Hopp til innholdet
Advancing Bits to Master Atoms
← Alle innlegg

MS Duplex7 min lesetid

Bytt modell og behold det teamet ditt har lært KI-en sin.

Bekreftede resultater, ekspertkorreksjoner, beslutninger og metoder kan vare lenger enn en enkelt modell. Slik holder MS Duplex den erfaringen i et lager organisasjonen din eier, så teamet ditt kan velge riktig modell for hver oppgave og ta i bruk nye versjoner uten å starte på nytt.

Tre ulikt formede kabinetter i satinert sølv, en kort sylinder, en fasettert blokk og et buet skall, står på rad på en sokkel i grafitt, med en slank grafittkassett med koboltblå topp foran den midterste.Tre ulikt formede kabinetter i satinert sølv, en kort sylinder, en fasettert blokk og et buet skall, står på rad på en sokkel i grafitt, med en slank grafittkassett med koboltblå topp foran den midterste.

Forskningsteam bytter modell ofte. En ny versjon resonnerer bedre gjennom krevende analyser, en annen modell håndterer gjentakende arbeid til lavere kostnad, en gruppe går over fra én assistent til en annen. Hvert bytte gir noe nyttig, og hvert av dem setter i fare det teamet har lært modellen det forlater.

Den opplæringen er lett å undervurdere, fordi den bygges opp i det stille: en korreksjon en ekspert gjorde en mandag, en metode to fagfeller godkjente, en driftsgrense bekreftet over en serie kjøringer. Dette innlegget handler om hvor den erfaringen bør ligge, hva som skjer den dagen et team bytter, og hvordan du beholder det du har bygget opp, som ditt eget.

Det teamet ditt bygger opp med KI-en sin

Hver økt med en forskningsagent gir mer enn et svar. Noe av det den gir, er verdt å ta vare på, fordi det krevde eksperttid, regnekraft eller laboratorietid å fastslå. I MS Duplex er dette det som bygges opp mens teamet ditt arbeider:

  • Resultater teamet har bekreftet, hvert med betingelsene det holder under
  • Korreksjoner fra ekspertene dine, hver med begrunnelsen bak
  • Beslutninger, med belegget de hvilte på
  • Metoder teamet har verifisert, som agenter gjenbruker og tilpasser
  • Planer, sjekkpunkter og fremdrift i lange kampanjer
  • Hvilke verktøy som fungerte for hvilken type problem

I de fleste oppsett forsvinner nesten alt dette når en økt slutter. Transkriptet kan være lagret et sted, men neste økt starter ikke fra det, og neste modell har ikke sett det. I MS Duplex samler det seg til en ressurs organisasjonen din eier, med hvert element lagret ved siden av kilden sin, klart for den økten, agenten eller modellen som tar opp arbeidet neste gang.

En blokk av stablede plater i satinert sølv med en koboltblå port står fast mens en kube i grafitt beveger seg bort på den ene siden og en sekskantet modul i grafitt kommer inn på den andre.En blokk av stablede plater i satinert sølv med en koboltblå port står fast mens en kube i grafitt beveger seg bort på den ene siden og en sekskantet modul i grafitt kommer inn på den andre.
En blokk av stablede plater i satinert sølv står fast mens en kube i grafitt beveger seg bort på den ene siden og en sekskantet modul kommer inn på den andre: erfaringen blir liggende mens modellen rundt den endres.

Hvorfor erfaringen bør ligge ved siden av modellen

Team oppbevarer det de har lært KI-en sin, på noen få vanlige steder, og hvert av dem har sin nytte. Finjustering bygger kunnskap inn i vektene til én modell gjennom en treningskjøring på et klargjort datasett. Det passer godt til å endre hva en modell vet over hele linjen. Kunnskapen den tilfører, tilhører likevel den modellen, og når neste versjon kommer, må arbeidet gjøres på nytt for den.

Instruksjonsfiler og promptbiblioteker er lettere å ta med seg, og mange team har én for hvert verktøy de bruker. De inneholder det noen har skrevet ned, de har en tendens til å vokse med hver modell teamet tar i bruk, og noen må holde hver kopi i takt med forskningen.

MS Duplex holder erfaringen ved siden av modellen, og modellens vekter forblir som de er. Et bekreftet resultat eller en ekspertkorreksjon læres én gang, lagres med belegget og betingelsene sine og tilbys den modellen teamet bruker. Å bytte modell endrer hva som resonnerer over erfaringen. Selve erfaringen blir liggende der den var.

Det skillet betyr mest når et team vurderer en oppgradering. Når erfaringen er knyttet til én modell, har teamet en grunn til å bli på den etter at en bedre har kommet, fordi et bytte ville koste det det tok å bygge den opp. Når erfaringen ligger ved siden av modellen, kan teamet vurdere en ny versjon på egne premisser for arbeidet det har foran seg.

Hva som skjer den dagen du bytter

Si at agenten til et team har planlagt kjøringer og gått gjennom analyser i et langt prosjekt. Eksperter har korrigert den flere ganger, teamet har godkjent to metoder, og planen har nådd sitt tredje sjekkpunkt. En ny modell kommer som teamet vil bruke til de mest krevende analysene. Byttet går slik for seg.

  1. Teamet bytter modellAgenten flyttes til den nye modellen, eller teamet går over til en annen assistent: Claude, Codex, Cursor, en annen agent som snakker MCP, eller en egen agent bygget på API-et og Python SDK-en. Erfaringen i MS Duplex påvirkes ikke av byttet.
  2. Den første forespørselen henter fra det teamet har bygget oppDen nye modellens første forespørsel har allerede korreksjonene, de bekreftede resultatene og de godkjente metodene innen rekkevidde, hver med kilden sin.
  3. Planen fortsetter fra sjekkpunktet sittMålet, beslutningene som er tatt så langt, og fremdriften følger med, så agenten fortsetter fra det tredje sjekkpunktet, og ingen trenger å forklare prosjektet på nytt.
  4. Metoder kontrolleres der de brukesDen nye modellen bruker også de godkjente metodene, og hver av dem verifiseres på nytt der den brukes. Der et tilfelle avviker fra betingelsene en lærdom ble bekreftet under, sier MS Duplex fra.
  5. Nye resultater går inn i den samme erfaringenDet teamet bekrefter mens det arbeider med den nye modellen, lagres med kilden sin, ved siden av alt som kom før, klart for hvilken som helst modell teamet bruker neste gang.

Det er ingenting å trene på nytt for den nye modellen, fordi teamets erfaring ligger i MS Duplex, ved siden av modellen. Arbeidet teamet gjør den dagen byttet skjer, er å velge modellen. Erfaringen blir med, med hver kilde loggført.

Riktig modell for hver oppgave

Frihet til å bytte betyr også frihet til å bruke mer enn én modell om gangen. Oppgaver er ulike. Én modell kan resonnere best gjennom en vanskelig analyse, en annen kan passe gjentakende arbeid til lavere kostnad, og et team bør stå fritt til å bruke begge i det samme prosjektet.

Når erfaringen ligger i MS Duplex, henter hver modell fra den samme erfaringen. Én fornuftig måte å fordele arbeidet på:

  • Gjentakende beslutninger, som å anbefale innstillinger for neste kjøring eller rangere kandidater etter avtalte kriterier, på en modell valgt ut fra kostnad
  • Krevende analyser og ukjente tilfeller på modellen teamet ditt stoler mest på for grundig resonnering
  • Gjennomganger av analyser og design i den assistenten fagfellene dine foretrekker
  • Dine egne agenter og arbeidsflyter, via API-et og Python SDK-en, hver på modellen som passer jobben

Det den ene modellen bekrefter, er tilgjengelig for den andre. En korreksjon en ekspert gjør under en gjennomgang med én modell, gjelder når den andre modellen møter et tilsvarende tilfelle. En metode som er verifisert under krevende analyser, blir tilgjengelig for gjentakende arbeid, verifisert på nytt der den brukes.

Kolleger får den samme friheten. Agentene du autoriserer, henter den samme erfaringen, så en forsker som foretrekker en annen assistent, starter der resten av teamet slapp, og en kollegas agent kan overta arbeid som din startet.

En kontaktblokk i grafitt med en koboltblå port, og tre ulikt formede plugger i satinert sølv foran den, hver med den samme koblingsenden.En kontaktblokk i grafitt med en koboltblå port, og tre ulikt formede plugger i satinert sølv foran den, hver med den samme koblingsenden.
En kontaktblokk i grafitt med en koboltblå port og tre ulikt formede plugger i satinert sølv foran seg, hver med den samme koblingsenden: ulike modeller for ulike oppgaver, én tilkobling til den samme erfaringen.

Slik forblir det du har bygget, ditt eget

Erfaringen et team bygger opp med MS Duplex, tilhører organisasjonen, uansett hvilken modell eller leverandør det bruker. Den ligger i et lager organisasjonen din eier, og reglene dine avgjør hvilke personer og agenter som kan nå den. Personer og agenter ser bare det omfanget deres tillater, og tillatelsene styres fortsatt av dine kontroller.

Den forblir organisert slik organisasjonen din er. Hver forsker, hvert team og organisasjonen har sitt eget lag: en forskers eller ingeniørs arbeidsvaner forblir personlige, det et team bekrefter, deles med det teamet, og det organisasjonen tar i bruk som standard, gjelder overalt. Reglene dine avgjør hva som flyttes mellom lagene, og ingenting av det deles med et annet selskap. Et modellbytte lar alt dette være som det var.

Den forblir også etterprøvbar. Hvert element beholder kilden sin, så når en ny modell kommer med en anbefaling, kan teamet ditt se hvilke lærdommer den bygde på og hvor hver av dem kom fra. Historikken over hva som ble lært, brukt og godkjent, er signert og klar til eksport. Hvis en lærdom viser seg å være feil, korrigerer eller fjerner teamet ditt den ene lærdommen, og endringen gjelder for hver modell teamet bruker.

Vanlige spørsmål

Hva starter en ny modell med?

Alt teamet ditt har bygget opp i MS Duplex: bekreftede resultater med betingelsene sine, ekspertkorreksjoner med begrunnelsene sine, beslutninger med belegget sitt, verifiserte metoder, planer og fremdrift, og det teamet har lært om verktøyene sine. Hvert element beholder kilden sin.

Hvilke assistenter og agenter kan vi bytte mellom?

Claude, Codex, Cursor og andre agenter som snakker MCP, kobles til direkte, og dine egne agenter og arbeidsflyter kobles til via API-et og Python SDK-en. Teamet ditt kan bruke flere samtidig, og alle henter fra den samme erfaringen.

Fungerer MS Duplex ved siden av en finjustert modell?

Ja. Den fungerer ved siden av en finjustert modell så vel som en generell, og får hver av dem til å lære av arbeidet ditt. Hvis teamet ditt finjusterer en modell for en oppgave, er erfaringen i MS Duplex tilgjengelig for den og for neste versjon.

Hvem eier erfaringen teamet vårt bygger opp?

Det gjør organisasjonen din, uansett hvilken modell eller leverandør du bruker. Reglene dine avgjør hvilke personer og agenter som kan nå den, og den signerte historikken over hva som ble lært, brukt og godkjent, kan eksporteres.

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.

Les videre

La neste kjøring dra nytte av den forrige.

Kom til oss med forskningen KI-en din bør bli bedre på. Vi planlegger en pilot på dine egne arbeidsflyter, med ekspertene dine som dommere.