Jo lenger den kjører, desto mindre spør den.
Steg 1 av 4: Starten
90% færre modellkall, og høyere nøyaktighet.*
3,000 beslutninger i kundedrift: refusjoner, kontoopplåsinger, kredittgrenser, utbetalinger. Hver har én riktig handling av rundt nitten, eller et avslag, og fem ganger underveis endret selskapet en regel. Alle tilnærminger brukte GPT-5.5; MS Duplex lærte mens det pågikk.
Interne benchmarker. Alle tallene på denne siden kommer fra tester som MatterSpace selv har kjørt, og er ikke uavhengig verifisert. Les ansvarsfraskrivelsen
- 94.6%*Nøyaktighet, den høyeste i testenModellen alene 59.8% · med en cache 77.3%
Nøyaktighet, den høyeste i testen Modellen med MS Duplex 94.6% Modellen med en cache 77.3% Modellen alene 59.8% - −90.3%*Modellkall−84.8% kostnad · −81.9% ventetid
Modellkall på 3,000 beslutninger Modellen med MS Duplex 277 Modellen alene 2,864 - ~23×*Raskere når det er lært≈97 ms mot ≈2,231 ms
Raskere når det er lært En beslutning MS Duplex har lært ≈97 ms Et modellkall ≈2,231 ms
* Tall fra MatterSpaces interne benchmarker, ikke uavhengig verifisert. Les ansvarsfraskrivelsen
3,000 beslutninger, og hvor hver av dem endte.
Besvart av MS Duplex selv, sendt til GPT-5.5 eller avslått.
Steg 1 av 4: Kommer inn
3,000 beslutninger kommer inn: refusjoner, opplåsinger, kredittgrenser og utbetalinger, i mer enn 2,000 formuleringer.*
Hvem ga det nye svaret etter en regelendring.
Per 100 beslutninger som en regelendring hadde berørt.
Steg 1 av 3: Modellen alene
GPT-5.5 kan ikke vite om et selskaps interne regelendring: den ga det gamle svaret 97% av gangene.*
Jo lengre strøm, desto bedre tall.
Det samme arbeidet på en strøm med 300 beslutninger og på en strøm med 3,000 beslutninger.
Steg 1 av 4: Nøyaktighet
MS Duplex var 85.0% nøyaktig på en strøm av 300 beslutninger, og 94.6% nøyaktig på 3,000.*
Regningen, og ventetiden.
GPT-5.5 alene mot GPT-5.5 med MS Duplex, på de samme 3,000 beslutningene.
Steg 1 av 3: Per beslutning
Per 1,000 beslutninger kostet det $0.13 med MS Duplex, og $0.82 med GPT-5.5 alene.*
Slik ble det kjørt.
- Arbeidet
- Beslutninger i kundedrift: refusjoner, kontoopplåsinger, kredittgrenser, utbetalinger, tilgang og eskalering av svindelsaker. Én riktig handling av rundt nitten, eller et avslag.
- Strømmen
- 3,000 beslutninger i mer enn 2,000 formuleringer, 68% av dem formulert på en måte som ikke var sett før, med nye typer forespørsler som kom midtveis.
- Regelendringer
- Fem interne regelendringer, som hver snudde den riktige handlingen for en type forespørsel; 1,073 beslutninger kom etter en endring.
- Tilbakemelding
- Det riktige svaret ble avslørt for omtrent én av ti beslutninger, de samme for alle tilnærminger.
- Modeller
- GPT-5.5, med ekte API-kall, for alle tilnærminger.
- Sammenlignet med
- GPT-5.5 alene, og GPT-5.5 med en semantisk cache på sin beste innstilling; på strømmen med 300 beslutninger også en cache med gjenfinning og en kunnskapsgraf.
- Holdt likt
- Samme modell, tilbakemelding og regler for avslag for alle tilnærminger.
Hva det betyr for arbeidet ditt.
Regningen din krymper etter hvert som den lærer.
MS Duplex besvarte 86% av beslutningene selv: 90% færre modellkall og 85% lavere kostnad.*
En regelendring når hvert svar.
Etter at reglene ble endret, ga MS Duplex det nye svaret i 92.5% av tilfellene; GPT-5.5 alene i 2.3%.*
Den blir bedre med volum.
Fra 300 beslutninger til 3,000 steg nøyaktigheten fra 85.0% til 94.6%, og kostnaden per beslutning falt med to tredjedeler.*
Neste: Mer nøyaktig på hver innstilling, til en sjuendedel av kostnaden.Les det →
Se det på ditt eget arbeid.
Fra din egen assistent til hver agent bedriften din kjører, setter en pilot MS Duplex på ditt eget arbeid, med måltallene avtalt før den starter.