Duplex a doladění,
vedle sebe.

Doladění a doladění zpětnovazebním učením mění váhy modelu, jeden trénovací běh po druhém. Duplex se učí za běhu, mimo váhy: přečká každou aktualizaci modelu a jakoukoli změnu, kterou se naučil, lze přesně vrátit zpět.

Porovnání je aktuální k 16. říjnu 2026.

Zobrazit všechny schopnosti →Celé porovnání

Všechny schopnosti: Duplex a doladění.

Co dělá každé z nich, skupinu po skupině, od toho, co je, po to, kolik stojí.

Vestavěné: Vestavěné přímo do jádra toho, jak produkt funguje.
Externí: Zajistíte nebo sestavíte si ho zvlášť.
Není vestavěné: Dokumentace produktu to neuvádí jako vestavěnou funkci. Vlastní řešení může být přesto možné.

Schopnost	Duplex	Doladění a RFT
Co je co
Co to je	Inteligence za běhu vedle vaší AI: učí se a jedná pro vaše agenty a asistenty, v rámci vašich pravidel	Přizpůsobení modelu jeho trénováním
Co přenáší dál	Kontext, rozhodnutí, výsledky, pravidla, úkoly, dovednosti a to, co se naučil	Nová sada vah modelu
Co se zkušeností zlepšuje	Jeho další rozhodnutí: jistota, směrování, doporučení, používání nástrojů a znovupoužitelné znalosti	Odpovědi podkladového modelu
Ví, co se stalo, a učí se z toho	VestavěnéVí, co se stalo, a učí se, co příště změnit	Učení bez trvalé provozní paměti
Učení
Kontinuální učení bez přetrénování	VestavěnéUčí se dál, mimo váhy vašeho modelu	NeUčí se trénováním
Přizpůsobení kolo po kole	VestavěnéKaždý nový výsledek může hned změnit další rozhodnutí	Čeká, až skončí trénovací úloha a nový model se nasadí
Učení z oprav	VestavěnéOprava změní, co Duplex udělá dál	Opravy musí jít do trénovací datové sady nebo do pipeline odměn
Učení z výsledků	VestavěnéÚspěch i neúspěch se rovnou promítají do toho, co se učí	VestavěnéKdyž se výsledky dají převést na odměny
Učení z odměn	VestavěnéOdměna posílí, co fungovalo, a opraví, co ne	VestavěnéOdměny optimalizují váhy modelu
Zásluha za kroky, které vedly k výsledku	VestavěnéZjistí, které dřívější akce vedly k pozdějšímu výsledku	Z trénovacích příkladů se může naučit korelace, ale živý výsledek nedokáže dohledat zpět k jeho krokům
Jak akce posouvají práci	VestavěnéUčí se, jak každá akce posouvá práci z jednoho stavu do dalšího	Během trénování může tyto vzorce vstřebat
Předpověď toho, co akce udělá	VestavěnéZ toho, co pozoruje, předvídá, co akce způsobí, zkouší alternativy a plánuje	Implicitně uvnitř natrénovaného modelu, kde to nemůžete upravit
Lepší volba akcí	VestavěnéVýsledky zlepšují, kterou akci zvolí příště	VestavěnéOptimalizací modelu
Znovupoužitelné dovednosti	VestavěnéZe zkušeností se stávají dovednosti, které se před použitím otestují a lze je pozastavit, vrátit do provozu nebo stáhnout	Znalosti se vstřebají do vah, nebalí se jako přenosné dovednosti
Testování a správa dovedností	Dovednost se otestuje dřív, než se na ni spoléhá, a lze ji pozastavit, vrátit do provozu, stáhnout nebo trvale odstranit	Evaluace probíhá kolem trénování a nasazení
Zobecnění na příbuzné případy	Co se naučil, přenese na příbuzné případy i nové formulace a do dovedností, které může znovu použít	Zobecňuje díky natrénovaným vahám
Rozhodování a jednání
Vědět, jak jistý si je	VestavěnéPřed každým rozhodnutím ví, jak známý je případ a jak jistý si je	Jistotu modelu je třeba měřit zvlášť
Odpovědět, předat nebo odmítnout	VestavěnéDuplex odpoví sám, zavolá váš model, použije nástroj nebo odmítne, v rámci vašich pravidel	Natrénovaný model stále běží u každého požadavku
Vyřizovat známou práci sám	VestavěnéZnámá rozhodnutí dělá sám, bez dalšího volání špičkového modelu	Přizpůsobený model stále běží
Předat, co je nové nebo nejisté	Nová, nejistá nebo citlivá práce jde ke správnému modelu, nástroji nebo člověku	ExterníÚkol aplikace
Plánování, simulace a doporučení	VestavěnéPředvídá, co se stane dál, zkouší alternativy, sestavuje plány a doporučuje akce	Model může plánovat lépe, ale stav práce zůstává externí
Mnoho agentů, kteří spolupracují	Posílá práci správnému agentovi, rozděluje ji v rámci vašich pravidel, drží každého agenta v jeho rozsahu a spojuje výsledky	Není vestavěné
Učení, které nástroje fungují	Učí se, které nástroje fungují, kdy je použít a k čemu který vede	Chování nástrojů se může trénováním zlepšit
Akce nástrojů v rámci vašich pravidel	Nástroje běží jen přes vaše pravidla a oprávnění	Externí
Streamování	Streamuje výstup modelů a nástrojů, přičemž každý krok zůstává v rámci vašich pravidel	Závisí na poskytovateli modelu
Práce, která pokračuje
Učení z každého kroku, automaticky	Každý krok, přes MCP + hooks nebo pluginy, živí jednu sdílenou smyčku učení	Pro trénování je nutné dodat logy nebo datové sady
Kontext napříč relacemi	VestavěnéPráce, rozhodnutí, úkoly a kontext, na kterém záleží, pokračují napříč relacemi	Není vestavěné
Dlouhodobá práce	VestavěnéDlouhodobá práce zůstává otevřená napříč relacemi a agenty, s bezpečnými body, ke kterým se lze vrátit, dokud není hotová nebo zapomenutá	Není vestavěné
Napříč modely	VestavěnéTo, co se naučí, i váš kontext zůstávají mimo model a jdou s prací napříč poskytovateli	Slabé: nový základní model obvykle vyžaduje přetrénování nebo nové ověření
Napříč aplikacemi a agenty	Stejná práce pokračuje napříč Claude, Codex, Cursor, Hermes a vašimi vlastními agenty	Není vestavěné
Předání práce jinému agentovi	Úkol i jeho kontext přejdou na jiného agenta, kterého povolíte, připravené pokračovat	Není vestavěné
Udržet kontext kompaktní	Kontext zůstává kompaktní, zaměřený na pravidla, úkoly a rozhodnutí, na kterých záleží	Není vestavěné
Učení z obrázků, zvuku, videa a PDF	Učí se z obrázků, zvuku, videa a PDF stejně jako z textu	Podporováno, když model a trénovací služba dané médium přijímají
Napříč médii	Otázka položená slovy může čerpat z toho, co se naučil z obrázků, zvuku a videa, a média mohou ovlivnit pozdější rozhodnutí	Zakódované do vah, pokud to trénování podporuje
Lidé, týmy a sdílení
Pro každého člověka	VestavěnéKaždý člověk dostane vlastní soukromý kontext, preference a učení	Obvykle vyžaduje zvlášť natrénovaný nebo upravený model
Pro každý tým	VestavěnéTýmy sdílejí schválené učení a soukromá práce zůstává soukromá	Obvykle vyžaduje sdílená trénovací data a sdílený model
Napříč organizací	VestavěnéCo funguje, se může přenést od jednoho člověka k týmu a organizaci, podle vašich pravidel	Vlastní model může zakódovat společné chování pro organizaci
Sdílení mezi lidmi, pod kontrolou	Vy volíte, co se sdílí a s kým, a můžete to odvolat; u všeho sdíleného je vidět, od koho to pochází	Řízení přístupu k datovým sadám a modelům
Ochrana sdíleného obsahu	Co někdo sdílí, přichází jako informace, nikdy jako instrukce, takže to nemůže řídit agenta jiného člověka	Trénovací data potřebují před trénováním vlastní kontroly
Kontrola a důvěra
Pravidla	Vaše pravidla jsou součástí toho, jak Duplex funguje: povolují, odmítají nebo omezují skutečné akce	Chování utváří trénování, ne pravidla platná za běhu
Pravidla uplatněná před každou akcí	VestavěnéHooky každou akci před spuštěním zkontrolují podle vašich pravidel	Externí
Lidé ve smyčce	Člověk potvrzuje akce, které zvolíte, a co se Duplex naučí, lze zkontrolovat a vrátit zpět	Kontrola trénování, evaluace a schválení před nasazením
Historie, kterou si můžete ověřit	Historie každého rozhodnutí, odkud přišlo a co z něj vzešlo, kterou nelze potichu změnit	Trénovací úlohy, datové sady, metriky odměn a verze modelů
Doklady, které můžete ověřit	Rozhodnutí, dovednosti a smazání mohou mít doklady, které můžete ověřit	Evaluace modelů a zprávy z trénování
Přesné vrácení naučeného	VestavěnéJednu naučenou změnu lze přesně vrátit zpět, bez přetrénování čehokoli	Vrátit celou verzi modelu, nebo přetrénovat bez daného vzorku
Zapomínání, které zasáhne vše, co na tom stojí	Odstranění něčeho odstraní i to, co z toho vzešlo: kontext, cokoli z toho sdíleného i související učení	Vyžaduje strojové odučení nebo přetrénování
Oddělení zákazníků	Každý uživatel, tým, organizace i zákazník zůstávají oddělení, v každé integraci i ve všem, co sdílí	Cloudové IAM a hranice přístupu k modelům
Odkud pochází vše naučené	U všeho, co se naučil, vidíte zdroj, rozsah a míru, do jaké se tomu dá věřit	Dohledatelnost datových sad a metadata trénování
Kde běží a s čím se propojuje
Jakýkoli poskytovatel modelů	Jedna inteligence napříč OpenAI, Anthropic, Google, AWS a kompatibilními modely	Obvykle vázané na přizpůsobený model a poskytovatele trénování
MCP	VestavěnéPřes MCP + hooks se Duplex zapojí do každého kroku, který vaši agenti udělají	Není vestavěné
Hooky a pluginy	VestavěnéPluginy pro Claude, Codex, Cursor a Hermes a hooky, které zapojují Duplex v každém kroku a kontrolují citlivé akce nástrojů	Sběr dat je nutné vybudovat zvlášť
Váš cloud, nebo na vlastních serverech	Vareon cloud, váš cloud nebo bez cloudu: privátní cloud, váš vlastní účet, na vlastních serverech nebo odpojené od sítě	Trénování v cloudu a hostovaná inference
Bez cloudu: odpojené od sítě	Postavené pro nasazení, odkud nic nesmí odejít, s lokálními modely, lokálními závislostmi a vaším vlastním poskytovatelem identity	Omezené na služby, které podporují trénování a inferenci offline
Náklady, rychlost a vhodnost
Jak snižuje náklady na model	Na známou práci odpovídá Duplex sám, bez opakovaného volání špičkového modelu	Menší přizpůsobený model může dát kvalitu, kterou potřebujete
Jak snižuje latenci	Rozhodnutí, kterými si je jistý, přijdou rychle; nejistá práce dál jde k vašemu špičkovému modelu	Závisí na přizpůsobeném modelu
Přečká aktualizaci modelu	AnoUčení, kontext, úkoly a pravidla zůstávají mimo jakýkoli jednotlivý model	Přizpůsobení patří k jednomu checkpointu modelu, takže se automaticky nepřenese
Potřeba doladění	NeDoladění se stává volitelným krokem navíc	Ano
Nejlépe se hodí pro	Organizace, které potřebují, aby se jejich AI agenti učili, jednali v rámci pravidel, nesli práci dál a zlepšovali se napříč modely, jako jeden systém	Stabilní úlohy s vysokým objemem, kde se musí specializovat samotný model

Další porovnání.

Ověřte si Duplex na vlastní práci.

Porovnejte ho tam, kde na tom záleží: pilotní projekt nasadí Duplex na vaši vlastní práci, s měřítky dohodnutými před začátkem.

Spustit pilotní projekt →Poznat Duplex

Duplex a doladění,vedle sebe.

Všechny schopnosti: Duplex a doladění.

Další porovnání.

Ověřte si Duplex na vlastní práci.

Duplex a doladění,
vedle sebe.