Elk onderzoeksteam dat op AI vertrouwt, loopt vroeg of laat tegen dezelfde kloof aan. Het model is capabel, maar het weet niet wat je team vorige week heeft geleerd: de bedrijfsgrens die een expert bevestigde, de instelling die eindelijk een schoon resultaat gaf, de referentiewaarde die werd vervangen. Het gebruikelijke antwoord is het te trainen. Verzamel voorbeelden, finetune, valideer de nieuwe versie en rol die uit.
Dat antwoord past goed bij sommige problemen en slecht bij andere. Dit artikel vergelijkt fine-tuning met de manier waarop MS Duplex leert, voor het soort kennis dat een onderzoeksteam elke dag produceert, en zegt waar elk thuishoort.
Waar fine-tuning goed in is, en waar het knelt
Fine-tuning verandert de gewichten van een model via een trainingsrun op een voorbereide dataset. Als het werkt, is de verandering breed. Het model volgt een huisstijl, gaat vlotter om met een specialistisch vocabulaire of redeneert met meer vaardigheid over een familie van problemen, in elk gesprek, zonder eraan te worden herinnerd.
Die breedte is de reden om het te doen. Als je team een model wil dat zich over de hele linie anders gedraagt, en de verandering lang standhoudt, is een trainingsrun een verstandige investering. Een gefinetuned model is bovendien een model als elk ander: je team kan het koppelen, evalueren en beheren met de processen die het al heeft.
De moeilijkheid begint wanneer de kennis smal, nieuw en nog in beweging is. Dat beschrijft het meeste van wat een onderzoeksteam leert.
Waar een trainingscyclus op onderzoekswerk stuit
Onderzoekskennis komt één resultaat tegelijk binnen. Een meting komt terug, een test slaagt, een expert verwerpt een aanbeveling en zegt waarom. Elk daarvan is klein, gebonden aan zijn omstandigheden en vaak binnen de looptijd van een project achterhaald. Die stroom in trainingscycli passen, zorgt bij elke stap voor frictie.
- Bundelen. Eén correctie is te weinig om op te trainen, dus wacht ze tot er genoeg voorbeelden zijn verzameld om een run te rechtvaardigen. Tot die tijd herhaalt de expert haar.
- Voorbereiding. Iemand moet resultaten en correcties omzetten in een schone dataset, beslissen wat erin komt en controleren dat geen enkel voorbeeld een ander tegenspreekt.
- Bijwerkingen. Een nieuwe les die in de gewichten wordt getraind, kan aantasten wat het model al wist, dus elke nieuwe versie moet worden getest tot ver buiten de wijziging die ze moest aanbrengen.
- Aanpassingen. Als één les onjuist blijkt, is er geen enkele plek om hem te corrigeren. Hem wijzigen betekent nog een trainingsrun.
- Herleidbaarheid. Zodra een les in de gewichten zit, is het moeilijk te zeggen welk voorbeeld het model een bepaald gedrag heeft aangeleerd.
- Overdraagbaarheid. Het werk hoort bij één model. Als er een beter model komt, begint het team opnieuw.
Niets hiervan maakt fine-tuning een slecht instrument. Het past alleen grofweg bij kennis die net zo snel verandert als het onderzoek zelf, waarbij het nieuwste resultaat vaak het meest telt voor de volgende beslissing.


Leren van het volgende bevestigde resultaat
MS Duplex leert naast het model, waarvan de gewichten blijven zoals ze zijn. Het koppelt aan de AI die je team al gebruikt, of dat nu Claude, Codex, Cursor of een andere agent is die MCP spreekt, en via de API en Python SDK aan je eigen agents. Het leert van de uitkomsten en correcties die je team ervoor kiest vast te leggen. Eén bevestigd resultaat is genoeg. Er hoeft geen dataset te worden samengesteld en geen trainingsrun te worden ingepland.
Stel dat de agent van een team instellingen aanbeveelt voor de volgende run van een terugkerende analyse. Zo legt één correctie haar weg af.
- De agent doet een aanbevelingHij stelt instellingen voor de volgende run voor, met het model en de tools die het team al heeft.
- Een expert corrigeert hemEen wetenschapper of engineer wijst de aanbeveling af omdat die een grens van de methode onder de huidige omstandigheden negeert, en legt de reden vast.
- De les wordt bewaardMS Duplex bewaart de correctie met haar bron en de omstandigheden waaronder ze geldt. Alles wat eerder is geleerd, blijft zoals het was.
- Het volgende verzoek maakt er gebruik vanDe volgende keer dat de agent instellingen aanbeveelt voor een geval onder die omstandigheden, controleert hij eerst de grens. Niemand hertraint iets, en de expert hoeft zichzelf niet te herhalen.
- Andere omstandigheden worden gemarkeerdAls er een geval binnenkomt onder andere omstandigheden, meldt MS Duplex dat in plaats van de les toe te passen alsof er niets is veranderd, en beslist het team.
- Een ander model pakt het opEen collega die met een ander model werkt, stuit op een verwant geval. De les en zijn bron zijn er al, omdat ze naast het model staan in plaats van erin.
Een bevestigd succes volgt hetzelfde pad. Als een resultaat dat de agent voorspelde door een meting wordt bevestigd, wordt de aanpak erachter de eerste keuze van de agent voor gevallen met dezelfde omstandigheden. Als een nieuwere bevestigde waarde een oudere vervangt, geldt de nieuwere en blijft de geschiedenis van de wijziging bewaard.
Twee dingen zijn anders dan bij een trainingscyclus. De les is klaar vanaf het volgende verzoek, zonder dat er iets gebundeld of afgewacht hoeft te worden. En een nieuwe les wordt toegevoegd naast wat MS Duplex al bevat, dus de agent die de correctie van deze week heeft geleerd, kent nog steeds de omstandigheden die je team maanden geleden heeft bevestigd.
Van gedachten veranderen, les voor les
Onderzoek herziet zichzelf. Een meting blijkt afkomstig van een defecte opstelling. De correctie van een expert gold onder nauwere omstandigheden dan iemand had vastgelegd. Een team moet een les net zo gemakkelijk ongedaan kunnen maken als het hem heeft toegevoegd.
In MS Duplex behoudt elke les zijn bron en staat hij op zichzelf. Corrigeer een les en alleen die les verandert. Verwijder hem en de aanbevelingen die ervan afhingen, verdwijnen mee, terwijl al het andere blijft. Een verwijderde les kan worden hersteld als het team besluit dat hij toch klopte.
Daarmee verandert de vraag die een onderzoeksleider moet beantwoorden. Bij een trainingscyclus is de vraag of een hele nieuwe modelversie veilig kan worden uitgerold. Met MS Duplex beoordeelt het team afzonderlijke lessen: wat er is geleerd, van welk resultaat, onder welke omstandigheden en sinds wanneer. Een reviewer kan zien waarop een aanbeveling steunt, en een andere onderzoeker kan een beslissing uit het dossier reconstrueren en controleren.


Wat de gecontroleerde tests lieten zien
MatterSpace vergeleek MS Duplex in gecontroleerde tests met een voor de taak gefinetuned model, bij terugkerend werk. MS Duplex draaide helemaal zonder trainingsrun.
- +16 puntennauwkeuriger dan een voor de taak gefinetuned model, bij terugkerend werk, zonder trainingsrun
- −89%minder modelaanroepen dan het gefinetunede model bij datzelfde werk
Beide cijfers komen uit de gecontroleerde tests van MatterSpace. Het tweede past bij wat MS Duplex met routinebeslissingen doet. Waar een methode die het team heeft bevestigd duidelijk van toepassing is, neemt het de beslissing direct, vaak zonder modelaanroep. Waar het bewijs mager is of het geval onbekend, draagt het de beslissing over aan het model of markeert het die voor een onderzoeker, met de reden erbij. Bij terugkerend werk herhalen de meeste beslissingen zich, dus daar wordt de besparing op modelaanroepen zichtbaar.
Beide gebruiken
De meeste teams zullen uiteindelijk beide gebruiken. MS Duplex werkt naast een gefinetuned model net zo goed als naast een algemeen model, en laat elk van beide leren van je werk. Een praktische verdeling ziet er zo uit:
- Gebruik fine-tuning als je wilt veranderen wat een model weet of hoe het zich over de hele linie gedraagt, en de verandering lange tijd blijft gelden.
- Gebruik MS Duplex voor wat je team bevestigt terwijl het werk vordert: resultaten, correcties, beslissingen en methoden die onder bepaalde omstandigheden gelden en kunnen veranderen.
- Houd de twee gescheiden in je registratie. Een gefinetuned model is een modelversie. Een les in MS Duplex is een item met een bron, dat je team kan beoordelen, corrigeren of verwijderen.
- Als er een nieuw model komt, gefinetuned of algemeen, koppel het dan. De ervaring die je team in MS Duplex heeft opgebouwd, gaat mee.
Voor een onderzoeksleider is de nuttige vraag waar elk soort kennis thuishoort. Breed, stabiel gedrag hoort in het model. De kennis die je team elke dag produceert, hoort op een plek waar ze vanaf het volgende verzoek kan worden geleerd, naar haar bron kan worden herleid en les voor les kan worden gewijzigd.
Veelgestelde vragen
Verandert MS Duplex de gewichten van mijn model?
Nee. Het leert naast het model, waarvan de gewichten blijven zoals ze zijn. Daarom is een les klaar vanaf het volgende verzoek, kan één les afzonderlijk worden gecorrigeerd en blijft de ervaring behouden als je van model wisselt.
Kunnen we MS Duplex gebruiken met een model dat we al hebben gefinetuned?
Ja. MS Duplex werkt naast een gefinetuned model net zo goed als naast een algemeen model, en laat elk van beide leren van de resultaten en correcties die je team bevestigt.
Tasten nieuwe lessen aan wat het eerder heeft geleerd?
Een nieuwe les wordt toegevoegd naast wat MS Duplex al bevat en laat de rest zoals die was. Waar een nieuwer bevestigd resultaat een ouder vervangt, geldt het nieuwere en blijft de geschiedenis bewaard.
Hoe weten we dat het bij ons werk beter zal presteren dan fine-tuning?
De cijfers hier komen uit de gecontroleerde tests van MatterSpace. Een pilot meet wat MS Duplex doet bij je eigen terugkerende workflows, naast je huidige opzet, blind beoordeeld door je experts.


Gebouwd door MatterSpace
MatterSpace bouwt MS Duplex voor wetenschappers, onderzoekers en ingenieurs in elk vakgebied, zodat de AI die ze al gebruiken leert van elk resultaat dat ze bevestigen.









