Et forskningsteam lærer KI-en sin noe hver uke. En ekspert forklarer hvorfor en metode svikter utenfor en kjent grense. En kjøring bekrefter hvilke innstillinger som fungerte. En ny kalibrering erstatter en gammel referanseverdi. I de fleste oppsett blir ingenting av dette sittende. Neste økt starter fra det modellen visste den dagen treningen dens ble avsluttet, og teamet betaler for den samme lærdommen på nytt.
I dag presenterer MatterSpace MS Duplex: selvforbedrende agenter for forsknings- og ingeniørteam. MS Duplex kobles til KI-en forskerne og ingeniørene dine allerede bruker, og får den til å lære mens du jobber. Hvert bekreftede resultat, hver ekspertkorreksjon og hver beslutning blir erfaring agentene dine bruker på nytt, så hver kjøring starter der den forrige sluttet.
Hva MS Duplex er, og hvem den er for
MS Duplex er det selvforbedrende laget i et teams vitenskapelige KI. Den ligger ved siden av modellene og agentene du allerede kjører, med vektene deres uendret. Når en test blir bestått, en måling kommer tilbake eller en ekspert godkjenner en konklusjon, lærer MS Duplex av det og bruker lærdommen fra neste forespørsel, der betingelsene passer.
Det er også der et teams KI-arbeid bygges opp. Bekreftede resultater med betingelsene sine, korreksjoner med begrunnelsene sine, beslutninger med belegget de bygde på, verifiserte metoder, planer og fremdrift i lange kampanjer, og hvilke verktøy som fungerte for hvilket problem: alt samler seg i et lager organisasjonen din eier. Bytt modell, agent eller leverandør, så fortsetter teamet der det slapp.


MS Duplex er utformet og utviklet for vitenskapsfolk, ingeniører og forskere, og den fungerer i alle fagfelt. Overalt der et team kjører eksperimenter, simuleringer, analyser eller designgjennomganger med KI, er sløyfen den samme. Agenten jobber gjennom verktøyene dine. En test, en måling eller en ekspert bekrefter resultatet, eller korrigerer det og sier hvorfor. MS Duplex tar vare på utfallet med belegget. Neste tilsvarende tilfelle, i hvilken som helst økt, agent eller modell, starter fra det.
Den er bygd for menneskene som bærer det arbeidet:
- Ledere innen forskning og ingeniørarbeid som vil at det teamet lærer, skal bli hos teamet, uansett hvilken modell det kjører neste gang.
- Ledere for beregningsbasert forskning som vil ha færre gjentatte kjøringer og beslutninger en annen forsker kan gjenskape fra loggen.
- Lab- og plattformansvarlige som trenger at teamets regler blir anvendt, og at de riktige godkjenningene er gitt, før et kostbart steg starter.
- Forskere og ingeniører som helst vil forklare et prosjekt, og en korreksjon, for KI-en sin én gang.
Fjorten funksjoner i tre grupper
I MS Duplex virker kontinuerlig læring, selvforbedring, langsiktig planlegging og forskningsminne som ett lag, organisert rundt teamets mål. Det er fjorten funksjoner i tre grupper, og hver av dem gjør de andre sterkere.
Lære og forbedre
- Kontinuerlig læring: lærer av hvert bekreftede resultat fra neste forespørsel, og bevarer det den har lært tidligere.
- Selvforbedring: det som fungerte, blir det første agentene dine prøver, og det som feilet, slutter å bli foreslått.
- Gjenbrukbare metoder: en verifisert prosedyre brukes direkte på neste lignende tilfelle, og tilpasses og foreslås for kontroll på beslektede tilfeller.
- Læring av årsak og virkning: tar vare på hvilken handling som førte til hvilket utfall, under hvilke betingelser, og sier fra når en sammenheng ennå ikke er etablert.
- Verktøylæring: lærer hvilket verktøy, hvilken innstilling eller hvilken metode som fungerte godt på hvilken type problem.
Planlegge og beslutte
- Langsiktig planlegging: kampanjer som går over dager eller uker, forblir én jobb, med plan, sjekkpunkter og fremdrift.
- Simulering før handling: spiller alternativene fremover før regnekraft eller labtid brukes, og legger tidlig til side dem som ikke kan nå målet.
- Løse nye problemer: setter sammen en tilnærming til et nytt tilfelle ut fra det teamet har bekreftet, og kontrollerer den før noen stoler på den.
- Beslutninger som kjenner sine grenser: avgjør det belegget støtter, og overlater resten til modellen din eller en forsker, med begrunnelsen.
Huske og styre
- Forskningsminne: hver økt starter fra arbeidets nåværende tilstand.
- Frihet til å bytte modell: en ny modell starter med alt teamet ditt har bygd opp.
- Lag for person, team og organisasjon: hvert lag har sin egen erfaring, og reglene dine avgjør hva som flyttes mellom dem.
- Regler og godkjenninger: reglene dine kommer først, og stegene du velger, venter på en person.
- Opphav, gjennomgang og avlæring: hver lærdom beholder kilden sin, og hver enkelt kan korrigeres eller fjernes for seg.
Gruppene støtter seg på hverandre. Et resultat som bekreftes på mandag, blir en metode. Metoden går inn i planen for en lang kampanje. Forskningsminnet bærer planen inn i neste økt, reglene avgjør hvilke steg som venter på en person, og opphavet viser hvor hver del av den kom fra.
- +16 poengmer presis enn en modell finjustert for oppgaven, på gjentakende arbeid, uten noen treningskjøring
- −89%færre modellkall enn den finjusterte modellen på det samme arbeidet
- 0 av 8 640svar om et endret faktum oppga den utdaterte verdien
Alle tre tallene kommer fra MatterSpaces kontrollerte tester. De to første sammenligner MS Duplex med en modell finjustert for oppgaven, på det samme gjentakende arbeidet. Det tredje teller svar gitt etter at et faktum var endret, der KI-en måtte bruke den nyere verdien. Finjustering har fortsatt sin plass når du vil endre hva en modell vet over hele linjen, og MS Duplex fungerer ved siden av både en finjustert og en generell modell.
Den kobles til KI-en teamet ditt allerede bruker
Forskerne og ingeniørene beholder KI-en de kjenner. MS Duplex kobles til Claude, Codex, Cursor og andre agenter som snakker MCP, den åpne standarden for å gi KI-agenter verktøy. Team som bygger egne forskningsagenter og arbeidsflyter, legger til MS Duplex via API og Python SDK, med den samme læringen bak hver av dem.
Det finnes to måter å koble til på. Med en standardtilkobling kaller agenten din MS Duplex for å hente relevant erfaring, følge planen og registrere utfallene du tillater. Det er den raskeste måten å komme i gang på. I støttede miljøer med hooks sender en styrt tilkobling stegene du velger, gjennom MS Duplex, så reglene dine gjelder før en kostbar simulering eller kjøring starter.


Modellene, verktøyene og dataene dine forblir dine. Agentene når fortsatt simulatorer, analysekode, databaser og instrumenter gjennom sine egne tilkoblinger. MS Duplex lærer av utfallene og ekspertkorreksjonene teamet ditt velger å registrere, og reglene dine avgjør hva som deles mellom en forsker, et team og organisasjonen. Ingenting av det deles med et annet selskap.
Si at en forsker eller ingeniør korrigerer en agents rangering av kandidater fordi metoden den brukte, svikter utenfor en kjent driftsgrense, og noterer hvorfor. To dager senere møter agenten til en kollega, på en annen modell, et beslektet tilfelle. MS Duplex henter frem korreksjonen med kilden og viser hvilken antakelse som har endret seg. Ingen måtte legge til en linje i en notatfil eller forklare grensen en gang til.
Ett læringslag for alle fagområder
MS Duplex er MatterSpaces læringslag for all slags vitenskapelig arbeid og ingeniørarbeid. Det den lærer av, er felles for forskning i alle fagfelt: metoder, beslutninger, betingelsene et resultat gjelder under og utfallene som fulgte. Hvert teams erfaring forblir dets egen, i egne lag og under egne regler.
Slik kommer du i gang: en pilot på ditt eget arbeid
Den rettferdige testen av en KI som hevder å lære, er arbeidet teamet ditt gjør igjen og igjen. En pilot kjører på dine egne arbeidsflyter, ved siden av oppsettet du har i dag, og ekspertene dine er dommerne.
- Velg arbeidetVelg gjentakende forskningsarbeidsflyter der beslutninger gjentas og en feil eller unødvendig kjøring er dyr: anbefaling av innstillinger for neste kjøring, rangering av kandidater, gjennomgang av analyser.
- Avtal målestokkenBli enige om det med ekspertene dine før noe kjøres: kostnaden for hvert akseptert, reproduserbart resultat, og eksperttiden det krever.
- Kjør det side om sideSamme modell, verktøy, data og budsjett, med og uten MS Duplex, og med en styrt tilkobling der det passer.
- Vurder det blindtEkspertene dine gir resultatene poeng uten å vite hvilket oppsett som produserte dem.
Hvor MS Duplex kjører og hvordan dataene dine håndteres, avtales med sikkerhets- og dataansvarlige hos dere fra første samtale. Erfaringen en pilot bygger opp, tilhører organisasjonen din, med hver lærdom og kilden dens loggført, slik at teamet ditt kan gå gjennom, korrigere eller fjerne den.
Vanlige spørsmål
Endrer MS Duplex modellen vår?
Den lar modellens vekter være som de er. MS Duplex lærer ved siden av modellen, og det er derfor en lærdom er klar fra neste forespørsel, derfor én lærdom kan korrigeres for seg, og derfor erfaringen blir med når du bytter modell.
Hva lærer den av?
Fra utfallene og ekspertkorreksjonene teamet ditt velger å fange opp: en bestått test, en måling, en godkjent konklusjon, en korreksjon med begrunnelsen. Hver lærdom beholder kilden sin og betingelsene den holder under.
Er MS Duplex knyttet til ett vitenskapelig fagfelt?
Nei. Det fungerer i alle fagområder der et team forsker eller utvikler med KI.
Hvem eier det den lærer?
Organisasjonen din. Erfaringen ligger i et lager organisasjonen din eier, styrt av reglene dine og ikke delt med noe annet selskap. Teamet ditt kan inspisere en hvilken som helst lærdom, korrigere den, fjerne den eller gjenopprette den.


Bygget av MatterSpace
MatterSpace bygger MS Duplex for forskere, vitenskapsfolk og ingeniører i alle fagfelt, slik at AI-en de allerede bruker lærer av hvert resultat de bekrefter.









