Aller au contenu
Advancing Bits to Master Atoms

Liberté de changer de modèle.
Changez de modèle et reprenez là où vous en étiez.

Dans MS Duplex, l’expérience que construit votre équipe réside à côté du modèle, dont les poids restent tels quels. Un nouveau modèle démarre avec tout ce que votre équipe a confirmé, et le travail reprend là où il s’était arrêté.

Mémoriser et encadrer · l’une des quatorze capacités de MS Duplex

Un module central compact bleu cobalt soulevé au-dessus de deux boîtiers argent satiné posés sur un socle en graphite, l’un carré et l’autre hexagonal, chacun doté d’un logement à sa forme.Un module central compact bleu cobalt soulevé au-dessus de deux boîtiers argent satiné posés sur un socle en graphite, l’un carré et l’autre hexagonal, chacun doté d’un logement à sa forme.

Votre équipe obtient

  • Aucune dépendance à un modèle ou à un fournisseur
  • Chaque mise à niveau démarre en pleine connaissance de cause
  • La valeur de votre travail avec l’IA continue de s’accumuler

Ce que la liberté de changer de modèle signifie pour votre équipe.

La liberté de changer de modèle signifie que la valeur de votre travail avec l’IA reste à votre équipe quand le modèle change. Les résultats confirmés, les corrections d’experts, les décisions, les méthodes et les plans que construit votre équipe résident dans MS Duplex, dans un espace de stockage qui appartient à votre organisation.

Un modèle seul ne contient que ce sur quoi il a été entraîné. Lui enseigner votre travail par un entraînement lie ce travail à un seul modèle, et la version suivante repart de zéro. MS Duplex conserve plutôt l’expérience à côté du modèle, en laissant ses poids tels quels, si bien qu’un nouveau modèle démarre avec tout ce que votre équipe a construit.

Votre équipe peut choisir le modèle adapté à chaque tâche, adopter une nouvelle version quand elle convient au travail et passer de l’un à l’autre parmi Claude, Codex, Cursor et les autres agents qui parlent MCP. L’expérience suit à chaque fois, avec chaque source consignée.

Pourquoi la recherche a besoin de la liberté de changer de modèle.

Les modèles progressent vite, et les équipes de recherche veulent le meilleur pour chaque tâche. Chaque changement devrait conserver ce que l’équipe a construit et l’enrichir.

L’expérience d’une équipe de recherche avec son IA coûte cher à construire : les corrections apportées par les experts, les méthodes vérifiées par l’équipe, les conditions confirmées au prix de temps de calcul et de laboratoire. Quand cette expérience est liée à un seul modèle, chaque mise à niveau la met en danger, et les équipes restent sur un modèle plus ancien parce que changer coûterait trop cher.

Les différentes tâches conviennent aussi à des modèles différents. L’un raisonne peut-être mieux sur une analyse difficile, un autre convient peut-être au travail récurrent pour un coût moindre. Une équipe devrait pouvoir utiliser les deux sur le même projet, tous deux s’appuyant sur la même expérience.

  • Les modèles changent souvent

    Les nouvelles versions continuent d’arriver, et chacune devrait partir de ce que votre équipe sait déjà.

  • L’expérience coûte cher à construire

    Chaque correction et chaque résultat confirmé ont coûté du temps d’expert, du calcul ou du temps de laboratoire, et devraient survivre à n’importe quel modèle.

  • Les tâches diffèrent

    Le meilleur modèle pour une tâche peut être un autre que le meilleur pour la suivante, et l’équipe doit être libre de choisir.

  • Le travail vous appartient

    Ce que votre équipe a appris de sa propre recherche appartient à votre organisation, quel que soit le fournisseur qu’elle utilise.

Un bloc de connexion en graphite avec un port bleu cobalt, et devant lui trois fiches argent satiné de formes différentes, chacune avec le même embout de connexion.Un bloc de connexion en graphite avec un port bleu cobalt, et devant lui trois fiches argent satiné de formes différentes, chacune avec le même embout de connexion.

Comment la liberté de changer de modèle s’inscrit dans le quotidien de votre équipe.

Votre équipe travaille avec les modèles et les agents qui conviennent au travail. MS Duplex conserve l’expérience en un seul endroit, dans lequel ils puisent tous.

  1. 1

    Votre équipe travaille

    Les scientifiques et ingénieurs utilisent Claude, Codex, Cursor, un autre agent qui parle MCP ou vos propres agents via l’API et le Python SDK.

  2. 2

    L’expérience s’accumule

    Les résultats confirmés, les corrections, les décisions, les méthodes et les plans s’accumulent dans MS Duplex, chacun avec sa source.

  3. 3

    Le modèle change

    Votre équipe adopte une nouvelle version, choisit un autre modèle pour une tâche ou passe à un autre fournisseur.

  4. 4

    Le travail continue

    Le nouveau modèle part de tout ce que votre équipe a construit et reprend le travail là où il s’était arrêté.

Un exemple, dans tout domaine où une équipe mène son travail avec l’IA.

L’agent d’une équipe planifie des exécutions et évalue des conceptions pour un long projet. En cours de route, l’équipe change de modèle, et le travail reste là où il en était.

  1. 1

    L’expérience se construit

    Au début du projet, les experts corrigent l’agent, confirment plusieurs résultats et approuvent deux méthodes. MS Duplex conserve chacun de ces éléments avec ses preuves et ses conditions.

  2. 2

    Une nouvelle version

    Un modèle plus récent arrive, que l’équipe veut utiliser pour ses analyses les plus difficiles. Elle y bascule l’agent.

  3. 3

    La première requête

    Dès sa première requête, le nouveau modèle s’appuie sur les corrections, les résultats confirmés et les méthodes approuvées, et suit le plan à partir de son point de reprise actuel.

  4. 4

    Deux modèles, un projet

    L’équipe garde l’ancien modèle pour le criblage récurrent et utilise le nouveau pour les analyses difficiles. Tous deux s’appuient sur la même expérience, et ce que l’un confirme est disponible pour l’autre.

La liberté de changer de modèle fait durer le reste de la couche.

Tout ce que les autres capacités apprennent et conservent est ce qui suit quand le modèle change.

  • Mémoire de recherche d’une session à l’autre

    Un nouveau modèle démarre sur l’état actuel du travail : l’objectif, les décisions, les méthodes approuvées et la progression.

  • Apprentissage continu

    Ce que l’équipe confirme est appris à côté du modèle, si bien que chaque leçon est conservée quand le modèle change.

  • Méthodes réutilisables

    Les méthodes vérifiées par votre équipe sont aussi appliquées par le nouveau modèle, et revérifiées là où elles sont utilisées.

  • Provenance, revue et désapprentissage

    Chaque leçon conserve sa source lors du changement, si bien que l’équipe peut voir sur quoi s’appuie le nouveau modèle.

Ce que votre équipe y gagne.

La valeur de votre travail avec l’IA continue de s’accumuler, quel que soit le modèle utilisé par votre équipe.

  • Aucune dépendance

    L’expérience de votre équipe ne dépend d’aucun modèle ni d’aucun fournisseur en particulier.

  • Des mises à niveau en pleine connaissance de cause

    Chaque nouveau modèle démarre avec tout ce que votre équipe a confirmé, dès sa première requête.

  • Le bon modèle pour chaque tâche

    Utilisez des modèles différents pour des travaux différents, tous s’appuyant sur la même expérience.

  • Une expérience qui vous appartient

    Les résultats, les corrections, les décisions, les méthodes et les plans s’accumulent dans un espace de stockage qui appartient à votre organisation.

  • Une valeur qui s’accumule

    Chaque changement conserve ce que l’équipe a construit, si bien que la valeur de votre travail avec l’IA continue de croître.

  • Chaque source consignée

    Chaque leçon conserve sa source, si bien que l’équipe peut voir sur quoi s’appuie n’importe quel modèle et d’où cela vient.

Questions fréquentes.

Qu’est-ce qui est conservé quand nous changeons de modèle ?

Les résultats confirmés, les corrections d’experts, les décisions, les méthodes, les plans et la progression que votre équipe a construits dans MS Duplex. Un nouveau modèle part de tout cela, avec chaque source consignée.

Quels modèles et quels agents pouvons-nous utiliser ?

Claude, Codex, Cursor et les autres agents qui parlent MCP se connectent directement, et vos propres agents et pipelines se connectent via l’API et le Python SDK. Votre équipe peut en utiliser plusieurs à la fois, tous s’appuyant sur la même expérience.

Changer de modèle oblige-t-il à réentraîner quoi que ce soit ?

MS Duplex apprend à côté du modèle et laisse ses poids tels quels : il n’y a donc rien à réentraîner quand le modèle change. L’expérience est déjà dans MS Duplex, prête pour la première requête du nouveau modèle.

À qui appartient l’expérience que construit notre équipe ?

À votre organisation. Elle vous appartient quel que soit le modèle ou le fournisseur que vous utilisez, et vos règles décident quelles personnes et quels agents peuvent y accéder.

Que chaque exécution profite de la précédente.

Apportez-nous la recherche dans laquelle votre IA devrait progresser. Nous planifierons un pilote sur vos propres flux de travail, avec vos experts comme juges.