Duplex og finjustering,
side om side.

Finjustering og forstærkningsbaseret finjustering ændrer en models vægte, én træningskørsel ad gangen. Duplex lærer under kørsel, uden for vægtene: den overlever hver modelopgradering, og enhver ændring, den har lært, kan fortrydes præcist.

Sammenligningen er aktuel pr. 16. oktober 2026.

Se alle evner →Den fulde sammenligning

Alle evner: Duplex og finjustering.

Hvad hver enkelt gør, gruppe for gruppe, fra hvad den er, til hvad den koster.

Indbygget: Bygget ind i kernen af, hvordan produktet fungerer.
Ekstern: Du leverer det, eller samler det, separat.
Ikke indbygget: Produktets dokumentation angiver det ikke som en indbygget funktion. En specialbygget løsning kan stadig være mulig.

Evne	Duplex	Finjustering og RFT
Hvad hver enkelt er
Hvad den er	En runtime-intelligens ved siden af din AI: den lærer og handler for dine agenter og assistenter, inden for dine regler	At tilpasse en model ved at træne den
Hvad den bringer videre	Kontekst, beslutninger, udfald, regler, opgaver, færdigheder og det, den har lært	Et nyt sæt modelvægte
Hvad der bliver bedre med erfaring	Dens næste beslutninger: konfidens, routing, anbefalinger, værktøjsbrug og genbrugelig viden	Den underliggende models svar
At vide, hvad der skete, og lære af det	IndbyggetDen ved, hvad der skete, og lærer, hvad der skal ændres næste gang	Læring uden varig operationel hukommelse
Læring
Kontinuerlig læring uden gentræning	IndbyggetDen bliver ved med at lære, uden for din models vægte	NejTræning er måden, den lærer på
Tilpasning tur for tur	IndbyggetHvert nyt resultat kan ændre den næste beslutning med det samme	Venter, til et træningsjob er færdigt, og den nye model er udrullet
Læring fra rettelser	IndbyggetEn rettelse ændrer, hvad Duplex gør næste gang	Rettelser skal ind i et træningsdatasæt eller en belønningspipeline
Læring fra udfald	IndbyggetSucces og fiasko føres direkte tilbage i det, den lærer	IndbyggetNår udfald kan omsættes til belønninger
Læring fra belønninger	IndbyggetEn belønning styrker det, der virkede, og retter det, der ikke gjorde	IndbyggetBelønninger optimerer modellens vægte
Æren til trinnene bag et resultat	IndbyggetDen finder ud af, hvilke tidligere handlinger der førte til et senere resultat	Kan lære korrelationer fra træningseksempler, men kan ikke spore et resultat i drift tilbage til dets trin
Hvordan handlinger flytter arbejdet	IndbyggetDen lærer, hvordan hver handling flytter arbejdet fra én tilstand til den næste	Kan optage disse mønstre under træning
At forudsige, hvad en handling vil gøre	IndbyggetUd fra det, den observerer, forudsiger den, hvad en handling vil gøre, afprøver alternativer og planlægger	Implicit i den trænede model, hvor du ikke kan redigere det
Bedre valg af handling	IndbyggetUdfald forbedrer, hvilken handling den vælger næste gang	IndbyggetVed at optimere modellen
Genbrugelige færdigheder	IndbyggetErfaring bliver til færdigheder, der testes før brug, og som kan sættes på pause, hentes tilbage eller trækkes tilbage	Viden optages i vægtene og pakkes ikke som flytbare færdigheder
At teste og styre færdigheder	En færdighed testes, før man forlader sig på den, og kan sættes på pause, hentes tilbage, trækkes tilbage eller fjernes for altid	Evaluering sker omkring træning og udrulning
Generalisering til beslægtede tilfælde	Den fører det, den har lært, videre til beslægtede tilfælde og nye formuleringer og ind i færdigheder, den kan genbruge	Generaliserer gennem de trænede vægte
At beslutte og handle
At vide, hvor sikker den er	IndbyggetFør hver beslutning ved den, hvor velkendt sagen er, og hvor sikker den er	Modellens konfidens skal måles separat
Svar, overdrag eller afvis	IndbyggetDuplex svarer selv, kalder din model, bruger et værktøj eller afviser, inden for dine regler	Den trænede model kører stadig ved hver forespørgsel
At svare selv på velkendt arbejde	IndbyggetDen træffer selv velkendte beslutninger uden endnu et kald til en frontiermodel	Den tilpassede model kører stadig
At overdrage det, der er nyt eller usikkert	Nyt, usikkert eller følsomt arbejde går til den rette model, det rette værktøj eller den rette person	EksternApplikationens opgave
Planlægning, simulering og anbefalinger	IndbyggetDen forudsiger, hvad der sker derefter, afprøver alternativer, bygger planer og anbefaler handlinger	Modellen planlægger måske bedre, men arbejdets tilstand forbliver ekstern
Mange agenter, der arbejder sammen	Den sender arbejdet til den rette agent, deler det op inden for dine regler, holder hver agent inden for dens område og samler resultaterne	Ikke indbygget
At lære, hvilke værktøjer der virker	Den lærer, hvilke værktøjer der virker, hvornår de skal bruges, og hvad hvert enkelt fører til	Værktøjsadfærd kan forbedres gennem træning
Værktøjshandlinger inden for dine regler	Værktøjer kører kun gennem dine regler og tilladelser	Ekstern
Streaming	Den streamer output fra model og værktøjer, med hvert trin stadig inden for dine regler	Afhænger af modeludbyderen
Arbejde, der fortsætter
Læring fra hvert trin, automatisk	Hvert trin, gennem MCP + hooks eller plugins, indgår i én fælles læringssløjfe	Logge eller datasæt skal leveres til træningen
Kontekst på tværs af sessioner	IndbyggetArbejde, beslutninger, opgaver og den kontekst, der betyder noget, fortsætter på tværs af sessioner	Ikke indbygget
Langvarigt arbejde	IndbyggetLangt arbejde forbliver åbent på tværs af sessioner og agenter, med sikre punkter at vende tilbage til, indtil det er færdigt eller glemt	Ikke indbygget
På tværs af modeller	IndbyggetDet, den lærer, og din kontekst forbliver uden for modellen og følger arbejdet på tværs af udbydere	Svag: en ny basismodel kræver som regel gentræning eller ny validering
På tværs af apps og agenter	Det samme arbejde fortsætter på tværs af Claude, Codex, Cursor, Hermes og dine egne agenter	Ikke indbygget
At overdrage arbejde til en anden agent	En opgave og dens kontekst går videre til en anden agent, du tillader, klar til at fortsætte	Ikke indbygget
At holde konteksten kompakt	Konteksten forbliver kompakt, fokuseret på de regler, opgaver og beslutninger, der betyder noget	Ikke indbygget
Læring fra billeder, lyd, video og PDF’er	Den lærer af billeder, lyd, video og PDF’er, ligesom den gør af tekst	Understøttet, når modellen og træningstjenesten accepterer formatet
På tværs af formater	Et spørgsmål i ord kan trække på det, der er lært fra billeder, lyd og video, og medier kan forme senere beslutninger	Indkodet i vægtene, når træningen understøtter det
Mennesker, teams og deling
For hver person	IndbyggetHver person får sin egen private kontekst, sine præferencer og sin læring	Kræver som regel en separat trænet eller tilpasset model
For hvert team	IndbyggetTeams deler godkendt læring, og privat arbejde forbliver privat	Kræver som regel delte træningsdata og en delt model
På tværs af organisationen	IndbyggetDet, der virker, kan bevæge sig fra én person til teamet og organisationen, under dine regler	En tilpasset model kan indkode fælles adfærd for organisationen
Deling mellem mennesker, under kontrol	Du vælger, hvad der deles, og med hvem, og kan trække det tilbage; alt delt viser, hvem det kom fra	Adgangskontrol til datasæt og modeller
Beskyttelse af delt indhold	Det, nogen deler, ankommer som information, aldrig som instruktioner, så det ikke kan styre en anden persons agent	Træningsdata kræver deres egen kontrol før træning
Kontrol og tillid
Regler	Dine regler er en del af, hvordan Duplex fungerer: de tillader, afviser eller begrænser reelle handlinger	Adfærden formes af træning, ikke af regler i realtid
Regler anvendt før hver handling	IndbyggetHooks tjekker hver handling mod dine regler, før den kører	Ekstern
Mennesker i processen	En person bekræfter de handlinger, du vælger, og det, Duplex lærer, kan gennemgås og fortrydes	Gennemgang af træningen, evaluering og godkendelse før udrulning
En historik, du kan kontrollere	En historik over hver beslutning, hvor den kom fra, og hvad der kom ud af den, som ikke kan ændres i det stille	Træningsjob, datasæt, belønningsmålinger og modelversioner
Kvitteringer, du kan verificere	Beslutninger, færdigheder og sletninger kan komme med kvitteringer, du kan verificere	Modelevaluering og træningsrapporter
At fortryde det lærte, præcist	IndbyggetÉn lært ændring kan fortrydes præcist, uden at noget skal gentrænes	Rul en hel modelversion tilbage, eller gentræn uden eksemplet
Glemsel, der når alt, hvad der er bygget på det	At fjerne noget fjerner også det, der kom fra det: kontekst, alt delt fra det og relateret læring	Kræver maskinel aflæring eller gentræning
At holde kunder adskilt	Hver bruger, hvert team, hver organisation og hver kunde holdes adskilt, i hver integration og i alt, den deler	Cloud-IAM og grænser for modeladgang
Hvor alt det lærte kom fra	For alt, den lærte, kan du se kilden, omfanget, og hvor langt man kan stole på det	Datasættenes afstamning og træningsmetadata
Hvor den kører og forbinder
Enhver modeludbyder	Én intelligens på tværs af OpenAI, Anthropic, Google, AWS og kompatible modeller	Som regel bundet til den tilpassede model og træningsudbyderen
MCP	IndbyggetGennem MCP + hooks indgår Duplex i hvert trin, dine agenter tager	Ikke indbygget
Hooks og plugins	IndbyggetPlugins til Claude, Codex, Cursor og Hermes og hooks, der henter Duplex ind ved hvert trin og tjekker følsomme værktøjshandlinger	Dataindsamling skal bygges separat
Din cloud, eller selvhostet	Vareon cloud, din cloud eller ingen cloud: privat cloud, din egen konto, selvhostet eller air-gapped	Træning i cloud og hostet inferens
Ingen cloud: air-gapped	Bygget til udrulninger, hvor intet må forlade stedet, med lokale modeller, lokale afhængigheder og din egen identitetsudbyder	Begrænset til tjenester, der understøtter offline træning og inferens
Omkostning, hastighed og egnethed
Hvordan den sænker modelomkostningerne	Duplex besvarer selv velkendt arbejde uden gentagne kald til en frontiermodel	En mindre tilpasset model kan give den kvalitet, du har brug for
Hvordan den sænker latensen	Beslutninger, den er sikker på, kommer hurtigt tilbage; usikkert arbejde går stadig til din frontiermodel	Afhænger af den tilpassede model
Overlever en modelopgradering	JaLæring, kontekst, opgaver og regler forbliver uden for enhver enkelt model	Tilpasningen hører til ét modelcheckpoint, så den følger ikke automatisk med
Kræver finjustering	NejFinjustering bliver et valgfrit ekstra trin	Ja
Bedst til	Organisationer, der har brug for, at deres AI-agenter lærer, handler inden for regler, fører arbejdet videre og bliver bedre på tværs af modeller, som ét system	Stabile opgaver i stor volumen, hvor selve modellen skal specialiseres

De andre sammenligninger.

Se Duplex på dit eget arbejde.

Sammenlign, hvor det tæller: et pilotprojekt sætter Duplex på dit eget arbejde, med målepunkterne aftalt, før det går i gang.

Start et pilotprojekt →Mød Duplex

Duplex og finjustering,side om side.

Alle evner: Duplex og finjustering.

De andre sammenligninger.

Se Duplex på dit eget arbejde.

Duplex og finjustering,
side om side.