MS DuplexFrihet att byta modellVisa allaVisa färre
Frihet att byta modell.
Byt modell och fortsätt där du slutade.
I MS Duplex finns erfarenheten som ditt team bygger upp bredvid modellen, vars vikter lämnas som de är. En ny modell börjar med allt som ditt team har bekräftat, och arbetet fortsätter där det slutade.
Minnas och styra · en av de fjorton förmågorna i MS Duplex


Ditt team får
- Ingen inlåsning till en enda modell eller leverantör
- Varje uppgradering börjar fullt informerad
- Värdet av ditt AI-arbete fortsätter att växa med ränta på ränta
Vad frihet att byta modell betyder för ditt team.
Frihet att byta modell betyder att värdet av ditt AI-arbete stannar hos ditt team när modellen byts. De bekräftade resultat, expertkorrigeringar, beslut, metoder och planer som ditt team bygger upp finns i MS Duplex, i ett arkiv som din organisation äger.
En modell på egen hand rymmer det den tränades på. Att lära den ditt arbete genom en träningskörning binder det arbetet till en enda modell, och nästa version börjar om. MS Duplex behåller i stället erfarenheten bredvid modellen, vars vikter lämnas som de är, så att en ny modell börjar med allt som ditt team har byggt upp.
Ditt team kan välja den modell som passar varje uppgift, ta i bruk en ny version när det passar arbetet och växla mellan Claude, Codex, Cursor och andra agenter som talar MCP. Erfarenheten följer med varje gång, med varje källa registrerad.
Därför behöver forskning frihet att byta modell.
Modeller blir snabbt bättre, och forskningsteam vill ha den bästa för varje uppgift. Varje byte ska behålla det som teamet har byggt upp och bygga vidare på det.
Ett forskningsteams erfarenhet av sin AI är dyr att bygga upp: korrigeringarna som experterna gjorde, metoderna som teamet verifierade, de förhållanden som det bekräftade genom beräkningar och labbtid. När den erfarenheten är bunden till en enda modell sätter varje uppgradering den på spel, och team stannar kvar på en äldre modell eftersom ett byte skulle kosta för mycket.
Olika uppgifter passar också olika modeller. En kanske resonerar bäst genom en svår analys, en annan kanske passar återkommande arbete till en lägre kostnad. Ett team ska kunna använda båda i samma projekt, där båda hämtar ur samma erfarenhet.
Modeller byts ofta
Nya versioner kommer hela tiden, och var och en ska börja från det som ditt team redan vet.
Erfarenhet är dyr att bygga upp
Varje korrigering och bekräftat resultat har kostat experttid, beräkningar eller labbtid och ska överleva varje enskild modell.
Uppgifter skiljer sig åt
Den bästa modellen för en uppgift kan vara en annan än den bästa för nästa, och teamet ska vara fritt att välja.
Arbetet är ditt
Det som ditt team har lärt sig av sin egen forskning tillhör din organisation, oavsett vilken leverantör det använder.


Så fungerar modellfrihet i ditt teams vardag.
Ditt team arbetar med de modeller och agenter som passar arbetet. MS Duplex samlar erfarenheten på ett ställe som de alla hämtar ur.
- 1
Ditt team arbetar
Forskarna och ingenjörerna använder Claude, Codex, Cursor, en annan agent som talar MCP eller dina egna agenter via API och Python SDK.
- 2
Erfarenheten byggs upp
Bekräftade resultat, korrigeringar, beslut, metoder och planer samlas i MS Duplex, var och en med sin källa.
- 3
Modellen byts
Ditt team tar i bruk en ny version, väljer en annan modell för en uppgift eller går över till en annan leverantör.
- 4
Arbetet fortsätter
Den nya modellen utgår från allt som ditt team har byggt upp och tar upp arbetet där det slutade.
Ett exempel, inom vilket område som helst där ett team driver sitt arbete med AI.
Ett teams agent planerar körningar och utvärderar designer i ett långt projekt. Halvvägs byter teamet modell, och arbetet behåller sin plats.
- 1
Erfarenheten växer
Tidigt i projektet korrigerar experter agenten, bekräftar flera resultat och godkänner två metoder. MS Duplex behåller var och en med sina belägg och förhållanden.
- 2
En ny version
En nyare modell kommer som teamet vill använda för sina svåraste analyser. De flyttar över agenten till den.
- 3
Den första förfrågan
Den nya modellens första förfrågan hämtar redan ur korrigeringarna, de bekräftade resultaten och de godkända metoderna, och följer planen från dess aktuella kontrollpunkt.
- 4
Två modeller, ett projekt
Teamet behåller den tidigare modellen för återkommande screening och använder den nya för svåra analyser. Båda hämtar ur samma erfarenhet, och det som den ena bekräftar finns där för den andra.
Frihet att byta modell gör att resten av lagret består.
Allt som de andra förmågorna lär sig och behåller är det som följer med när modellen byts.
Forskningsminne mellan sessioner
En ny modell börjar i arbetets aktuella läge: målet, besluten, de godkända metoderna och framstegen.
Kontinuerlig inlärning
Det som teamet bekräftar lärs in bredvid modellen, så att varje lärdom följer med när modellen byts.
Återanvändbara metoder
De metoder som ditt team har verifierat tillämpas också av den nya modellen och verifieras på nytt där de används.
Ursprung, granskning och avinlärning
Varje lärdom behåller sin källa genom bytet, så att teamet kan se vad den nya modellen förlitar sig på.
Det här får ditt team.
Värdet av ditt AI-arbete fortsätter att växa med ränta på ränta, oavsett vilken modell ditt team använder.
Ingen inlåsning
Ditt teams erfarenhet förblir oberoende av varje enskild modell eller leverantör.
Fullt informerade uppgraderingar
Varje ny modell börjar med allt som ditt team har bekräftat, från sin första förfrågan.
Rätt modell för varje uppgift
Använd olika modeller för olika arbete, som alla hämtar ur samma erfarenhet.
Erfarenhet som du äger
Resultat, korrigeringar, beslut, metoder och planer samlas i ett arkiv som din organisation äger.
Värde som växer med ränta på ränta
Varje byte behåller det som teamet har byggt upp, så att värdet av ditt AI-arbete fortsätter att växa.
Varje källa registrerad
Varje lärdom behåller sin källa, så att teamet kan se vad en modell förlitar sig på och var det kommer ifrån.
Vanliga frågor.
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.

