Zum Inhalt springen
Advancing Bits to Master Atoms

Freiheit, das Modell zu wechseln.
Wechsle das Modell und mach dort weiter, wo du aufgehört hast.

In MS Duplex liegt die Erfahrung, die dein Team aufbaut, neben dem Modell, dessen Gewichte bleiben, wie sie sind. Ein neues Modell beginnt mit allem, was dein Team bestätigt hat, und die Arbeit geht dort weiter, wo sie aufgehört hat.

Erinnern und steuern · eine der vierzehn Fähigkeiten von MS Duplex

Ein kompaktes kobaltblaues Kernmodul, über zwei Gehäuse in satiniertem Silber auf einem Sockel aus Graphit angehoben, eines quadratisch und eines sechseckig, jedes mit einer Aufnahme, die für das Modul geformt ist.Ein kompaktes kobaltblaues Kernmodul, über zwei Gehäuse in satiniertem Silber auf einem Sockel aus Graphit angehoben, eines quadratisch und eines sechseckig, jedes mit einer Aufnahme, die für das Modul geformt ist.

Dein Team bekommt

  • Kein Lock-in bei einem Modell oder Anbieter
  • Jedes Upgrade startet voll informiert
  • Der Wert deiner KI-Arbeit vermehrt sich stetig weiter

Was die Freiheit, das Modell zu wechseln, für dein Team bedeutet.

Die Freiheit, das Modell zu wechseln, bedeutet, dass der Wert deiner KI-Arbeit bei deinem Team bleibt, wenn sich das Modell ändert. Die bestätigten Ergebnisse, Expertenkorrekturen, Entscheidungen, Methoden und Pläne, die dein Team aufbaut, liegen in MS Duplex, in einem Speicher, der deiner Organisation gehört.

Ein Modell allein enthält, womit es trainiert wurde. Ihm deine Arbeit über einen Trainingslauf beizubringen, bindet diese Arbeit an ein einziges Modell, und mit dem nächsten Release beginnt alles von vorn. MS Duplex hält die Erfahrung stattdessen neben dem Modell fest, ohne dessen Gewichte zu verändern, sodass ein neues Modell mit allem beginnt, was dein Team aufgebaut hat.

Dein Team kann das Modell wählen, das zu jeder Aufgabe passt, ein neues Release übernehmen, wenn es zur Arbeit passt, und zwischen Claude, Codex, Cursor und anderen Agenten wechseln, die MCP sprechen. Die Erfahrung kommt jedes Mal mit, mit jeder Quelle im Protokoll.

Warum Forschung die Freiheit braucht, das Modell zu wechseln.

Modelle werden schnell besser, und Forschungsteams wollen für jede Aufgabe das beste. Jeder Wechsel sollte bewahren, was das Team aufgebaut hat, und es erweitern.

Die Erfahrung eines Forschungsteams mit seiner KI ist teuer aufzubauen: die Korrekturen, die Fachleute vorgenommen haben, die Methoden, die das Team verifiziert hat, die Bedingungen, die es mit Rechen- und Laborzeit bestätigt hat. Wenn diese Erfahrung an ein Modell gebunden ist, setzt jedes Upgrade sie aufs Spiel, und Teams bleiben bei einem älteren Modell, weil ein Wechsel zu teuer wäre.

Verschiedene Aufgaben passen außerdem zu verschiedenen Modellen. Eines durchdenkt eine schwierige Analyse vielleicht am besten, ein anderes eignet sich vielleicht zu geringeren Kosten für wiederkehrende Arbeit. Ein Team sollte beide im selben Projekt nutzen können, wobei beide auf dieselbe Erfahrung zurückgreifen.

  • Modelle ändern sich oft

    Neue Releases kommen laufend, und jedes sollte bei dem ansetzen, was dein Team bereits weiß.

  • Erfahrung ist teuer aufzubauen

    Jede Korrektur und jedes bestätigte Ergebnis hat Expertenzeit, Rechenzeit oder Laborzeit gekostet und sollte jedes einzelne Modell überdauern.

  • Aufgaben unterscheiden sich

    Das beste Modell für eine Aufgabe ist vielleicht nicht das beste für die nächste, und das Team sollte frei wählen können.

  • Die Arbeit gehört dir

    Was dein Team aus seiner eigenen Forschung gelernt hat, gehört deiner Organisation, egal welchen Anbieter es nutzt.

Ein Buchsenblock aus Graphit mit einem kobaltblauen Anschluss, davor drei unterschiedlich geformte Stecker in satiniertem Silber, jeder mit demselben Steckende.Ein Buchsenblock aus Graphit mit einem kobaltblauen Anschluss, davor drei unterschiedlich geformte Stecker in satiniertem Silber, jeder mit demselben Steckende.

Wie die Freiheit, das Modell zu wechseln, im Arbeitsalltag deines Teams funktioniert.

Dein Team arbeitet mit den Modellen und Agenten, die zur Arbeit passen. MS Duplex hält die Erfahrung an einem Ort, auf den sie alle zugreifen.

  1. 1

    Dein Team arbeitet

    Wissenschaftler und Ingenieure nutzen Claude, Codex, Cursor, einen anderen Agenten, der MCP spricht, oder deine eigenen Agenten über die API und das Python SDK.

  2. 2

    Die Erfahrung wächst

    Bestätigte Ergebnisse, Korrekturen, Entscheidungen, Methoden und Pläne sammeln sich in MS Duplex an, jeweils mit ihrer Quelle.

  3. 3

    Das Modell wechselt

    Dein Team übernimmt ein neues Release, wählt für eine Aufgabe ein anderes Modell oder wechselt zu einem anderen Anbieter.

  4. 4

    Die Arbeit geht weiter

    Das neue Modell beginnt mit allem, was dein Team aufgebaut hat, und setzt die Arbeit dort fort, wo sie aufgehört hat.

Ein Beispiel für jedes Fachgebiet, in dem ein Team seine Arbeit mit KI erledigt.

Der Agent eines Teams plant Läufe und bewertet Designs für ein langes Projekt. Mittendrin wechselt das Team das Modell, und die Arbeit behält ihren Stand.

  1. 1

    Die Erfahrung baut sich auf

    Früh im Projekt korrigieren Fachleute den Agenten, bestätigen mehrere Ergebnisse und geben zwei Methoden frei. MS Duplex hält jedes davon mit seinen Belegen und Bedingungen fest.

  2. 2

    Ein neues Release

    Ein neueres Modell erscheint, das das Team für seine schwierigsten Analysen nutzen will. Es stellt den Agenten darauf um.

  3. 3

    Die erste Anfrage

    Schon die erste Anfrage des neuen Modells greift auf die Korrekturen, die bestätigten Ergebnisse und die freigegebenen Methoden zurück und folgt dem Plan ab seinem aktuellen Checkpoint.

  4. 4

    Zwei Modelle, ein Projekt

    Das Team behält das frühere Modell für wiederkehrendes Screening und nutzt das neue für schwierige Analysen. Beide greifen auf dieselbe Erfahrung zurück, und was eines bestätigt, steht dem anderen zur Verfügung.

Die Freiheit, das Modell zu wechseln, macht den Rest der Schicht dauerhaft.

Alles, was die anderen Fähigkeiten lernen und festhalten, kommt mit, wenn sich das Modell ändert.

Was dein Team bekommt.

Der Wert deiner KI-Arbeit vermehrt sich stetig weiter, egal welches Modell dein Team nutzt.

  • Kein Lock-in

    Die Erfahrung deines Teams bleibt unabhängig von einem einzelnen Modell oder Anbieter.

  • Upgrades mit vollem Wissensstand

    Jedes neue Modell beginnt ab seiner ersten Anfrage mit allem, was dein Team bestätigt hat.

  • Das richtige Modell für jede Aufgabe

    Nutze verschiedene Modelle für verschiedene Arbeit, die alle auf dieselbe Erfahrung zurückgreifen.

  • Erfahrung, die dir gehört

    Ergebnisse, Korrekturen, Entscheidungen, Methoden und Pläne sammeln sich in einem Speicher an, der deiner Organisation gehört.

  • Wert, der sich vermehrt

    Jeder Wechsel bewahrt, was das Team aufgebaut hat, sodass der Wert deiner KI-Arbeit weiter wächst.

  • Jede Quelle im Protokoll

    Jede Lektion behält ihre Quelle, sodass das Team sehen kann, worauf sich ein Modell stützt und woher das stammt.

Häufige Fragen.

Was kommt mit, wenn wir das Modell wechseln?

Die bestätigten Ergebnisse, Expertenkorrekturen, Entscheidungen, Methoden, Pläne und der Fortschritt, die dein Team in MS Duplex aufgebaut hat. Ein neues Modell geht von all dem aus, mit jeder Quelle im Protokoll.

Welche Modelle und Agenten können wir nutzen?

Claude, Codex, Cursor und andere Agenten, die MCP sprechen, verbinden sich direkt, und deine eigenen Agenten und Pipelines verbinden sich über die API und das Python SDK. Dein Team kann mehrere gleichzeitig nutzen, die alle auf dieselbe Erfahrung zurückgreifen.

Muss beim Modellwechsel etwas neu trainiert werden?

MS Duplex lernt neben dem Modell und lässt dessen Gewichte, wie sie sind, daher muss beim Modellwechsel nichts neu trainiert werden. Die Erfahrung liegt bereits in MS Duplex, bereit für die erste Anfrage des neuen Modells.

Wem gehört die Erfahrung, die unser Team aufbaut?

Deiner Organisation. Sie gehört dir, egal welches Modell oder welchen Anbieter du nutzt, und deine Regeln entscheiden, welche Menschen und Agenten darauf zugreifen können.

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.