MS DuplexVrijheid om van model te wisselenAlles tonenMinder tonen
Vrijheid om van model te wisselen.
Wissel van model en ga verder waar je was gebleven.
In MS Duplex staat de ervaring die je team opbouwt naast het model, en blijven de gewichten ervan zoals ze zijn. Een nieuw model begint met alles wat je team heeft bevestigd, en het werk gaat verder waar het was gebleven.
Onthouden en beheren · een van de veertien mogelijkheden van MS Duplex


Je team krijgt
- Geen lock-in bij één model of leverancier
- Elke upgrade begint volledig geïnformeerd
- De waarde van je AI-werk blijft zich opstapelen
Wat vrijheid om van model te wisselen betekent voor je team.
Vrijheid om van model te wisselen betekent dat de waarde van je AI-werk bij je team blijft als het model verandert. De bevestigde resultaten, correcties van experts, beslissingen, methoden en plannen die je team opbouwt, staan in MS Duplex, in een opslag die van je organisatie is.
Een model op zichzelf bevat wat het tijdens de training heeft geleerd. Als je het je werk via een trainingsrun aanleert, is dat werk aan één model gebonden, en bij de volgende release begin je opnieuw. MS Duplex bewaart de ervaring in plaats daarvan naast het model, terwijl de gewichten van het model blijven zoals ze zijn, zodat een nieuw model begint met alles wat je team heeft opgebouwd.
Je team kan het model kiezen dat bij elke taak past, overstappen op een nieuwe release wanneer dat het werk uitkomt, en wisselen tussen Claude, Codex, Cursor en andere agents die MCP spreken. De ervaring gaat elke keer mee, met elke bron vastgelegd.
Waarom onderzoek vrijheid nodig heeft om van model te wisselen.
Modellen worden snel beter, en onderzoeksteams willen voor elke taak het beste model. Elke wissel moet behouden wat het team heeft opgebouwd en daaraan toevoegen.
De ervaring van een onderzoeksteam met zijn AI is duur om op te bouwen: de correcties die experts maakten, de methoden die het team verifieerde, de omstandigheden die het met rekenkracht en labtijd bevestigde. Als die ervaring aan één model gebonden is, brengt elke upgrade haar in gevaar, en blijven teams op een ouder model omdat overstappen te veel zou kosten.
Verschillende taken passen bovendien bij verschillende modellen. Het ene model redeneert misschien het best door een lastige analyse, het andere past bij terugkerend werk tegen lagere kosten. Een team moet beide in hetzelfde project kunnen gebruiken, waarbij beide uit dezelfde ervaring putten.
Modellen veranderen vaak
Er komen steeds nieuwe releases, en elke release moet beginnen bij wat je team al weet.
Ervaring is duur om op te bouwen
Elke correctie en elk bevestigd resultaat kostte experttijd, rekenkracht of labtijd, en hoort langer mee te gaan dan welk model ook.
Taken verschillen
Het beste model voor de ene taak kan een ander model zijn dan het beste voor de volgende, en het team moet vrij kunnen kiezen.
Het werk is van jou
Wat je team uit zijn eigen onderzoek heeft geleerd, is van je organisatie, welke leverancier het ook gebruikt.


Hoe modelvrijheid werkt in de dagelijkse praktijk van je team.
Je team werkt met de modellen en agents die bij het werk passen. MS Duplex bewaart de ervaring op één plek waar ze allemaal uit putten.
- 1
Je team werkt
Wetenschappers en engineers gebruiken Claude, Codex, Cursor, een andere agent die MCP spreekt of je eigen agents via de API en de Python SDK.
- 2
De ervaring bouwt zich op
Bevestigde resultaten, correcties, beslissingen, methoden en plannen stapelen zich op in MS Duplex, elk met de bron erbij.
- 3
Het model verandert
Je team stapt over op een nieuwe release, kiest een ander model voor een taak of gaat naar een andere leverancier.
- 4
Het werk gaat door
Het nieuwe model begint bij alles wat je team heeft opgebouwd en pakt het werk op waar het was gebleven.
Een voorbeeld, in elk vakgebied waar een team zijn werk via AI laat lopen.
De agent van een team plant runs en beoordeelt ontwerpen voor een lang project. Halverwege wisselt het team van model, en het werk raakt zijn plek niet kwijt.
- 1
De ervaring groeit
Vroeg in het project corrigeren experts de agent, bevestigen ze verschillende resultaten en keuren ze twee methoden goed. MS Duplex bewaart elk daarvan met het bewijs en de omstandigheden.
- 2
Een nieuwe release
Er komt een nieuwer model uit dat het team wil gebruiken voor zijn lastigste analyses. Het team zet de agent over op dat model.
- 3
Het eerste verzoek
Het eerste verzoek van het nieuwe model put al uit de correcties, de bevestigde resultaten en de goedgekeurde methoden, en volgt het plan vanaf het huidige checkpoint.
- 4
Twee modellen, één project
Het team houdt het eerdere model voor terugkerende screening en gebruikt het nieuwe voor lastige analyses. Beide putten uit dezelfde ervaring, en wat het ene bevestigt, is er ook voor het andere.
Vrijheid om van model te wisselen maakt de rest van de laag blijvend.
Alles wat de andere mogelijkheden leren en bewaren, gaat mee als het model verandert.
Onderzoeksgeheugen over sessies heen
Een nieuw model start bij de actuele stand van het werk: het doel, de beslissingen, de goedgekeurde methoden en de voortgang.
Continu leren
Wat het team bevestigt, wordt naast het model geleerd, zodat elke les meegaat als het model verandert.
Herbruikbare methoden
De methoden die je team heeft geverifieerd, worden ook door het nieuwe model toegepast, en opnieuw geverifieerd waar ze worden gebruikt.
Herkomst, review en afleren
Elke les behoudt zijn bron over de wissel heen, zodat het team kan zien waarop het nieuwe model steunt.
Wat je team krijgt.
De waarde van je AI-werk blijft zich opstapelen, welk model je team ook gebruikt.
Geen lock-in
De ervaring van je team blijft los van welk model of welke leverancier ook.
Volledig geïnformeerde upgrades
Elk nieuw model begint met alles wat je team heeft bevestigd, vanaf het eerste verzoek.
Het juiste model voor elke taak
Gebruik verschillende modellen voor verschillend werk, die allemaal uit dezelfde ervaring putten.
Ervaring die van jou is
Resultaten, correcties, beslissingen, methoden en plannen stapelen zich op in een opslag die van je organisatie is.
Waarde die zich opstapelt
Elke wissel behoudt wat het team heeft opgebouwd, zodat de waarde van je AI-werk blijft groeien.
Elke bron vastgelegd
Elke les behoudt zijn bron, zodat het team kan zien waarop een model steunt en waar dat vandaan komt.
Veelgestelde vragen.
Laat de volgende run profiteren van de vorige.
Breng ons het onderzoek waarin je AI beter moet worden. We plannen een pilot op je eigen workflows, met je experts als beoordelaars.

