Vad MS Duplex levererar, i siffror.

• −90.3%*Modellanrop, med högre träffsäkerhet94.6% träffsäkerhet, mot 59.8% för modellen ensam

  Modellanrop på 3,000 beslut

  Modellen med MS Duplex277

  Modellen ensam2,864

  0Lägre är bättre

  Modellanrop på 3,000 beslut

  Modellen med MS Duplex	277
  Modellen ensam	2,864

• 0%*Inaktuella svar efter en regeländringCache och hämtning: 72%
  MS Duplex0%

  Cache och hämtning72%

  0Lägre är bättre100%

  Inaktuella svar efter en regeländring

  MS Duplex	0%
  Cache och hämtning	72%

• 6 / 6*Tester där MS Duplex slog finjustering+30.3 procentenheter i snitt, utan träningskörning
• 3 / 3*Spetsmodeller slagna i att förutsäga systemändringarI ett offentligt benchmarktest för företagssystem, utan modellanrop

  Poäng för förutsägelse av systemändringar

  MS Duplex0.256

  Gemini 3 Pro0.205

  Claude Sonnet 4.50.204

  GPT-5.10.166

  01

  Poäng för förutsägelse av systemändringar

  MS Duplex	0.256
  Gemini 3 Pro	0.205
  Claude Sonnet 4.5	0.204
  GPT-5.1	0.166

* Siffror från MatterSpaces interna benchmarktester, inte oberoende verifierade. Läs ansvarsfriskrivningen

Alla resultat.

* Siffror från MatterSpaces interna benchmarktester, inte oberoende verifierade. Läs ansvarsfriskrivningen

• 90% färre modellanrop, och mer träffsäker.*

  94.6%*Träffsäkerhet, den högsta i testetModellen ensam 59.8% · med en cache 77.3%

  Modellen med MS Duplex94.6%

  Modellen med en cache77.3%

  Modellen ensam59.8%

  0100%

  Träffsäkerhet, den högsta i testet

  Modellen med MS Duplex	94.6%
  Modellen med en cache	77.3%
  Modellen ensam	59.8%

  • −90.3% Modellanrop · −84.8% kostnad · −81.9% latens*
  • ~23× Snabbare efter inlärning · ≈97 ms mot ≈2,231 ms*

  Ett flöde av 3,000 beslut där reglerna ändrades fem gånger, mot spetsmodellen ensam och med en semantisk cache; en körning med 300 beslut lade till en cache med hämtning och en kunskapsgraf. Varje metod använde samma modell.

  Se hela resultatet →Lär sig och avlär →

• Mer träffsäker i varje inställning, till en sjundedel av kostnaden.

  94.1 till 94.8%*Träffsäkerhet för MS Duplex, i var och en av åtta inställningarDet bästa en cache nådde: 77.3%

  MS Duplex94.1 till 94.8%

  Det bästa en cache nådde77.3%

  0100%

  Träffsäkerhet för MS Duplex, i var och en av åtta inställningar

  MS Duplex	94.1 till 94.8%
  Det bästa en cache nådde	77.3%

  • 84 till 91% I tre nya körningar med 1,000 beslut · Det bästa en cache nådde: ungefär 73%*

  Ett flöde med 3,000 beslut där varje metod kördes över hela sitt spann av inställningar, sedan tre nya körningar med 1,000 beslut i en andra, oberoende testuppställning.

  Se hela resultatet →Beslutar om den ska svara, lämna över eller avböja →

• Fortsätter att lära sig utan att glömma, bli inaktuell eller växa.

  5 / 5*Krav för inlärning i produktion, alla uppfyllda i varje körningCache och hämtning i snitt 2.2 / 5 · finjustering online 4 / 5

  MS Duplex5 / 5

  Löpande finjustering4 / 5

  Cache och hämtning2.2 / 5

  05

  Krav för inlärning i produktion, alla uppfyllda i varje körning

  MS Duplex	5 / 5
  Löpande finjustering	4 / 5
  Cache och hämtning	2.2 / 5

  • 0% Inaktuella svar efter en policyändring · Cache och hämtning 72%*
  • Konstant Fotavtryck över tid · Cache och hämtning växte till ≈1,300 rader*

  Tio körningar, med samma övervakning och samma indata för alla metoder.

  Se hela resultatet →Förblir snabb och stabil när den växer →

• Hanterar nya formuleringar, och upptäcker de snarlika fallen.

  7.5%*Felaktiga svar på snarlika förfrågningarEn cache 45.3%, ungefär 6× fler

  MS Duplex7.5%

  En cache45.3%

  0Lägre är bättre100%

  Felaktiga svar på snarlika förfrågningar

  MS Duplex	7.5%
  En cache	45.3%

  • 98.98% Av förfrågningarna hanterades korrekt: rätt besvarade eller lämnade till din AI · MS Duplex besvarade 95.78% av kända förfrågningar själv*
  • 0.996 Poäng för att skilja välbekant från nytt, av 1 · En cache 0.930*

  Tio inlärda avsikter och sex nivåer av nyhet, från exakta upprepningar till förfrågningar från en annan domän, över tio körningar.

  Se hela resultatet →Hanterar fall den aldrig har sett →

• Planerar den kortaste vägen, med noll modelltokens.

  100%*Lyckade planer, i varje körningEn reaktiv agent: 0% · MS Duplex använde inga modelltokens

  MS Duplex100%

  En reaktiv agent0%

  0100%

  Lyckade planer, i varje körning

  MS Duplex	100%
  En reaktiv agent	0%

  • 0% En reaktiv, girig agent*
  • ~204 Tokens per beslut som en spetsmodell förbrukar för att matcha den*

  En värld i flera steg över tio körningar, mot en reaktiv agent och en spetsmodell som fick samma uppgift.

  Se hela resultatet →Ser vad en handling kommer att göra →

• Får agentuppgifter att fortsätta lyckas, med färre modellanrop.

  83.3%*UppgiftsframgångModellen vid varje replik: 82.5%

  MS Duplex83.3%

  Modellen på varje tur82.5%

  0100%

  Uppgiftsframgång

  MS Duplex	83.3%
  Modellen på varje tur	82.5%

  • 12.8% Repliker slutförda utan modellen · ≈15% färre modellanrop*
  • 100% Lyckade nya uppgifter*

  Τ-bench (tau2-bench), detaljhandel, av Sierra Research. Den oförändrade detaljhandelsmiljön, med samma modell, verktyg och användarsimulator för alla metoder, över tre körningar med fyrtio episoder.

  Se hela resultatet →Kör modell- och verktygsanrop enligt dina regler →

• En jämn läskostnad, hur lång historiken än är.

  96%*Aktuella svar där ett faktum hade ändratsDet nya faktumet, inte det gamla0100%
  • 3.7× Mindre läsning per fråga än att läsa hela historiken · Vid fyrtio sessioners historik*
  • 84% Träffsäkerhet vid fyrtio sessioners historik*

  LongMemEval, av Wu et al., ICLR 2025. Femtio frågor, var och en ställd med historiken på 2, 5, 10, 20 och 40 sessioner.

  Se hela resultatet →Ger varje steg rätt historik →

• Blockerar varje attack, och släpper igenom vanligt arbete.

  0%*Lyckade attackerI sex familjer av omformulerade attacker
  • 0.7% Felaktiga avslag · Lägst av alla metoder som stoppade varje attack*
  • 40 / 40 Förgiftade exempel borttagna · Noggrannhet åter inom 1 poäng*

  Sex attackfamiljer, omformulerade, med ofarliga förfrågningar skrivna för att likna attackerna.

  Se hela resultatet →Dina regler kommer först →

• Lär sig en ny färdighet på egen hand, med modellen avstängd.

  100%*Uppgifter slutförda med modellen avstängd, i varje körningEn spetsmodell behövde ≈507 anrop per körning
  • 0.26 ms För att återanvända en färdighet · Med 0 modellanrop*
  • 627 Osäkra åtgärder nekade per körning · Och den säkra färdigheten lärdes ändå in*

  Fyra testsviter över tio körningar, var och en bedömd efter sin sämsta körning.

  Se hela resultatet →Lär sig nya färdigheter på egen hand →

• Slog tre spetsmodeller i att förutsäga systemändringar.

  0.256*Poäng för förutsägelse av systemändringarGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204

  MS Duplex0.256

  Gemini 3 Pro0.205

  Claude Sonnet 4.50.204

  GPT-5.10.166

  01

  Poäng för förutsägelse av systemändringar

  MS Duplex	0.256
  Gemini 3 Pro	0.205
  Claude Sonnet 4.5	0.204
  GPT-5.1	0.166

  • $0 Modellkostnad · 570 förutsägelser med noll anrop; 84 på en spetsmodell kostade $13.40*
  • ~80% Beslut som besvarades utifrån det den har lärt sig · Din AI tog resten*

  World of Workflows, av Skyfall Research / ServiceNow. Tre offlinespår, poängsatta av benchmarkförfattarnas egen utvärderare, över tre körningar.

  Se hela resultatet →Ser vad en handling kommer att göra →

• Slår finjustering, utan träningskörning.

  6 / 6*Tester där MS Duplex slog en finjusterad adapter+30.3 procentenheter i snitt
  • 0 Omträning för att flytta till en annan modellfamilj · Adaptrarna gick att flytta i 0 av 6*
  • 60 till 79% Besvarat utifrån det den lärt sig · På båda modellfamiljerna*

  Tre offentliga dataset för avsiktsklassificering, två öppna modellfamiljer och tre körningar, med samma frysta modell och data för alla metoder.

  Se hela resultatet →Anpassar din modell utan omträning →