Ogni team di ricerca che si affida all’IA prima o poi incontra lo stesso divario. Il modello è capace, ma non sa cosa ha imparato il tuo team la settimana scorsa: il limite operativo confermato da un esperto, l’impostazione che alla fine ha dato un risultato pulito, il valore di riferimento che è stato sostituito. La risposta abituale è addestrarlo. Raccogliere esempi, fare fine-tuning, validare la nuova versione e metterla in produzione.
Questa risposta si adatta bene ad alcuni problemi e male ad altri. Questo articolo confronta il fine-tuning con il modo in cui impara MS Duplex, per il tipo di conoscenza che un team di ricerca produce ogni giorno, e indica dove si colloca ciascuno.
In cosa è bravo il fine-tuning, e dove fatica
Il fine-tuning modifica i pesi di un modello tramite un addestramento su un dataset preparato. Quando funziona, il cambiamento è ampio. Il modello segue un formato interno, gestisce con più scioltezza un vocabolario specialistico o ragiona con più abilità su una famiglia di problemi, in ogni conversazione, senza bisogno di promemoria.
Questa ampiezza è il motivo per farlo. Se il tuo team vuole un modello che si comporti diversamente a tutto campo, e il cambiamento durerà a lungo, un addestramento è un investimento sensato. Un modello con fine-tuning è anche un modello come un altro: il tuo team può collegarlo, valutarlo e governarlo con i processi che ha già.
La difficoltà inizia quando la conoscenza è ristretta, nuova e ancora in evoluzione. È così per la maggior parte di ciò che un team di ricerca impara.
Dove un ciclo di addestramento incontra il lavoro di ricerca
La conoscenza di ricerca arriva un risultato alla volta. Torna una misurazione, un test viene superato, un esperto respinge una raccomandazione e spiega perché. Ognuno di questi elementi è piccolo, legato alle sue condizioni e spesso superato nel corso di un progetto. Far rientrare questo flusso nei cicli di addestramento crea attrito a ogni passo.
- Accumulo in lotti. Una correzione è troppo poco per addestrare, quindi aspetta che si raccolgano abbastanza esempi da giustificare un addestramento. Fino ad allora, l’esperto la ripete.
- Preparazione. Qualcuno deve trasformare risultati e correzioni in un dataset pulito, decidere cosa includere e verificare che nessun esempio ne contraddica un altro.
- Effetti collaterali. Una nuova lezione addestrata nei pesi può erodere ciò che il modello sapeva già, quindi ogni nuova versione va testata ben oltre la modifica che doveva introdurre.
- Modifiche. Se una lezione si rivela sbagliata, non c’è un unico punto in cui correggerla. Cambiarla significa un altro addestramento.
- Tracciabilità. Una volta che una lezione è nei pesi, è difficile dire quale esempio abbia insegnato al modello un dato comportamento.
- Portabilità. Il lavoro appartiene a un solo modello. Quando arriva un modello migliore, il team ricomincia da capo.
Niente di tutto questo rende il fine-tuning un cattivo strumento. Lo rende poco adatto a una conoscenza che cambia alla stessa velocità della ricerca, dove il risultato più recente è spesso quello che conta di più per la decisione successiva.


Imparare dal prossimo risultato confermato
MS Duplex impara accanto al modello, lasciandone invariati i pesi. Si collega all’IA che il tuo team usa già, che si tratti di Claude, Codex, Cursor o di un altro agente compatibile con MCP, e ai tuoi agenti tramite la sua API e il suo Python SDK. Impara dagli esiti e dalle correzioni che il tuo team sceglie di registrare. Basta un solo risultato confermato. Non c’è nessun dataset da assemblare né alcun addestramento da pianificare.
Supponiamo che l’agente di un team raccomandi le impostazioni per la prossima esecuzione di un’analisi ricorrente. Ecco il percorso di una correzione.
- L’agente raccomandaPropone le impostazioni per la prossima esecuzione, usando il modello e gli strumenti che il team ha già.
- Un’esperta lo correggeUna scienziata o un ingegnere respinge la raccomandazione perché ignora un limite del metodo nelle condizioni attuali, e ne registra il motivo.
- La lezione viene conservataMS Duplex conserva la correzione con la sua fonte e le condizioni in cui vale. Tutto ciò che è stato appreso prima resta com’era.
- La richiesta successiva la usaLa prossima volta che l’agente raccomanda impostazioni per un caso in quelle condizioni, controlla prima il limite. Nessuno riaddestra nulla, e l’esperta non deve ripetersi.
- Le condizioni diverse vengono segnalateQuando arriva un caso in condizioni diverse, MS Duplex lo segnala invece di applicare la lezione come se nulla fosse cambiato, e decide il team.
- Un altro modello la riprendeUn collega che lavora con un modello diverso incontra un caso correlato. La lezione e la sua fonte sono già lì, perché risiedono accanto al modello anziché al suo interno.
Un successo confermato segue lo stesso percorso. Quando un risultato previsto dall’agente viene confermato da una misura, l’approccio che lo ha prodotto diventa la prima scelta dell’agente per i casi con le stesse condizioni. Quando un valore confermato più recente sostituisce uno più vecchio, si applica quello più recente e la cronologia della modifica viene conservata.
Due cose sono diverse rispetto a un ciclo di addestramento. La lezione è pronta dalla richiesta successiva, senza nulla da raggruppare o da attendere. E una nuova lezione si aggiunge accanto a ciò che MS Duplex già conserva, così l’agente che ha appreso la correzione di questa settimana conosce ancora le condizioni che il tuo team ha confermato mesi fa.
Cambiare idea, una lezione alla volta
La ricerca rivede se stessa. Una misura si rivela provenire da un apparato difettoso. La correzione di un esperto valeva in condizioni più ristrette di quanto chiunque avesse registrato. Un team deve poter annullare una lezione con la stessa facilità con cui l’ha aggiunta.
In MS Duplex ogni lezione conserva la sua fonte e sta in piedi da sola. Correggi una lezione e cambia solo quella. Rimuovila e le raccomandazioni che ne dipendevano se ne vanno con lei, mentre tutto il resto resta. Una lezione rimossa può essere ripristinata se il team decide che, dopotutto, era giusta.
Questo cambia la domanda a cui deve rispondere un responsabile della ricerca. Con un ciclo di addestramento, la domanda è se un’intera nuova versione del modello sia sicura da mettere in uso. Con MS Duplex, il team esamina le singole lezioni: cosa è stato appreso, da quale risultato, in quali condizioni e da quando. Un revisore può vedere su cosa si basa una raccomandazione, e un altro ricercatore può ricostruire una decisione dalla documentazione e verificarla.


Cosa hanno mostrato i test controllati
MatterSpace ha confrontato MS Duplex con un modello sottoposto a fine-tuning per il compito, sul lavoro ricorrente, in test controllati. MS Duplex ha funzionato senza alcun addestramento.
- +16 puntipiù accurato di un modello sottoposto a fine-tuning per il compito, sul lavoro ricorrente, senza alcun addestramento
- −89%chiamate al modello in meno rispetto al modello sottoposto a fine-tuning, sullo stesso lavoro
Entrambi i valori provengono dai test controllati di MatterSpace. Il secondo corrisponde a ciò che MS Duplex fa con le decisioni di routine. Dove un metodo confermato dal team si applica chiaramente, risolve la decisione direttamente, spesso senza chiamate al modello. Dove le prove sono scarse o il caso non è familiare, passa la decisione al modello o la segnala a un ricercatore, con il motivo. Il lavoro ricorrente è quello in cui si ripete la maggior parte delle decisioni, quindi è lì che emergono i risparmi in chiamate al modello.
Usarli entrambi
La maggior parte dei team finirà per usarli entrambi. MS Duplex lavora accanto a un modello sottoposto a fine-tuning così come accanto a uno generico, e fa imparare l’uno o l’altro dal tuo lavoro. Una ripartizione pratica è questa:
- Usa il fine-tuning quando vuoi cambiare ciò che un modello sa o come si comporta in generale, e il cambiamento resterà valido a lungo.
- Usa MS Duplex per ciò che il tuo team conferma man mano che il lavoro va avanti: risultati, correzioni, decisioni e metodi che valgono in condizioni particolari e possono cambiare.
- Tieni separate le due cose nella tua documentazione. Un modello sottoposto a fine-tuning è una versione del modello. Una lezione in MS Duplex è un elemento con una fonte, che il tuo team può rivedere, correggere o rimuovere.
- Quando arriva un nuovo modello, con fine-tuning o generico, collegalo. L’esperienza che il tuo team ha costruito in MS Duplex ti segue.
Per un responsabile della ricerca, la domanda utile è dove debba risiedere ciascun tipo di conoscenza. Il comportamento ampio e stabile appartiene al modello. La conoscenza che il tuo team produce ogni giorno va tenuta in un luogo dove possa essere appresa dalla richiesta successiva, ricondotta alla sua fonte e modificata una lezione alla volta.
Domande frequenti
MS Duplex modifica i pesi del mio modello?
No. Impara accanto al modello, lasciandone invariati i pesi. Per questo una lezione è pronta dalla richiesta successiva, una singola lezione può essere corretta da sola e l’esperienza resta quando cambi modello.
Possiamo usare MS Duplex con un modello che abbiamo già sottoposto a fine-tuning?
Sì. MS Duplex lavora accanto a un modello sottoposto a fine-tuning così come accanto a uno generico, e fa imparare l’uno o l’altro dai risultati e dalle correzioni che il tuo team conferma.
Le nuove lezioni eroderanno ciò che ha appreso prima?
Una nuova lezione si aggiunge accanto a ciò che MS Duplex già conserva e lascia il resto com’era. Dove un risultato confermato più recente sostituisce uno più vecchio, si applica quello più recente e la cronologia viene conservata.
Come sappiamo che sul nostro lavoro farà meglio del fine-tuning?
I valori riportati qui provengono dai test controllati di MatterSpace. Un progetto pilota misura cosa fa MS Duplex sui tuoi flussi di lavoro ricorrenti, fianco a fianco con la tua configurazione attuale, con il giudizio alla cieca dei tuoi esperti.


Costruito da MatterSpace
MatterSpace costruisce MS Duplex per scienziati, ricercatori e ingegneri di ogni campo, perché l’IA che già usano impari da ogni risultato che confermano.









