Hoppa till innehållet
Advancing Bits to Master Atoms
← Alla inlägg

MS Duplex7 min läsning

Byt modell och behåll det som ditt team har lärt sin AI.

Bekräftade resultat, expertkorrigeringar, beslut och metoder kan överleva varje enskild modell. Så behåller MS Duplex den erfarenheten i ett arkiv som din organisation äger, så att ditt team kan välja rätt modell för varje uppgift och ta i bruk nya versioner utan att börja om.

Tre olika formade höljen i satinerat silver, en kort cylinder, ett facetterat block och ett välvt skal, som står på rad på en sockel i grafit, med en smal patron i grafit med koboltblå topp framför det mittersta.Tre olika formade höljen i satinerat silver, en kort cylinder, ett facetterat block och ett välvt skal, som står på rad på en sockel i grafit, med en smal patron i grafit med koboltblå topp framför det mittersta.

Forskningsteam byter modell ofta. En ny release resonerar bättre genom svåra analyser, en annan modell sköter återkommande arbete till lägre kostnad, en grupp går över från en assistent till en annan. Varje byte för med sig något användbart, och varje byte sätter det som teamet har lärt den modell det lämnar på spel.

Det man lär modellen är lätt att underskatta eftersom det byggs upp i det tysta: en korrigering som en expert gjorde en måndag, en metod som två granskare godkände, en driftgräns som bekräftats under en serie körningar. Det här inlägget handlar om var den erfarenheten bör finnas, vad som händer den dag ett team byter och hur du behåller det du har byggt som ditt eget.

Det ditt team bygger upp med sin AI

Varje session med en forskningsagent ger mer än ett svar. En del av det som kommer ut är värt att behålla, eftersom det krävde experttid, beräkningskraft eller labbtid att fastställa. I MS Duplex är det här vad som byggs upp medan ditt team arbetar:

  • Resultat som teamet har bekräftat, vart och ett med de villkor det gäller under
  • Korrigeringar från dina experter, var och en med skälet bakom den
  • Beslut, med de belägg de vilade på
  • Metoder som teamet har verifierat, som agenter återanvänder och anpassar
  • Planer, kontrollpunkter och framsteg i långa kampanjer
  • Vilka verktyg som fungerade för vilken typ av problem

I de flesta uppsättningar försvinner nästan allt detta när en session tar slut. Transkriptionen kanske sparas någonstans, men nästa session börjar inte från den, och nästa modell har inte sett den. I MS Duplex samlas det till en tillgång som din organisation äger, där varje post sparas tillsammans med sin källa, redo för den session, agent eller modell som tar över arbetet härnäst.

Ett block av staplade plattor i satinerat silver med en koboltblå port står stilla medan en grafitkub rör sig bort på ena sidan och en sexkantig grafitmodul anländer på den andra.Ett block av staplade plattor i satinerat silver med en koboltblå port står stilla medan en grafitkub rör sig bort på ena sidan och en sexkantig grafitmodul anländer på den andra.
Ett block av staplade plattor i satinerat silver står still medan en grafitkub rör sig bort på ena sidan och en hexagonal modul kommer in på den andra: erfarenheten stannar på plats medan modellen runt den byts.

Varför erfarenheten bör finnas bredvid modellen

Team förvarar det de har lärt sin AI på några vanliga ställen, och vart och ett har sina användningsområden. Finjustering bygger in kunskap i en modells vikter genom en träningskörning på en förberedd datamängd. Den passar bra för att ändra vad en modell vet över hela linjen. Den kunskap som tillförs tillhör dock den modellen, och när nästa release kommer måste arbetet göras om för den.

Instruktionsfiler och promptbibliotek är lättare att ta med sig, och många team har ett för varje verktyg de använder. De innehåller det någon har skrivit ner, de tenderar att växa med varje modell teamet börjar använda, och någon måste hålla varje kopia i takt med forskningen.

MS Duplex håller erfarenheten bredvid modellen, vars vikter lämnas som de är. Ett bekräftat resultat eller en expertkorrigering lärs in en gång, sparas med sina belägg och sina villkor och erbjuds till den modell som teamet använder. Att byta modell ändrar vad som resonerar över erfarenheten. Själva erfarenheten stannar där den var.

Den uppdelningen spelar störst roll när ett team överväger en uppgradering. När erfarenheten är knuten till en modell har ett team ett skäl att stanna kvar på den även efter att en bättre har kommit, eftersom ett byte skulle kosta det som det tog att bygga upp. När erfarenheten finns bredvid modellen kan ett team bedöma en ny release på dess egna meriter för det arbete som ligger framför det.

Vad som händer den dag du byter

Säg att ett teams agent har planerat körningar och granskat analyser i ett långt projekt. Experter har korrigerat den flera gånger, teamet har godkänt två metoder och planen har nått sin tredje kontrollpunkt. En ny modell kommer som teamet vill använda för sina svåraste analyser. Bytet går till så här.

  1. Teamet byter modellAgenten flyttar till den nya modellen, eller så går teamet över till en annan assistent: Claude, Codex, Cursor, en annan agent som talar MCP eller en egen agent byggd på API och Python SDK. Erfarenheten i MS Duplex påverkas inte av bytet.
  2. Den första begäran hämtar ur det teamet har byggt uppDen nya modellens första begäran har redan korrigeringarna, de bekräftade resultaten och de godkända metoderna inom räckhåll, var och en med sin källa.
  3. Planen fortsätter från sin kontrollpunktMålet, de beslut som fattats hittills och framstegen följer med, så agenten fortsätter från den tredje kontrollpunkten och ingen behöver beskriva projektet på nytt.
  4. Metoder kontrolleras där de användsDen nya modellen tillämpar också de godkända metoderna, och var och en verifieras på nytt där den används. Där ett fall skiljer sig från de villkor som en lärdom bekräftades under säger MS Duplex till.
  5. Nya resultat läggs till samma erfarenhetDet som teamet bekräftar när det arbetar med den nya modellen sparas med sin källa, bredvid allt som kom före, redo för vilken modell teamet än använder härnäst.

Det finns inget att träna om för den nya modellen, eftersom teamets erfarenhet finns i MS Duplex, bredvid modellen. Det arbete teamet gör den dag bytet sker är att välja modell. Erfarenheten följer med, med varje källa registrerad.

Rätt modell för varje uppgift

Frihet att byta betyder också frihet att använda mer än en modell åt gången. Uppgifter skiljer sig åt. En modell kanske resonerar bäst genom en svår analys, en annan kanske passar återkommande arbete till lägre kostnad, och ett team bör vara fritt att använda båda i samma projekt.

När erfarenheten finns i MS Duplex hämtar varje modell ur samma pool. Ett rimligt sätt att dela upp arbetet:

  • Återkommande beslut, som att rekommendera inställningar för nästa körning eller rangordna kandidater mot överenskomna kriterier, på en modell vald för kostnadens skull
  • Svåra analyser och obekanta fall på den modell ditt team litar mest på för noggrant resonerande
  • Granskningar av analyser och designer i den assistent dina granskare föredrar
  • Dina egna agenter och pipelines, via API och Python SDK, var och en på den modell som passar dess uppgift

Det som den ena modellen bekräftar finns där för den andra. En korrigering som en expert gör vid granskning med den ena modellen gäller när den andra modellen möter ett motsvarande fall. En metod som verifierats under svåra analyser blir tillgänglig för återkommande arbete och verifieras på nytt där den används.

Kollegor får samma frihet. De agenter du ger behörighet tar del av samma erfarenhet, så en forskare som föredrar en annan assistent börjar där resten av teamet slutade, och en kollegas agent kan ta över arbete som din påbörjade.

Ett uttagsblock i grafit med en koboltblå port, och framför det tre olika formade kontakter i satinerat silver, var och en med samma anslutningsände.Ett uttagsblock i grafit med en koboltblå port, och framför det tre olika formade kontakter i satinerat silver, var och en med samma anslutningsände.
Ett uttagsblock i grafit med en koboltblå port och tre olika formade kontakter i satinerat silver framför sig, alla med samma anslutningsände: olika modeller för olika uppgifter, en anslutning till samma erfarenhet.

Att behålla det du har byggt som ditt eget

Erfarenheten som ett team bygger upp med MS Duplex tillhör dess organisation, oavsett vilken modell eller leverantör det använder. Den finns i ett arkiv som din organisation äger, och dina regler avgör vilka personer och agenter som kan nå den. Personer och agenter ser bara det som deras behörighet tillåter, och behörigheterna förblir knutna till dina kontroller.

Den förblir organiserad på samma sätt som din organisation. Varje forskare, varje team och organisationen har sitt eget lager: en forskares eller ingenjörs arbetsvanor förblir personliga, det ett team bekräftar delas med det teamet, och det organisationen antar som standard gäller överallt. Dina regler avgör vad som flyttas mellan lagren, och inget av det delas med ett annat företag. Ett modellbyte lämnar allt detta som det var.

Den förblir också kontrollerbar. Varje post behåller sin källa, så när en ny modell ger en rekommendation kan ditt team se vilka lärdomar den byggde på och varifrån var och en kom. Historiken över vad som lärts in, använts och godkänts är signerad och redo att exportera. Om en lärdom visar sig vara fel korrigerar eller tar ditt team bort just den lärdomen, och ändringen gäller för varje modell teamet använder.

Vanliga frågor

Vad börjar en ny modell med?

Allt som ditt team har byggt upp i MS Duplex: bekräftade resultat med sina villkor, expertkorrigeringar med sina skäl, beslut med sina belägg, verifierade metoder, planer och framsteg, och det som teamet har lärt sig om sina verktyg. Varje post behåller sin källa.

Vilka assistenter och agenter kan vi växla mellan?

Claude, Codex, Cursor och andra agenter som talar MCP ansluter direkt, och dina egna agenter och pipelines ansluter via API och Python SDK. Ditt team kan använda flera samtidigt, som alla hämtar ur samma erfarenhet.

Fungerar MS Duplex bredvid en finjusterad modell?

Ja. Den fungerar bredvid såväl en finjusterad modell som en generell, och får vilken som helst av dem att lära sig av ditt arbete. Om ditt team finjusterar en modell för en uppgift finns erfarenheten i MS Duplex där för den och för nästa release.

Vem äger den erfarenhet som vårt team bygger upp?

Din organisation, oavsett vilken modell eller leverantör du använder. Dina regler avgör vilka personer och agenter som kan nå den, och den signerade historiken över vad som lärts in, använts och godkänts kan exporteras.

Byggt av MatterSpace

MatterSpace bygger MS Duplex för forskare, vetenskapare och ingenjörer inom alla fält, så att den AI de redan använder lär sig av varje resultat de bekräftar.

Läs vidare

Låt nästa körning dra nytta av den förra.

Kom till oss med den forskning som din AI borde bli bättre på. Vi planerar en pilot på dina egna arbetsflöden, med dina experter som domare.