Zum Inhalt springen
Advancing Bits to Master Atoms
← Alle Beiträge

MS Duplex8 Min. Lesezeit

MS Duplex stellt sich vor: selbstverbessernde Agenten für Teams in Wissenschaft und Technik.

MS Duplex lässt sich an die KI anbinden, die deine Wissenschaftler und Ingenieure bereits nutzen, und lässt sie aus bestätigten Ergebnissen, Expertenkorrekturen und Entscheidungen lernen. Was es ist, für wen es gedacht ist und wie du anfängst.

Ein kobaltblaues, blockförmiges Modul mit Reihen runder Anschlüsse, das auf einem satinsilbernen rechteckigen Sockel sitzt.Ein kobaltblaues, blockförmiges Modul mit Reihen runder Anschlüsse, das auf einem satinsilbernen rechteckigen Sockel sitzt.

Ein Forschungsteam bringt seiner KI jede Woche etwas bei. Eine Expertin erklärt, warum eine Methode jenseits einer bekannten Grenze versagt. Ein Lauf bestätigt, welche Einstellungen funktioniert haben. Eine neue Kalibrierung ersetzt einen alten Referenzwert. In den meisten Setups bleibt nichts davon hängen. Die nächste Sitzung beginnt mit dem, was das Modell an dem Tag wusste, an dem sein Training endete, und das Team zahlt noch einmal für dieselbe Lektion.

Heute stellt MatterSpace MS Duplex vor: selbstverbessernde Agenten für Teams in Wissenschaft und Technik. MS Duplex lässt sich an die KI anbinden, die deine Wissenschaftler und Ingenieure bereits nutzen, und lässt sie lernen, während du arbeitest. Jedes bestätigte Ergebnis, jede Expertenkorrektur und jede Entscheidung wird zu Erfahrung, die deine Agenten wiederverwenden, sodass jeder Lauf dort beginnt, wo der letzte aufgehört hat.

Was MS Duplex ist und für wen es gedacht ist

MS Duplex ist die selbstverbessernde Schicht der wissenschaftlichen KI eines Teams. Es arbeitet neben den Modellen und Agenten, die du bereits betreibst, deren Gewichte bleiben, wie sie sind. Wenn ein Test besteht, eine Messung zurückkommt oder eine Expertin eine Schlussfolgerung freigibt, lernt MS Duplex daraus und wendet die Lektion ab der nächsten Anfrage an, überall dort, wo die Bedingungen passen.

Hier sammelt sich auch die KI-Arbeit eines Teams an. Bestätigte Ergebnisse mit ihren Bedingungen, Korrekturen mit ihren Begründungen, Entscheidungen mit den Belegen, auf denen sie beruhten, verifizierte Methoden, Pläne und Fortschritt bei langen Kampagnen und welche Tools bei welchem Problem funktioniert haben: All das sammelt sich in einem Speicher an, der deiner Organisation gehört. Wechsle das Modell, den Agenten oder den Anbieter, und das Team macht dort weiter, wo es aufgehört hat.

Vier quadratische Platten, von dünnen silbernen Stiften passgenau übereinander gehalten: eine Graphitbasis, eine silberne Platte mit einem Raster aus Kugeln, eine kobaltblaue Platte und eine fein gerasterte silberne Deckplatte.Vier quadratische Platten, von dünnen silbernen Stiften passgenau übereinander gehalten: eine Graphitbasis, eine silberne Platte mit einem Raster aus Kugeln, eine kobaltblaue Platte und eine fein gerasterte silberne Deckplatte.
Vier quadratische Platten, von dünnen silbernen Stiften exakt übereinander gehalten, von einer graphitfarbenen Basis bis zu einer fein gerasterten silbernen Oberseite: die Schichten des KI-Stacks eines Forschungsteams, mit MS Duplex als der Schicht, die von den anderen lernt.

MS Duplex ist für Wissenschaftler, Ingenieure und Forschende konzipiert und entwickelt, und es funktioniert in jedem Fachgebiet. Wo immer ein Team Experimente, Simulationen, Analysen oder Design-Reviews mit KI durchführt, ist der Kreislauf derselbe. Der Agent arbeitet mit deinen Tools. Ein Test, eine Messung oder eine Expertin bestätigt das Ergebnis oder korrigiert es und sagt, warum. MS Duplex bewahrt das Ergebnis mit seinen Belegen. Der nächste passende Fall, in jeder Sitzung, bei jedem Agenten und jedem Modell, beginnt dort.

Es ist für die Menschen gebaut, die diese Arbeit tragen:

  • Leitungen in Forschung und Entwicklung, die wollen, dass das, was das Team lernt, beim Team bleibt, egal mit welchem Modell es als Nächstes arbeitet.
  • Leitungen der computergestützten Forschung, die weniger wiederholte Läufe wollen und Entscheidungen, die andere Forschende aus dem Protokoll rekonstruieren können.
  • Labor- und Plattformverantwortliche, die brauchen, dass die Regeln des Teams angewendet und die richtigen Freigaben erteilt werden, bevor ein kostspieliger Schritt beginnt.
  • Wissenschaftler und Ingenieure, die ihrer KI ein Projekt und eine Korrektur lieber nur einmal erklären.

Vierzehn Fähigkeiten in drei Gruppen

In MS Duplex arbeiten kontinuierliches Lernen, Selbstverbesserung, langfristige Planung und das Forschungsgedächtnis als eine Schicht, ausgerichtet auf die Ziele deines Teams. Es gibt vierzehn Fähigkeiten in drei Gruppen, und jede macht die anderen stärker.

Lernen und verbessern

  • Kontinuierliches Lernen: lernt ab der nächsten Anfrage aus jedem bestätigten Ergebnis und lässt das zuvor Gelernte unverändert.
  • Selbstverbesserung: Was funktioniert hat, probieren deine Agenten als Erstes, und was gescheitert ist, wird nicht mehr vorgeschlagen.
  • Wiederverwendbare Methoden: Ein verifiziertes Verfahren wird beim nächsten gleichartigen Fall direkt angewendet und bei verwandten Fällen angepasst und zur Prüfung vorgeschlagen.
  • Ursache und Wirkung lernen: hält fest, welche Aktion unter welchen Bedingungen zu welchem Ergebnis geführt hat, und sagt, wenn eine Verbindung noch nicht belegt ist.
  • Tool-Lernen: lernt, welches Tool, welche Einstellung oder welche Methode bei welcher Art von Problem gut abgeschnitten hat.

Planen und entscheiden

  • Langfristige Planung: Kampagnen, die Tage oder Wochen laufen, bleiben ein Auftrag, mit ihrem Plan, ihren Checkpoints und ihrem Fortschritt.
  • Simulation vor dem Handeln: spielt die Optionen durch, bevor Rechenleistung oder Laborzeit aufgewendet wird, und legt die, die das Ziel nicht erreichen können, früh beiseite.
  • Neue Probleme lösen: setzt für einen neuen Fall einen Ansatz aus dem zusammen, was das Team bestätigt hat, und prüft ihn, bevor sich jemand darauf verlässt.
  • Entscheidungen, die ihre Grenzen kennen: entscheidet, was die Belege stützen, und übergibt den Rest an dein Modell oder eine Forscherin oder einen Forscher, mit Begründung.

Erinnern und steuern

  • Forschungsgedächtnis: Jede Sitzung beginnt beim aktuellen Stand der Arbeit.
  • Freiheit, das Modell zu wechseln: Ein neues Modell startet mit allem, was dein Team aufgebaut hat.
  • Persönliche, Team- und Organisationsebene: Jede hat ihre eigene Erfahrung, und deine Regeln entscheiden, was zwischen ihnen wandert.
  • Regeln und Freigaben: Deine Regeln haben Vorrang, und die Schritte, die du auswählst, warten auf einen Menschen.
  • Herkunftsnachweis, Prüfung und Verlernen: Jede Lektion behält ihre Quelle, und jede einzelne lässt sich für sich korrigieren oder entfernen.

Die Gruppen stützen sich gegenseitig. Ein am Montag bestätigtes Ergebnis wird zu einer Methode. Die Methode fließt in den Plan für eine lange Kampagne ein. Das Forschungsgedächtnis trägt diesen Plan in die nächste Sitzung, Regeln entscheiden, welche Schritte auf einen Menschen warten, und der Herkunftsnachweis zeigt, woher jeder Teil davon stammt.

  • +16 Punktegenauer als ein für die Aufgabe feinabgestimmtes Modell, bei wiederkehrender Arbeit, ohne Trainingslauf
  • −89%weniger Modellaufrufe als das feinabgestimmte Modell bei derselben Arbeit
  • 0 von 8.640Antworten zu einem geänderten Fakt nannten den veralteten Wert

Alle drei Zahlen stammen aus den kontrollierten Tests von MatterSpace. Die ersten beiden vergleichen MS Duplex mit einem für die Aufgabe feinabgestimmten Modell bei derselben wiederkehrenden Arbeit. Die dritte zählt Antworten, die gegeben wurden, nachdem sich ein Fakt geändert hatte und die KI den neueren Wert verwenden musste. Fine-Tuning behält seinen Platz, wenn es darum geht, das Wissen eines Modells auf ganzer Linie zu verändern, und MS Duplex arbeitet neben einem feinabgestimmten Modell ebenso wie neben einem allgemeinen.

Es lässt sich an die KI anbinden, die dein Team bereits nutzt

Wissenschaftler und Ingenieure behalten die KI, die sie kennen. MS Duplex verbindet sich mit Claude, Codex, Cursor und anderen Agenten, die MCP sprechen, den offenen Standard, der KI-Agenten Tools zur Verfügung stellt. Teams, die ihre eigenen Forschungsagenten und Pipelines bauen, binden MS Duplex über seine API und sein Python SDK ein, mit demselben Lernen hinter jedem davon.

Es gibt zwei Arten der Anbindung. Bei einer Standardverbindung ruft dein Agent MS Duplex auf, um relevante Erfahrung zurückzuholen, dem Plan zu folgen und die Ergebnisse festzuhalten, die du zulässt. Das ist der schnellste Weg zum Start. In unterstützten Umgebungen mit Hooks leitet eine regelgesteuerte Verbindung die Schritte, die du auswählst, über MS Duplex, sodass deine Regeln greifen, bevor eine teure Simulation oder ein teurer Lauf beginnt.

Fünf verschiedene Steckmodule aus Graphit, im Bogen angeordnet, führen jeweils ein dünnes kobaltblaues Kabel in einen zentralen, satinsilbernen Verteiler.Fünf verschiedene Steckmodule aus Graphit, im Bogen angeordnet, führen jeweils ein dünnes kobaltblaues Kabel in einen zentralen, satinsilbernen Verteiler.
Fünf verschiedene graphitfarbene Steckmodule in einem Bogen, von denen jedes ein dünnes kobaltblaues Kabel in einen einzigen satiniert silbernen Hub führt: viele Assistenten und Agenten, eine Lernschicht dahinter.

Deine Modelle, Tools und Daten bleiben deine. Agenten erreichen Simulatoren, Analysecode, Datenbanken und Instrumente weiterhin über ihre eigenen Verbindungen. MS Duplex lernt aus den Ergebnissen und Expertenkorrekturen, die dein Team erfassen will, und deine Regeln entscheiden, was zwischen einer Forscherin oder einem Forscher, einem Team und der Organisation geteilt wird. Nichts davon wird mit einem anderen Unternehmen geteilt.

Angenommen, eine Wissenschaftlerin oder ein Ingenieur korrigiert die Rangfolge der Kandidaten, die ein Agent erstellt hat, weil die verwendete Methode jenseits einer bekannten Betriebsgrenze versagt, und hält fest, warum. Zwei Tage später stößt der Agent eines Kollegen, auf einem anderen Modell, auf einen verwandten Fall. MS Duplex holt die Korrektur mit ihrer Quelle zurück und zeigt, welche Annahme sich geändert hat. Niemand musste eine Zeile in eine Notizdatei schreiben oder die Grenze ein zweites Mal erklären.

Eine Lernschicht für jedes Fachgebiet

MS Duplex ist die Lernschicht von MatterSpace für jede Art wissenschaftlicher und technischer Arbeit. Das, woraus es lernt, ist der Forschung in jedem Fachgebiet gemeinsam: Methoden, Entscheidungen, die Bedingungen, unter denen ein Ergebnis gilt, und die Ergebnisse, die folgten. Die Erfahrung jedes Teams bleibt seine eigene, in seinen eigenen Ebenen und unter seinen eigenen Regeln.

So fängst du an: ein Pilotprojekt an deiner eigenen Arbeit

Der faire Test für eine KI, die von sich behauptet zu lernen, ist die Arbeit, die dein Team immer wieder erledigt. Ein Pilotprojekt läuft auf deinen eigenen Workflows, neben deinem bisherigen Setup, und deine Experten sind die Prüfer.

  1. Die Arbeit wählenWähle wiederkehrende Forschungsworkflows, in denen sich Entscheidungen wiederholen und ein falscher oder unnötiger Lauf teuer ist: Einstellungen für den nächsten Lauf empfehlen, Kandidaten ranken, Analysen prüfen.
  2. Den Maßstab vereinbarenLeg es mit deinen Experten fest, bevor irgendetwas läuft: die Kosten jedes akzeptierten, reproduzierbaren Ergebnisses und die Expertenzeit, die es erfordert.
  3. Nebeneinander laufen lassenDasselbe Modell, dieselben Tools, Daten und dasselbe Budget, mit und ohne MS Duplex, und mit einer geregelten Anbindung, wo sie passt.
  4. Blind bewertenDeine Experten bewerten die Ergebnisse, ohne zu wissen, welches Setup sie erzeugt hat.

Wo MS Duplex läuft und wie deine Daten behandelt werden, wird ab dem ersten Gespräch mit deinen Sicherheits- und Datenverantwortlichen abgestimmt. Die Erfahrung, die ein Pilotprojekt aufbaut, gehört deiner Organisation, und jede Lektion ist mit ihrer Quelle festgehalten, damit dein Team sie prüfen, korrigieren oder entfernen kann.

Häufige Fragen

Verändert MS Duplex unser Modell?

Es lässt die Gewichte des Modells, wie sie sind. MS Duplex lernt neben dem Modell. Deshalb ist eine Lektion ab der nächsten Anfrage bereit, deshalb lässt sich eine einzelne Lektion für sich korrigieren, und deshalb kommt die Erfahrung mit, wenn du das Modell wechselst.

Woraus lernt es?

Aus den Ergebnissen und Expertenkorrekturen, die dein Team erfassen möchte: ein bestandener Test, eine Messung, eine freigegebene Schlussfolgerung, eine Korrektur mit ihrer Begründung. Jede Erkenntnis behält ihre Quelle und die Bedingungen, unter denen sie gilt.

Ist MS Duplex an ein wissenschaftliches Fachgebiet gebunden?

Nein. Es arbeitet in jedem Fachgebiet, in dem ein Team mit KI forscht oder entwickelt.

Wem gehört, was es lernt?

Deiner Organisation. Die Erfahrung liegt in einem Speicher, der deiner Organisation gehört, unterliegt deinen Regeln und wird mit keinem anderen Unternehmen geteilt. Dein Team kann jede Lektion einsehen, korrigieren, entfernen oder wiederherstellen.

Gebaut von MatterSpace

MatterSpace baut MS Duplex für Wissenschaftler, Forschende und Ingenieure in jedem Fachgebiet, damit die KI, die sie bereits nutzen, aus jedem Ergebnis lernt, das sie bestätigen.

Weiterlesen

  • Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.

    MS Duplex8 Min. Lesezeit

    Warum deine Forschungs-KI vergisst und was es dein Team kostet.

    Die meisten KI-Tools beginnen jede Sitzung mit dem, was das Modell wusste, als sein Training endete. Was das ein Forschungsteam kostet und was sich ändert, wenn bestätigte Ergebnisse zu Erfahrung werden.

    Beitrag lesen →
  • Ein großer geschlossener Block aus Graphit mit einem schlanken satinsilbernen Modul an der Seite, das eine kleine quadratische kobaltblaue Anzeige trägt.Ein großer geschlossener Block aus Graphit mit einem schlanken satinsilbernen Modul an der Seite, das eine kleine quadratische kobaltblaue Anzeige trägt.

    MS Duplex8 Min. Lesezeit

    Lernen aus jedem bestätigten Ergebnis, ohne Trainingslauf.

    Wie MS Duplex sich für Forschungsteams von Fine-Tuning unterscheidet: wofür sich beides eignet, warum eine Korrektur ab der nächsten Anfrage gilt und wie sich eine einzelne Lektion für sich ändern oder entfernen lässt.

    Beitrag lesen →
  • Ein hoher, loser Stapel dünner satinsilberner Blätter neben einem kompakten Schrank aus Graphit mit zwei Spalten kobaltblauer Schubladenfronten, beide auf einer Grundplatte aus Graphit.Ein hoher, loser Stapel dünner satinsilberner Blätter neben einem kompakten Schrank aus Graphit mit zwei Spalten kobaltblauer Schubladenfronten, beide auf einer Grundplatte aus Graphit.

    MS Duplex8 Min. Lesezeit

    Anweisungsdateien helfen deiner KI, bis niemand mehr weiß, welche Zeile noch gilt.

    Forschungsteams pflegen Anweisungsdateien, Notizen und Prompt-Bibliotheken für ihre KI. Warum diese Gewohnheit hilft, wo sie an ihre Grenzen stößt und was gelernte Erfahrung mit ihren Quellen ergänzend dazu beiträgt.

    Beitrag lesen →

Damit der nächste Lauf vom letzten profitiert.

Bring uns die Forschung, in der deine KI besser werden soll. Wir planen ein Pilotprojekt an deinen eigenen Workflows, mit deinen Experten als Jury.