Det, Duplex leverer, i tal.
Hvert tal ved siden af det, det slog: modellen alene, en cache, genfinding eller finjustering.
- −90.3%Modelkald, med højere nøjagtighed94.6% nøjagtig mod 59.8% for modellen alene
- 0%Forældede svar efter en regelændringCache og genfinding: 72%
- 6 / 6Test, hvor Duplex slog finjustering+30.3 point i gennemsnit, uden træningskørsel
- 3 / 3Frontier-modeller slået i at forudsige systemændringerPå en offentlig enterprise-benchmark, uden modelkald
Én strøm af 3,000 beslutninger, på tre måder.
Trin 1 af 3: Nøjagtighed
Alle resultater.
90% færre modelkald og mere nøjagtig.
94.6%Nøjagtighed, den højeste i testenModellen alene 59.8% · med en cache 77.3%- −90.3% Modelkald · −84.8% omkostninger · −81.9% latens
- ~23× Hurtigere efter læring · ≈97 ms mod ≈2,231 ms
En strøm af 3,000 beslutninger, hvor reglerne blev ændret fem gange, målt mod frontiermodellen alene og med en semantisk cache; en kørsel med 300 beslutninger tilføjede en cache med genfinding og en vidensgraf. Alle tilgange brugte den samme model.
Mere nøjagtig i alle indstillinger, til en syvendedel af prisen.
94.1 til 94.8%Nøjagtighed for Duplex i hver af otte indstillingerDet bedste, en cache nåede: 77.3%- 84 til 91% På tre nye kørsler med 1,000 beslutninger · Det bedste, en cache nåede: omkring 73%
En strøm af 3,000 beslutninger, hvor hver tilgang blev kørt over hele sit spektrum af indstillinger, derefter tre nye kørsler med 1,000 beslutninger i en anden, uafhængig opstilling.
Bliver ved med at lære uden at glemme, blive forældet eller vokse.
5 / 5Krav til læring i produktion, alle opfyldt i hver kørselCache og genfinding i gennemsnit 2.2 / 5 · online finjustering 4 / 5- 0% Forældede svar efter en politikændring · Cache og genfinding 72%
- Konstant Fodaftryk over tid · Cache og genfinding voksede til ≈1,300 rækker
Ti kørsler med den samme vejledning og det samme input for alle tilgange.
Håndterer nye formuleringer og opdager dobbeltgængerne.
7.5%Forkerte svar på dobbeltgængereEn cache 45.3%, omkring 6× flere- 98.98% Af forespørgslerne håndteret korrekt: besvaret rigtigt eller givet videre til din AI · Duplex besvarede selv 95.78% af de kendte forespørgsler
- 0.996 Score for at skelne velkendt fra nyt, ud af 1 · En cache 0.930
Ti lærte intentioner og seks niveauer af nyhed, fra nøjagtige gentagelser til forespørgsler fra et andet domæne, over ti kørsler.
Planlægger den korteste rute med nul modeltokens.
100%Plansucces i hver kørselEn reaktiv agent: 0% · Duplex brugte ingen modeltokens- 0% En reaktiv grådig agent
- ~204 Tokens pr. Beslutning, en frontier-model bruger for at matche den
En verden i flere trin over ti kørsler, mod en reaktiv agent og en frontier-model, der fik den samme opgave.
Sørger for, at agentopgaver fortsat lykkes, med færre modelkald.
83.3%OpgavesuccesModellen i hver tur: 82.5%- 12.8% Ture fuldført uden modellen · ≈15% færre modelkald
- 100% Succes på nye opgaver
Τ-bench (tau2-bench), detail, af Sierra Research. Det uændrede detailmiljø med den samme model, de samme værktøjer og den samme brugersimulator for alle tilgange, over tre kørsler med fyrre episoder.
En stabil læseomkostning, uanset hvor lang historikken er.
96%Aktuelle svar, hvor en kendsgerning havde ændret sigDen nye kendsgerning, ikke den gamle- 3.7× Mindre læsning pr. Spørgsmål end at læse hele historikken · Ved fyrre sessioners historik
- 84% Nøjagtighed ved fyrre sessioners historik
LongMemEval, af Wu et al., ICLR 2025. Halvtreds spørgsmål, hvert stillet med historikken på 2, 5, 10, 20 og 40 sessioner.
Blokerer hvert angreb og lukker almindeligt arbejde igennem.
0%AngrebssuccesPå tværs af seks familier af omformulerede angreb- 0.7% Falske afvisninger · Det laveste blandt tilgange, der blokerede alle angreb
- 40 / 40 Forgiftede eksempler fjernet · Nøjagtighed inden for 1 point
Seks angrebsfamilier, omformuleret, med harmløse forespørgsler skrevet, så de ligner angrebene.
Lærer en ny færdighed på egen hånd med modellen slået fra.
100%Opgaver fuldført med modellen slået fra, i hver kørselEn frontier-model havde brug for ≈507 kald pr. Kørsel- 0.26 ms For at genbruge en færdighed · Ved 0 modelkald
- 627 Usikre handlinger afvist pr. Kørsel · Og den sikre færdighed blev stadig lært
Fire testsuiter over ti kørsler, hver bedømt efter sin dårligste kørsel.
Slog tre frontier-modeller i at forudsige systemændringer.
0.256Score for forudsigelse af systemændringerGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204- $0 Modeludgifter · 570 forudsigelser med nul kald; 84 på en frontiermodel kostede $13.40
- ~80% Beslutninger besvaret ud fra det, den har lært · Din AI tog resten
World of Workflows, af Skyfall Research / ServiceNow. Tre offline-spor, bedømt af benchmarkforfatternes egen evaluator, over tre kørsler.
Slår finjustering uden en træningskørsel.
6 / 6Test, hvor Duplex slog en finjusteret adapter+30.3 point i gennemsnit- 0 Gentræning for at flytte til en anden modelfamilie · Adapterne flyttede i 0 af 6
- 60 til 79% Besvaret ud fra det, den har lært · På begge modelfamilier
Tre offentlige datasæt med intentioner, to åbne modelfamilier og tre kørsler, med den samme frosne model og de samme data for alle tilgange.
Se det på dit eget arbejde.
Fra din egen assistent til hver agent, din virksomhed kører, sætter et pilotprojekt Duplex på dit eget arbejde, med målepunkterne aftalt, før det går i gang.