Zum Inhalt springen
Advancing Bits to Master Atoms
← Alle Beiträge

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.

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.

Jedes Forschungsteam, das auf KI setzt, stößt früher oder später auf dieselbe Lücke. Das Modell ist leistungsfähig, aber es weiß nicht, was dein Team letzte Woche gelernt hat: die Betriebsgrenze, die eine Expertin bestätigt hat, die Einstellung, die endlich ein sauberes Ergebnis lieferte, den Referenzwert, der ersetzt wurde. Die übliche Antwort ist, es zu trainieren. Beispiele sammeln, Fine-Tuning durchführen, die neue Version validieren und bereitstellen.

Diese Antwort passt zu manchen Problemen gut und zu anderen schlecht. Dieser Beitrag vergleicht Fine-Tuning mit der Art, wie MS Duplex lernt, für die Art von Wissen, die ein Forschungsteam jeden Tag erzeugt, und sagt, wo beides hingehört.

Was Fine-Tuning gut kann und wo es an Grenzen stößt

Fine-Tuning verändert die Gewichte eines Modells durch einen Trainingslauf auf einem vorbereiteten Datensatz. Wenn es funktioniert, ist die Veränderung breit. Das Modell folgt einem hauseigenen Format, geht flüssiger mit einem Fachvokabular um oder argumentiert geschickter über eine Familie von Problemen, in jedem Gespräch, ohne daran erinnert zu werden.

Diese Breite ist der Grund dafür. Wenn dein Team ein Modell will, das sich auf ganzer Linie anders verhält, und die Veränderung lange Bestand haben soll, ist ein Trainingslauf eine sinnvolle Investition. Ein feinabgestimmtes Modell ist zudem ein Modell wie jedes andere: Dein Team kann es anbinden, bewerten und mit den Prozessen steuern, die es bereits hat.

Schwierig wird es, wenn das Wissen eng, neu und noch in Bewegung ist. Das beschreibt das meiste, was ein Forschungsteam lernt.

Wo ein Trainingszyklus auf Forschungsarbeit trifft

Forschungswissen kommt Ergebnis für Ergebnis. Eine Messung kommt zurück, ein Test besteht, eine Expertin lehnt eine Empfehlung ab und sagt, warum. Jedes davon ist klein, an seine Bedingungen gebunden und wird oft noch während der Laufzeit eines Projekts überholt. Diesen Strom in Trainingszyklen zu pressen, erzeugt bei jedem Schritt Reibung.

  • Sammeln in Batches. Eine einzelne Korrektur ist zu wenig zum Trainieren, also wartet sie, bis sich genug Beispiele angesammelt haben, um einen Lauf zu rechtfertigen. Bis dahin wiederholt die Expertin sie.
  • Vorbereitung. Jemand muss Ergebnisse und Korrekturen in einen sauberen Datensatz überführen, entscheiden, was hineinkommt, und prüfen, dass kein Beispiel einem anderen widerspricht.
  • Nebenwirkungen. Eine neue Lektion, die in die Gewichte trainiert wird, kann schwächen, was das Modell bereits wusste. Deshalb muss jede neue Version weit über die beabsichtigte Änderung hinaus getestet werden.
  • Änderungen. Wenn sich eine Lektion als falsch erweist, gibt es keine einzelne Stelle, an der man sie korrigieren kann. Sie zu ändern heißt, einen weiteren Trainingslauf durchzuführen.
  • Nachvollziehbarkeit. Ist eine Lektion erst einmal in den Gewichten, lässt sich kaum sagen, welches Beispiel dem Modell ein bestimmtes Verhalten beigebracht hat.
  • Übertragbarkeit. Die Arbeit gehört zu einem einzigen Modell. Wenn ein besseres Modell kommt, fängt das Team von vorn an.

Nichts davon macht Fine-Tuning zu einem schlechten Werkzeug. Es passt aber nur grob zu Wissen, das sich so schnell ändert wie die Forschung, in der das neueste Ergebnis oft das ist, auf das es bei der nächsten Entscheidung am meisten ankommt.

Ein versiegelter Graphitblock neben einem offenen silbernen Gestell mit dünnen silbernen und kobaltblauen Karten, von denen eine halb herausgezogen ist.Ein versiegelter Graphitblock neben einem offenen silbernen Gestell mit dünnen silbernen und kobaltblauen Karten, von denen eine halb herausgezogen ist.
Ein versiegelter Graphitblock neben einem offenen Regal mit dünnen Karten in Silber und Kobaltblau, eine Karte halb herausgezogen: auf der einen Seite Wissen, versiegelt in den Gewichten eines Modells, auf der anderen Lektionen, einzeln aufbewahrt und jede griffbereit.

Lernen aus dem nächsten bestätigten Ergebnis

MS Duplex lernt neben dem Modell, dessen Gewichte bleiben, wie sie sind. Es lässt sich in die KI einbinden, die dein Team bereits nutzt, ob Claude, Codex, Cursor oder ein anderer Agent, der MCP spricht, und über seine API und sein Python SDK in deine eigenen Agenten. Es lernt aus den Ergebnissen und Korrekturen, die dein Team erfassen möchte. Ein bestätigtes Ergebnis reicht. Es muss kein Datensatz zusammengestellt und kein Trainingslauf eingeplant werden.

Angenommen, der Agent eines Teams empfiehlt Einstellungen für den nächsten Lauf einer wiederkehrenden Analyse. So wirkt sich eine einzelne Korrektur aus.

  1. Der Agent empfiehltEr schlägt Einstellungen für den nächsten Lauf vor und nutzt dabei das Modell und die Tools, die das Team bereits hat.
  2. Eine Expertin korrigiertEine Wissenschaftlerin oder ein Ingenieur lehnt die Empfehlung ab, weil sie eine Grenze der Methode unter den aktuellen Bedingungen ignoriert, und hält die Begründung fest.
  3. Die Lektion wird festgehaltenMS Duplex hält die Korrektur mit ihrer Quelle und den Bedingungen fest, unter denen sie gilt. Alles, was vorher gelernt wurde, bleibt, wie es war.
  4. Die nächste Anfrage nutzt sieWenn der Agent das nächste Mal Einstellungen für einen Fall unter diesen Bedingungen empfiehlt, prüft er zuerst die Grenze. Niemand trainiert etwas neu, und die Expertin muss sich nicht wiederholen.
  5. Abweichende Bedingungen werden markiertWenn ein Fall unter anderen Bedingungen eintrifft, weist MS Duplex darauf hin, statt die Lektion anzuwenden, als hätte sich nichts geändert, und das Team entscheidet.
  6. Ein anderes Modell greift sie aufEine Kollegin, die mit einem anderen Modell arbeitet, trifft auf einen verwandten Fall. Die Lektion und ihre Quelle sind schon da, weil sie neben dem Modell liegen und nicht in ihm.

Ein bestätigter Erfolg nimmt denselben Weg. Wenn ein Ergebnis, das der Agent vorhergesagt hat, durch eine Messung bestätigt wird, wird der Ansatz dahinter zur ersten Wahl des Agenten für Fälle mit denselben Bedingungen. Wenn ein neuerer bestätigter Wert einen älteren ersetzt, gilt der neuere, und der Verlauf der Änderung bleibt erhalten.

Zwei Dinge unterscheiden sich von einem Trainingszyklus. Die Lektion ist ab der nächsten Anfrage bereit, ohne dass etwas gesammelt oder abgewartet werden muss. Und eine neue Lektion kommt zu dem hinzu, was MS Duplex bereits enthält, sodass der Agent, der die Korrektur dieser Woche gelernt hat, immer noch die Bedingungen kennt, die dein Team vor Monaten bestätigt hat.

Meinung ändern, eine Lektion nach der anderen

Forschung korrigiert sich selbst. Eine Messung stellt sich als Ergebnis eines fehlerhaften Aufbaus heraus. Die Korrektur einer Expertin galt unter engeren Bedingungen, als irgendjemand festgehalten hat. Ein Team muss eine Lektion so leicht rückgängig machen können, wie es sie hinzugefügt hat.

In MS Duplex behält jede Lektion ihre Quelle und steht für sich. Korrigierst du eine Lektion, ändert sich nur diese Lektion. Entfernst du sie, verschwinden die Empfehlungen, die von ihr abhingen, mit ihr, und alles andere bleibt. Eine entfernte Lektion lässt sich wiederherstellen, wenn das Team entscheidet, dass sie doch richtig war.

Das ändert die Frage, die eine Forschungsleitung beantworten muss. Bei einem Trainingszyklus lautet die Frage, ob eine ganze neue Modellversion sicher eingesetzt werden kann. Mit MS Duplex prüft das Team einzelne Lektionen: was gelernt wurde, aus welchem Ergebnis, unter welchen Bedingungen und seit wann. Wer prüft, sieht, worauf eine Empfehlung beruht, und andere Forschende können eine Entscheidung aus dem Protokoll rekonstruieren und überprüfen.

Ein aufrecht stehender zylindrischer Kern aus Schichten von Graphit und satiniertem Silber auf einem Sockel aus Graphit, durch jede Schicht läuft ein dünner kobaltblauer Faden.Ein aufrecht stehender zylindrischer Kern aus Schichten von Graphit und satiniertem Silber auf einem Sockel aus Graphit, durch jede Schicht läuft ein dünner kobaltblauer Faden.
Ein aufrecht stehender Kern aus Schichten von Graphit und satiniertem Silber, durch jede Schicht läuft ein dünner kobaltblauer Faden: Jede Lektion behält ihren Faden zurück zu dem Ergebnis, aus dem sie stammt, sodass sich eine korrigieren oder entfernen lässt, ohne den Rest zu stören.

Was die kontrollierten Tests gezeigt haben

MatterSpace hat MS Duplex in kontrollierten Tests bei wiederkehrender Arbeit mit einem für die Aufgabe feinabgestimmten Modell verglichen. MS Duplex lief dabei ganz ohne Trainingslauf.

  • +16 Punktegenauer als ein für die Aufgabe feinabgestimmtes Modell, bei wiederkehrender Arbeit, ohne Trainingslauf
  • −89%weniger Modellaufrufe als das feinabgestimmte Modell bei derselben Arbeit

Beide Zahlen stammen aus den kontrollierten Tests von MatterSpace. Die zweite passt zu dem, was MS Duplex mit Routineentscheidungen macht. Wo eine Methode, die das Team bestätigt hat, eindeutig greift, trifft es die Entscheidung direkt, oft ohne Modellaufruf. Wo die Beleglage dünn oder der Fall unbekannt ist, übergibt es die Entscheidung an das Modell oder markiert sie für eine Forscherin oder einen Forscher, mit Begründung. Bei wiederkehrender Arbeit wiederholen sich die meisten Entscheidungen, deshalb zeigen sich dort die Einsparungen bei den Modellaufrufen.

Beides nutzen

Die meisten Teams werden am Ende beides nutzen. MS Duplex arbeitet neben einem feinabgestimmten Modell genauso wie neben einem allgemeinen und sorgt dafür, dass beide aus deiner Arbeit lernen. Eine praktische Aufteilung sieht so aus:

  • Nutze Fine-Tuning, wenn du ändern willst, was ein Modell weiß oder wie es sich grundsätzlich verhält, und die Änderung lange Bestand haben wird.
  • Nutze MS Duplex für das, was dein Team im Lauf der Arbeit bestätigt: Ergebnisse, Korrekturen, Entscheidungen und Methoden, die unter bestimmten Bedingungen gelten und sich ändern können.
  • Halte die beiden in deinen Unterlagen getrennt. Ein feinabgestimmtes Modell ist eine Modellversion. Eine Lektion in MS Duplex ist ein Eintrag mit einer Quelle, den dein Team prüfen, korrigieren oder entfernen kann.
  • Wenn ein neues Modell kommt, feinabgestimmt oder allgemein, binde es an. Die Erfahrung, die dein Team in MS Duplex aufgebaut hat, kommt mit.

Für eine Forschungsleitung ist die nützliche Frage, wo welche Art von Wissen hingehört. Breites, stabiles Verhalten gehört ins Modell. Das Wissen, das dein Team jeden Tag erzeugt, gehört an einen Ort, an dem es ab der nächsten Anfrage gelernt, bis zu seiner Quelle zurückverfolgt und Lektion für Lektion geändert werden kann.

Häufige Fragen

Verändert MS Duplex die Gewichte meines Modells?

Nein. Es lernt neben dem Modell, dessen Gewichte bleiben, wie sie sind. Deshalb ist eine Lektion ab der nächsten Anfrage bereit, deshalb lässt sich eine einzelne Lektion für sich korrigieren, und deshalb bleibt die Erfahrung erhalten, wenn du das Modell wechselst.

Können wir MS Duplex mit einem Modell nutzen, das wir bereits feinabgestimmt haben?

Ja. MS Duplex arbeitet neben einem feinabgestimmten Modell genauso wie neben einem allgemeinen und sorgt dafür, dass beide aus den Ergebnissen und Korrekturen lernen, die dein Team bestätigt.

Schwächen neue Lektionen, was es vorher gelernt hat?

Eine neue Lektion kommt zu dem hinzu, was MS Duplex bereits enthält, und lässt den Rest, wie er war. Wo ein neueres bestätigtes Ergebnis ein älteres ersetzt, gilt das neuere, und der Verlauf bleibt erhalten.

Woher wissen wir, dass es bei unserer Arbeit besser abschneidet als Fine-Tuning?

Die Zahlen hier stammen aus den kontrollierten Tests von MatterSpace. Ein Pilotprojekt misst, was MS Duplex bei deinen eigenen wiederkehrenden Workflows leistet, direkt neben deinem aktuellen Setup, blind bewertet von deinen Experten.

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

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.