Saltar al contenido
Advancing Bits to Master Atoms
← Todos los artículos

MS Duplex7 min de lectura

Cambia de modelo y conserva lo que tu equipo enseñó a su IA.

Los resultados confirmados, las correcciones de expertos, las decisiones y los métodos pueden durar más que cualquier modelo concreto. Cómo conserva MS Duplex esa experiencia en un almacén que es propiedad de tu organización, para que tu equipo pueda elegir el modelo adecuado para cada tarea y adoptar nuevas versiones sin empezar de cero.

Tres carcasas de plata satinada de formas distintas, un cilindro corto, un bloque facetado y una cubierta curva, en fila sobre un pedestal de grafito, con un cartucho estrecho de grafito rematado en azul cobalto delante de la del centro.Tres carcasas de plata satinada de formas distintas, un cilindro corto, un bloque facetado y una cubierta curva, en fila sobre un pedestal de grafito, con un cartucho estrecho de grafito rematado en azul cobalto delante de la del centro.

Los equipos de investigación cambian de modelo a menudo. Una nueva versión razona mejor en los análisis difíciles, otro modelo se encarga del trabajo recurrente con un coste menor, un grupo pasa de un asistente a otro. Cada cambio aporta algo útil, y cada uno pone en riesgo lo que el equipo le enseñó al modelo que deja.

Es fácil subestimar esa enseñanza, porque se acumula sin hacer ruido: una corrección que hizo un experto un lunes, un método que aprobaron dos revisores, un límite de operación confirmado a lo largo de una serie de ejecuciones. Este artículo trata de dónde debería vivir esa experiencia, qué pasa el día en que un equipo cambia de modelo y cómo conservar como tuyo lo que has construido.

Lo que tu equipo construye con su IA

Cada sesión con un agente de investigación produce algo más que una respuesta. Parte de lo que produce merece conservarse, porque establecerlo costó tiempo de expertos, cómputo o tiempo de laboratorio. En MS Duplex, esto es lo que se va acumulando mientras tu equipo trabaja:

  • Resultados que el equipo confirmó, cada uno con las condiciones en las que se cumple
  • Correcciones de tus expertos, cada una con el motivo que la respalda
  • Decisiones, con la evidencia en la que se basaron
  • Métodos que el equipo verificó, que los agentes reutilizan y adaptan
  • Planes, puntos de control y progreso de las campañas largas
  • Qué herramientas funcionaron para qué tipo de problema

En la mayoría de las configuraciones, casi todo eso desaparece cuando termina una sesión. Puede que la transcripción se guarde en algún sitio, pero la siguiente sesión no parte de ella y el siguiente modelo no la ha visto. En MS Duplex se acumula en un activo que es propiedad de tu organización, con cada elemento guardado junto a su fuente, listo para la sesión, el agente o el modelo que retome el trabajo a continuación.

Un bloque de plata satinada formado por placas apiladas, con un puerto azul cobalto, permanece fijo mientras un cubo de grafito se aleja por un lado y un módulo hexagonal de grafito llega por el otro.Un bloque de plata satinada formado por placas apiladas, con un puerto azul cobalto, permanece fijo mientras un cubo de grafito se aleja por un lado y un módulo hexagonal de grafito llega por el otro.
Un bloque de plata satinada formado por placas apiladas permanece fijo mientras un cubo de grafito se aleja por un lado y un módulo hexagonal llega por el otro: la experiencia se queda en su sitio mientras cambia el modelo que la rodea.

Por qué la experiencia debería estar junto al modelo

Los equipos guardan lo que le han enseñado a su IA en unos pocos lugares habituales, y cada uno tiene su utilidad. El fine-tuning incorpora conocimiento a los pesos de un modelo mediante una ejecución de entrenamiento con un conjunto de datos preparado. Encaja bien para cambiar lo que sabe un modelo de forma general. Sin embargo, el conocimiento que añade pertenece a ese modelo, y cuando llega la siguiente versión, hay que volver a hacer el trabajo para ella.

Los archivos de instrucciones y las bibliotecas de prompts se trasladan con más facilidad, y muchos equipos mantienen uno para cada herramienta que usan. Contienen lo que alguien dejó por escrito, suelen crecer con cada modelo que adopta el equipo, y alguien tiene que mantener cada copia al día con la investigación.

MS Duplex guarda la experiencia junto al modelo, dejando los pesos del modelo tal como están. Un resultado confirmado o una corrección de un experto se aprende una vez, se guarda con su evidencia y sus condiciones, y se ofrece al modelo que esté usando el equipo. Cambiar de modelo cambia lo que razona sobre la experiencia. La experiencia en sí se queda donde estaba.

Esa separación importa sobre todo cuando un equipo está valorando una actualización. Cuando la experiencia está ligada a un modelo, el equipo tiene un motivo para quedarse en él aunque llegue uno mejor, porque cambiar le costaría lo que llevó construirla. Cuando la experiencia vive junto al modelo, el equipo puede juzgar una nueva versión por sus méritos para el trabajo que tiene delante.

Qué pasa el día en que cambias de modelo

Imagina que el agente de un equipo lleva tiempo planificando ejecuciones y revisando análisis en un proyecto largo. Los expertos lo han corregido varias veces, el equipo ha aprobado dos métodos y el plan ha llegado a su tercer punto de control. Llega un modelo nuevo que el equipo quiere para sus análisis más difíciles. El cambio se desarrolla así.

  1. El equipo cambia de modeloEl agente pasa al modelo nuevo, o el equipo pasa a otro asistente: Claude, Codex, Cursor, otro agente que hable MCP o su propio agente creado con la API y el Python SDK. El cambio no toca la experiencia que hay en MS Duplex.
  2. La primera solicitud parte de lo que construyó el equipoLa primera solicitud del modelo nuevo ya tiene a su alcance las correcciones, los resultados confirmados y los métodos aprobados, cada uno con su fuente.
  3. El plan sigue desde su punto de controlEl objetivo, las decisiones tomadas hasta ahora y el progreso se mantienen, así que el agente continúa desde el tercer punto de control y nadie tiene que volver a explicar el proyecto.
  4. Los métodos se comprueban donde se usanEl modelo nuevo también aplica los métodos aprobados, y cada uno se vuelve a verificar donde se usa. Donde un caso difiere de las condiciones en las que se confirmó una lección, MS Duplex lo indica.
  5. Los nuevos resultados se suman a la misma experienciaLo que el equipo confirma mientras trabaja con el modelo nuevo se guarda con su fuente, junto a todo lo anterior, listo para cualquier modelo que use el equipo después.

No hay nada que reentrenar para el modelo nuevo, porque la experiencia del equipo vive en MS Duplex, junto al modelo. El trabajo que hace el equipo el día del cambio es elegir el modelo. La experiencia viene con él, con cada fuente registrada.

El modelo adecuado para cada tarea

La libertad para cambiar también significa libertad para usar más de un modelo a la vez. Las tareas son distintas. Un modelo puede razonar mejor en un análisis difícil, otro puede encajar mejor en el trabajo recurrente con un coste menor, y un equipo debería poder usar ambos en el mismo proyecto.

Cuando la experiencia está en MS Duplex, todos los modelos parten del mismo fondo. Una forma sensata de repartir el trabajo:

  • Las decisiones recurrentes, como recomendar los ajustes de la siguiente ejecución u ordenar candidatos según criterios acordados, en un modelo elegido por su coste
  • Los análisis difíciles y los casos desconocidos en el modelo en el que tu equipo más confía para razonar con cuidado
  • Las revisiones de análisis y diseños en el asistente que prefieran tus revisores
  • Tus propios agentes y pipelines, a través de la API y el Python SDK, cada uno en el modelo que encaja con su tarea

Lo que confirma cualquiera de los modelos está ahí para el otro. Una corrección que hace un experto mientras revisa con un modelo se aplica cuando el otro modelo se encuentra con un caso coincidente. Un método verificado durante los análisis difíciles pasa a estar disponible para el trabajo recurrente, y se vuelve a verificar donde se usa.

Tus compañeros obtienen la misma libertad. Los agentes que autorizas parten de la misma experiencia, así que un investigador que prefiere otro asistente empieza donde lo dejó el resto del equipo, y el agente de un compañero puede hacerse cargo del trabajo que empezó el tuyo.

Un bloque de conexión de grafito con un puerto azul cobalto y, delante, tres conectores de plata satinada de formas distintas, cada uno con el mismo extremo de conexión.Un bloque de conexión de grafito con un puerto azul cobalto y, delante, tres conectores de plata satinada de formas distintas, cada uno con el mismo extremo de conexión.
Un bloque de enchufe de grafito con un puerto azul cobalto y, delante, tres clavijas de plata satinada con formas distintas, cada una con el mismo extremo de conexión: distintos modelos para distintas tareas, una sola conexión con la misma experiencia.

Conservar como tuyo lo que has construido

La experiencia que un equipo construye con MS Duplex pertenece a su organización, sea cual sea el modelo o el proveedor que use. Está en un almacén que es propiedad de tu organización, y tus reglas deciden qué personas y qué agentes pueden acceder a ella. Las personas y los agentes solo ven lo que permite su ámbito, y los permisos siguen bajo tus controles.

Se mantiene organizada como lo está tu organización. Cada investigador, cada equipo y la organización tienen su propia capa: los hábitos de trabajo de un científico o ingeniero siguen siendo personales, lo que confirma un equipo se comparte con ese equipo y lo que la organización adopta como estándar se aplica en todas partes. Tus reglas deciden qué pasa de una capa a otra, y nada de ello se comparte con otra empresa. Cambiar de modelo deja todo eso como estaba.

También se puede comprobar. Cada elemento conserva su fuente, así que cuando un modelo nuevo hace una recomendación, tu equipo puede ver en qué lecciones se basó y de dónde viene cada una. El historial de lo que se aprendió, se usó y se aprobó está firmado y listo para exportarse. Si una lección resulta ser errónea, tu equipo corrige o elimina esa lección concreta, y el cambio se mantiene en todos los modelos que use el equipo.

Preguntas frecuentes

¿Con qué empieza un modelo nuevo?

Con todo lo que tu equipo ha construido en MS Duplex: resultados confirmados con sus condiciones, correcciones de expertos con sus motivos, decisiones con su evidencia, métodos verificados, planes y progreso, y lo que el equipo aprendió sobre sus herramientas. Cada elemento conserva su fuente.

¿Entre qué asistentes y agentes podemos movernos?

Claude, Codex, Cursor y otros agentes que hablen MCP se conectan directamente, y tus propios agentes y pipelines se conectan a través de la API y el Python SDK. Tu equipo puede usar varios a la vez, todos a partir de la misma experiencia.

¿Funciona MS Duplex junto a un modelo con fine-tuning?

Sí. Funciona junto a un modelo con fine-tuning igual que junto a uno general, y hace que cualquiera de los dos aprenda de tu trabajo. Si tu equipo hace fine-tuning de un modelo para una tarea, la experiencia que hay en MS Duplex está ahí para él y para la siguiente versión.

¿De quién es la experiencia que construye nuestro equipo?

Tu organización, sea cual sea el modelo o el proveedor que uses. Tus reglas deciden qué personas y qué agentes pueden acceder a ella, y el historial firmado de lo que se aprendió, se usó y se aprobó se puede exportar.

Construido por MatterSpace

MatterSpace construye MS Duplex para científicos, investigadores e ingenieros de cualquier campo, para que la IA que ya usan aprenda de cada resultado que confirman.

Sigue leyendo

Haz que la próxima ejecución aproveche la anterior.

Tráenos la investigación en la que tu IA debería mejorar. Planificaremos un piloto con tus propios flujos de trabajo, con tus expertos como jueces.