din udrulning er beskrevet i sikkerhedsgennemgangen og aftalen.

Ja. Fjern et resultat eller en observation, og det, MS Duplex har lært deraf, trækkes tilbage samtidig, så intet, der bygger på det, bliver hængende. Historikken viser ændringen.

Kun det, du tillader. Personoplysninger kan sløres, før MS Duplex lærer af dem, sender dem til en model eller føjer dem til historikken, og MS Duplex kan anvende det, den har lært, uden den oprindelige tekst.

Der kan kun tilføjes til den, og manipulation kan ses: hver ændring tilføjes som en ny post, så en ændret post ville være synlig. Autoriserede brugere kan eksportere den.

Autoriserede brugere kan fjerne dens indflydelse, og urelateret læring forbliver, som den var. Efter bevidst forgiftning fjernede MS Duplex alle 40 forgiftede eksempler, og dens legitime læring forblev intakt.

Opbevaringsperioden fastsættes pr. udrulning. Den afhænger af data, placering, din konfiguration, backupdesign og den aftale, der gælder.

MS Duplex er i private pilotprojekter, og uafhængig certificering er planlagt. Indtil da beskriver sikkerhedsoversigten de kontroller, der er på plads i dag for den placering, du vurderer.

De udbydere, der bruges til din udrulning, og eventuelle vilkår for underdatabehandlere fremgår af dine kundedokumenter. I din cloud vælger du dem selv.

11 resultater inden for omkostning, nøjagtighed, kontinuerlig læring, generalisering, planlægning, agenter, sikkerhed, nye færdigheder og tilpasning, herunder tre offentlige benchmarks.

En cache genafspiller et tidligere svar, når en forespørgsel ligner. MS Duplex lærer mønsteret bag bekræftede resultater, følger regelændringer fra den næste forespørgsel og opdager dobbeltgængere, og den kan stadig kalde din cache som et værktøj. Efter en regelændring holdt MS Duplex en nøjagtighed på 92.5%, hvor en cache faldt til 42.6%.*

Behold den: genfinding bliver et af MS Duplex' værktøjer. MS Duplex kalder den, når et trin har brug for en passage, lærer, hvilke kilder der besvarer hvilke spørgsmål, og ved, når en kendsgerning har ændret sig.

Den bliver en videnskilde for MS Duplex. MS Duplex læser forbundne kendsgerninger, når en beslutning har brug for dem, ved, når de ændrer sig, og lærer, hvilke relationer der betyder noget for dit arbejde.

Ja. Finjusterede og specialiserede modeller bliver værktøjer, som MS Duplex sender arbejde videre til, og MS Duplex kan give dit træningsteam bekræftede eksempler, når du vil træne. Alt, hvad MS Duplex lærer, bliver ved med at virke ved siden af de nye vægte.

De bliver en del af den måde, MS Duplex handler på. MS Duplex kører hvert model- og værktøjskald efter dine regler, og dine guardrails og firewalls håndhæver fortsat deres egne.

En AI-gateway router kald og rapporterer forbrug. MS Duplex er en intelligens: den lærer af hvert bekræftet resultat, planlægger, simulerer, beslutter og handler på det, og gennem MCP + hooks indgår den i hvert trin i de agenter, din virksomhed bygger, med fælles læring, kontinuitet, godkendelser og én historik.

Side om side med dem. Observerbarhed viser, hvad dine agenter gjorde, og evalueringer tester det; MS Duplex lærer af det, dit team bekræfter, så en rettelse gælder fra den næste forespørgsel, der matcher. Dine traces og evalueringssuiter fungerer fortsat, som de gør.

MS Reflex er runtimen til enhver maskine, der beslutter og handler på egen hånd, fra edge-enheder til robotter. Den kobler din autonomistak sammen med en ACI-model, på enheden: hver kommando går gennem porten, og den lærer, planlægger, simulerer, beslutter og handler inden for dine regler, med eller uden forbindelse.

Fem invarianter på hver maskine, uanset hvad der styrer den. Hver kommando, der udløser en handling, går gennem porten. Sikkerhedsregler lempes kun ved en autoriseret, logget handling. Hver ændring kan spores til sin kilde og fortrydes. Læringen bliver på enheden, afgrænset og uden netværk. »Ukendt« betyder at overlade beslutningen, ikke at gætte.

Det, der styrer din maskine i dag: en VLA, en MPC, en autopilot, et PLC-program eller en AI-agent. Det forbliver præcis, som det er. Din autonomistak og en ACI-model, der arbejder som én: det er MS Reflex. Kombinationen er produktet.

Begge dele. Edge-enheder og robotter: to former, én runtime. Edge-enheder er styringer, gateways og smarte kameraer på anlæg, på arbejdssteder og ude i felten. Robotter er robotarme, mobile robotter, droner, køretøjer og skibe på land, i luften, til søs og under vand samt rumfartøjer i kredsløb.

Den beslutter i øjeblikket, på enheden: hvad den skal gøre, hvilken færdighed den skal køre, og hvornår den skal overlade beslutningen. Den beslutter, om hver kommando må gå gennem porten, og om den ved nok til at handle.

Ja. Den simulerer hver bevægelse på enheden, før den foretager den, og ser, hvad en kommando vil gøre, før din maskine udfører den. En bevægelse, der ville gå galt, ændres på enheden, før noget bevæger sig, og den bevægelse, den foretager, går stadig gennem porten.

Hver kommando, der udløser en handling, går gennem porten. Før noget bevæges, skiftes, åbnes eller sendes, kontrollerer MS Reflex den mod dine regler, og det, der ikke består, kører ikke. Den gælder for hver kommando, uanset hvad der styrer maskinen, og hver beslutning ved porten registreres.

»Ukendt« betyder at overlade beslutningen, ikke at gætte. Når den møder noget, den ikke kender, overlader den afgørelsen til din stak eller din operatør. Den gætter aldrig. Hver gang den overlader en beslutning, lærer den noget: det, din stak eller din operatør gjorde derefter, bliver noget, den ved, til næste gang.

Den lærer hurtigt og på stedet, på enheden: ét eksempel eller én overladt beslutning er nok, og lektien gælder også lignende tilfælde. Det er fokuseret læring, ikke generel læring, inden for de rammer, du sætter, uden netværk og uden træningskørsel. Din stak forbliver, som den er, og hver lektie registreres.

Nej. Læring lemper aldrig en regel, og det gør tiden heller ikke. Det kræver en autoriseret handling at lempe en, og den handling logges. At tilføje eller stramme en regel får virkning fra næste kommando, også mens maskinen kører.

Ja. Hver ændring af en regel, en grænse eller det, den har lært, viser, hvem eller hvad der foretog den, og hvornår. En lektie kan tages tilbage for sig selv, eller en maskine føres tilbage til et punkt, du har gemt, og det registreres også. Hvis en lektie en dag ikke kan tages præcist tilbage, siger MS Reflex det i stedet for at lade som om.

Nej. Den kører på de processorer, dine maskiner allerede har med, på CPU, uden GPU og uden cloud. Den lærer, planlægger, simulerer, beslutter og handler med eller uden forbindelse: den virker offline og air-gapped, ringer aldrig hjem, og dens licens virker også offline.

Ja. Hver maskine kører MS Reflex på enheden og beslutter selv, med eller uden forbindelse. På tværs af en flåde beholder hver maskine sine egne regler, og færdigheder flytter kun mellem dem, når du vælger det. En færdighed, der er lært på én maskine, kan derefter gå til andre af samme slags.

Nej. MS Reflex beslutter, hvad maskinen gør som det næste, og holder hver kommando op mod dine regler ved porten. Den ligger over dine certificerede sikkerhedsstyringer, forriglinger og nødstop, aldrig i deres sted: de forbliver uafhængige af den og beholder det sidste ord, og dit team beholder hver maskines sikkerhedsdokumentation, som i dag.

Begge dele, på samme måde, med de samme fem invarianter på hver maskine. Den virker uden forbindelse, intet behøver at forlade maskinen, og hver beslutning registreres. I forsvaret gælder det både på kinetiske og ikke-kinetiske missioner: hver kommando går gennem porten, inden for dine indsatsregler.

MS Reflex er i beta. Det, den har vist indtil nu, kommer fra simulering og benchmarks, og vi beviser det sammen med dig, på dine maskiner, i et pilotprojekt. Hvert pilotprojekt planlægges sammen med dig, bag dine egne sikkerhedssystemer.

De er separate produkter, begge bygget på ACI, Adaptive Continual Intelligence. MS Duplex kobler en ACI-model sammen med din AI-model, til din AI og dine agenter. MS Reflex kobler en sammen med din autonomistak, til enhver maskine, der beslutter og handler på egen hånd.

Produktet, forventet brug, teamstørrelse, placering og eventuel dedikeret kapacitet. Priser gives skriftligt, med de antagelser, der ligger bag.

MS Duplex og MS Reflex er produkter fra Vareon, Inc., virksomheden bag matterspace.ai.

Brug kontaktsiden, og nævn produktet, placeringen og den slags arbejde, du har i tankerne. Teamet besvarer spørgsmålet eller henviser dig til siden med detaljerne.