Chaque équipe de recherche qui s’appuie sur l’IA rencontre tôt ou tard le même écart. Le modèle est capable, mais il ne sait pas ce que votre équipe a appris la semaine dernière : la limite de fonctionnement qu’un expert a confirmée, le réglage qui a enfin donné un résultat net, la valeur de référence qui a été remplacée. La réponse habituelle consiste à l’entraîner. Rassembler des exemples, faire du fine-tuning, valider la nouvelle version et la déployer.
Cette réponse convient bien à certains problèmes et mal à d’autres. Cet article compare le fine-tuning à la façon dont MS Duplex apprend, pour le type de connaissances qu’une équipe de recherche produit chaque jour, et indique où chacun a sa place.
Ce que le fine-tuning fait bien, et où il atteint ses limites
Le fine-tuning modifie les poids d’un modèle par un cycle d’entraînement sur un jeu de données préparé. Quand il fonctionne, le changement est large. Le modèle suit un format maison, manie un vocabulaire spécialisé avec plus d’aisance ou raisonne avec plus d’habileté sur une famille de problèmes, dans chaque conversation, sans qu’on ait à le lui rappeler.
Cette portée est la raison de le faire. Si votre équipe veut un modèle qui se comporte différemment de manière générale, et que le changement tiendra longtemps, un cycle d’entraînement est un investissement raisonnable. Un modèle fine-tuné reste aussi un modèle comme un autre : votre équipe peut le connecter, l’évaluer et l’encadrer avec les processus dont elle dispose déjà.
La difficulté commence quand les connaissances sont ciblées, nouvelles et encore en évolution. C’est le cas de la plupart de ce qu’apprend une équipe de recherche.
Quand un cycle d’entraînement rencontre le travail de recherche
Les connaissances de recherche arrivent un résultat à la fois. Une mesure revient, un test réussit, un expert rejette une recommandation et explique pourquoi. Chacun de ces éléments est modeste, lié à ses conditions et souvent dépassé au cours de la vie d’un projet. Faire entrer ce flux dans des cycles d’entraînement crée des frictions à chaque étape.
- Regroupement. Une correction seule est trop peu pour un entraînement, elle attend donc que suffisamment d’exemples se soient accumulés pour justifier un cycle. D’ici là, l’expert la répète.
- Préparation. Quelqu’un doit transformer les résultats et les corrections en un jeu de données propre, décider de ce qui y entre et vérifier qu’aucun exemple n’en contredit un autre.
- Effets secondaires. Un nouvel enseignement intégré aux poids par l’entraînement peut éroder ce que le modèle savait déjà, si bien que chaque nouvelle version doit être testée bien au-delà de la modification qu’elle devait apporter.
- Modifications. Si un enseignement se révèle faux, il n’existe pas d’endroit unique où le corriger. Le changer implique un nouveau cycle d’entraînement.
- Traçabilité. Une fois qu’un enseignement est dans les poids, il est difficile de dire quel exemple a appris au modèle un comportement donné.
- Portabilité. Le travail appartient à un seul modèle. Quand un meilleur modèle arrive, l’équipe recommence.
Rien de tout cela ne fait du fine-tuning un mauvais outil. Cela en fait un outil trop grossier pour des connaissances qui évoluent aussi vite que la recherche, où le résultat le plus récent est souvent celui qui compte le plus pour la décision suivante.


Apprendre du prochain résultat confirmé
MS Duplex apprend à côté du modèle, en laissant ses poids tels quels. Il s’intègre à l’IA que votre équipe utilise déjà, qu’il s’agisse de Claude, Codex, Cursor ou d’un autre agent qui parle MCP, ainsi qu’à vos propres agents via son API et son Python SDK. Il apprend des résultats et des corrections que votre équipe choisit de capturer. Un seul résultat confirmé suffit. Il n’y a aucun jeu de données à constituer ni aucun cycle d’entraînement à planifier.
Prenons l’agent d’une équipe qui recommande des paramètres pour la prochaine exécution d’une analyse récurrente. Voici le parcours d’une correction.
- L’agent recommandeIl propose des paramètres pour la prochaine exécution, à l’aide du modèle et des outils dont l’équipe dispose déjà.
- Une experte le corrigeUne scientifique ou un ingénieur rejette la recommandation parce qu’elle ignore une limite de la méthode dans les conditions actuelles, et consigne la raison.
- L’enseignement est conservéMS Duplex conserve la correction avec sa source et les conditions dans lesquelles elle est valable. Tout ce qui a été appris auparavant reste tel quel.
- La requête suivante l’utiliseLa prochaine fois que l’agent recommande des paramètres pour un cas dans ces conditions, il vérifie d’abord la limite. Personne ne réentraîne quoi que ce soit, et l’experte n’a pas à se répéter.
- Les conditions différentes sont signaléesQuand un cas se présente dans d’autres conditions, MS Duplex l’indique au lieu d’appliquer l’enseignement comme si rien n’avait changé, et l’équipe décide.
- Un autre modèle le reprendUn collègue qui travaille avec un autre modèle rencontre un cas apparenté. L’enseignement et sa source sont déjà là, parce qu’ils résident à côté du modèle et non à l’intérieur.
Un succès confirmé suit le même chemin. Quand un résultat prédit par l’agent est confirmé par la mesure, l’approche qui l’a produit devient le premier choix de l’agent pour les cas présentant les mêmes conditions. Quand une valeur confirmée plus récente remplace une plus ancienne, c’est la plus récente qui s’applique, et l’historique de la modification est conservé.
Deux choses diffèrent d’un cycle d’entraînement. L’enseignement est prêt dès la requête suivante, sans rien à regrouper ni à attendre. Et un nouvel enseignement s’ajoute à ce que MS Duplex détient déjà, si bien que l’agent qui a appris la correction de cette semaine connaît toujours les conditions que votre équipe a confirmées il y a des mois.
Changer d’avis, un enseignement à la fois
La recherche se corrige elle-même. Une mesure se révèle provenir d’un montage défectueux. La correction d’un expert n’était valable que dans des conditions plus étroites que celles que quiconque avait consignées. Une équipe doit pouvoir annuler un enseignement aussi facilement qu’elle l’a ajouté.
Dans MS Duplex, chaque enseignement conserve sa source et existe de façon indépendante. Corrigez un enseignement, et seul cet enseignement change. Supprimez-le, et les recommandations qui en dépendaient disparaissent avec lui, tandis que tout le reste demeure. Un enseignement supprimé peut être restauré si l’équipe décide qu’il était juste, finalement.
Cela change la question à laquelle un responsable de recherche doit répondre. Avec un cycle d’entraînement, la question est de savoir si toute une nouvelle version du modèle peut être déployée sans risque. Avec MS Duplex, l’équipe examine les enseignements un par un : ce qui a été appris, à partir de quel résultat, dans quelles conditions et depuis quand. Un relecteur peut voir sur quoi repose une recommandation, et un autre chercheur peut reconstituer une décision à partir du dossier et la vérifier.


Ce qu’ont montré les tests contrôlés
MatterSpace a comparé MS Duplex à un modèle fine-tuné pour la tâche, sur des travaux récurrents, lors de tests contrôlés. MS Duplex a fonctionné sans aucun cycle d’entraînement.
- +16 ptsplus précis qu’un modèle fine-tuné pour la tâche, sur un travail récurrent, sans aucun entraînement
- −89%d’appels au modèle en moins qu’avec le modèle fine-tuné, sur ce même travail
Les deux chiffres proviennent des tests contrôlés de MatterSpace. Le second correspond à ce que fait MS Duplex des décisions courantes. Là où une méthode confirmée par l’équipe s’applique clairement, il tranche directement la décision, souvent sans aucun appel au modèle. Là où les preuves sont minces ou le cas inhabituel, il confie la décision au modèle ou la signale à un chercheur, avec la raison. C’est dans les travaux récurrents que la plupart des décisions se répètent, et c’est donc là qu’apparaissent les économies d’appels au modèle.
Utiliser les deux
La plupart des équipes finiront par utiliser les deux. MS Duplex fonctionne à côté d’un modèle fine-tuné comme d’un modèle généraliste, et fait apprendre l’un comme l’autre de votre travail. Voici une répartition pratique :
- Utilisez le fine-tuning quand vous voulez changer ce qu’un modèle sait ou sa façon de se comporter de manière générale, et que le changement restera valable longtemps.
- Utilisez MS Duplex pour ce que votre équipe confirme au fil du travail : des résultats, des corrections, des décisions et des méthodes valables dans des conditions particulières et susceptibles de changer.
- Distinguez les deux dans vos registres. Un modèle fine-tuné est une version de modèle. Un enseignement dans MS Duplex est un élément doté d’une source, que votre équipe peut examiner, corriger ou supprimer.
- Quand un nouveau modèle arrive, fine-tuné ou généraliste, connectez-le. L’expérience que votre équipe a construite dans MS Duplex le suit.
Pour un responsable de recherche, la question utile est de savoir où chaque type de connaissance doit résider. Les comportements larges et stables relèvent du modèle. Les connaissances que votre équipe produit chaque jour doivent résider là où elles peuvent être apprises dès la requête suivante, rattachées à leur source et modifiées un enseignement à la fois.
Questions fréquentes
MS Duplex modifie-t-il les poids de mon modèle ?
Non. Il apprend à côté du modèle, en laissant ses poids tels quels. C’est pourquoi un enseignement est prêt dès la requête suivante, pourquoi un enseignement peut être corrigé isolément et pourquoi l’expérience demeure lorsque vous changez de modèle.
Pouvons-nous utiliser MS Duplex avec un modèle que nous avons déjà fine-tuné ?
Oui. MS Duplex fonctionne à côté d’un modèle fine-tuné comme d’un modèle généraliste, et fait apprendre l’un comme l’autre des résultats et des corrections que votre équipe confirme.
Les nouveaux enseignements vont-ils éroder ce qu’il a appris auparavant ?
Un nouvel enseignement s’ajoute à ce que MS Duplex détient déjà et laisse le reste tel quel. Lorsqu’un résultat confirmé plus récent en remplace un plus ancien, c’est le plus récent qui s’applique et l’historique est conservé.
Comment savoir s’il fera mieux que le fine-tuning sur notre travail ?
Les chiffres présentés ici proviennent des tests contrôlés de MatterSpace. Un pilote mesure ce que fait MS Duplex sur vos propres flux de travail récurrents, en parallèle de votre configuration actuelle, et il est jugé à l’aveugle par vos experts.


Construit par MatterSpace
MatterSpace construit MS Duplex pour les scientifiques, les chercheurs et les ingénieurs de tous les domaines, afin que l’IA qu’ils utilisent déjà apprenne de chaque résultat qu’ils confirment.









