Duplex und Fine-Tuning,
nebeneinander.
Fine-Tuning und Reinforcement Fine-Tuning ändern die Gewichte eines Modells, einen Trainingslauf nach dem anderen. Duplex lernt zur Laufzeit, außerhalb der Gewichte: Es übersteht jedes Modell-Upgrade, und jede gelernte Änderung lässt sich exakt rückgängig machen.
Vergleich auf dem Stand vom 16. Oktober 2026.
Alle Fähigkeiten: Duplex und Fine-Tuning.
Was jedes tut, Gruppe für Gruppe, von dem, was es ist, bis zu dem, was es kostet.
- Nativ
- Fest in die grundlegende Funktionsweise des Produkts eingebaut.
- Extern
- Du stellst es separat bereit oder baust es selbst zusammen.
- Nicht nativ
- Die Dokumentation des Produkts führt es nicht als eingebaute Funktion. Eine eigene Lösung kann trotzdem möglich sein.
| Fähigkeit | Duplex | Fine-Tuning und RFT |
|---|---|---|
| Was sie jeweils sind | ||
| Was es ist | Eine Laufzeit-Intelligenz neben deiner KI: Sie lernt und handelt für deine Agenten und Assistenten, im Rahmen deiner Regeln | Ein Modell durch Training anpassen |
| Was es weiterträgt | Kontext, Entscheidungen, Ergebnisse, Regeln, Aufgaben, Skills und das, was es gelernt hat | Ein neuer Satz Modellgewichte |
| Was mit Erfahrung besser wird | Seine nächsten Entscheidungen: Konfidenz, Routing, Empfehlungen, Werkzeugnutzung und wiederverwendbares Wissen | Die Antworten des zugrunde liegenden Modells |
| Wissen, was geschah, und daraus lernen | NativEs weiß, was geschah, und lernt, was als Nächstes zu ändern ist | Lernen ohne dauerhaftes operatives Gedächtnis |
| Lernen | ||
| Kontinuierliches Lernen ohne Neutraining | NativEs lernt weiter, außerhalb der Gewichte deines Modells | NeinEs lernt durch Training |
| Anpassung von Runde zu Runde | NativJedes neue Ergebnis kann die nächste Entscheidung sofort ändern | Wartet, bis ein Trainingsjob fertig und das neue Modell bereitgestellt ist |
| Lernen aus Korrekturen | NativEine Korrektur ändert, was Duplex als Nächstes tut | Korrekturen müssen in einen Trainingsdatensatz oder eine Belohnungs-Pipeline fließen |
| Lernen aus Ergebnissen | NativErfolg und Misserfolg fließen direkt in das ein, was es lernt | NativWenn sich Ergebnisse in Belohnungen umwandeln lassen |
| Lernen aus Belohnungen | NativEine Belohnung stärkt, was funktioniert hat, und korrigiert, was nicht funktioniert hat | NativBelohnungen optimieren die Gewichte des Modells |
| Verdienst für die Schritte hinter einem Ergebnis | NativEs ermittelt, welche früheren Aktionen zu einem späteren Ergebnis geführt haben | Kann Korrelationen aus Trainingsbeispielen lernen, aber ein Live-Ergebnis nicht auf seine Schritte zurückführen |
| Wie Aktionen die Arbeit voranbringen | NativEs lernt, wie jede Aktion die Arbeit von einem Zustand in den nächsten bringt | Kann diese Muster im Training aufnehmen |
| Vorhersagen, was eine Aktion bewirkt | NativAus dem, was es beobachtet, sagt es voraus, was eine Aktion bewirkt, probiert Alternativen und plant | Implizit im trainierten Modell, wo du es nicht bearbeiten kannst |
| Bessere Wahl der Aktionen | NativErgebnisse verbessern, welche Aktion es als Nächstes wählt | NativDurch Optimierung des Modells |
| Wiederverwendbare Fertigkeiten | NativErfahrung wird zu Skills, die vor dem Einsatz getestet werden und sich pausieren, zurückholen oder zurückziehen lassen | Wissen geht in die Gewichte ein, statt als übertragbare Skills verpackt zu werden |
| Skills testen und verwalten | Ein Skill wird getestet, bevor man sich auf ihn verlässt, und lässt sich pausieren, zurückholen, zurückziehen oder endgültig entfernen | Evaluation findet rund um Training und Bereitstellung statt |
| Verallgemeinern auf verwandte Fälle | Es überträgt, was es gelernt hat, auf verwandte Fälle und neue Formulierungen und in Skills, die es wiederverwenden kann | Verallgemeinert über die trainierten Gewichte |
| Entscheiden und Handeln | ||
| Wissen, wie sicher es ist | NativVor jeder Entscheidung weiß es, wie bekannt der Fall ist und wie sicher es ist | Die Konfidenz des Modells muss separat gemessen werden |
| Antworten, übergeben oder ablehnen | NativDuplex antwortet selbst, ruft dein Modell auf, nutzt ein Werkzeug oder lehnt ab, im Rahmen deiner Regeln | Das trainierte Modell läuft weiterhin bei jeder Anfrage |
| Bekannte Arbeit selbst beantworten | NativEs trifft bekannte Entscheidungen selbst, ohne weiteren Aufruf eines Spitzenmodells | Das angepasste Modell läuft weiterhin |
| Übergeben, was neu oder unsicher ist | Neue, unsichere oder sensible Arbeit geht an das richtige Modell, das richtige Werkzeug oder die richtige Person | ExternAufgabe der Anwendung |
| Planung, Simulation und Empfehlungen | NativEs sagt voraus, was als Nächstes passiert, probiert Alternativen, erstellt Pläne und empfiehlt Aktionen | Das Modell plant vielleicht besser, aber der Stand der Arbeit bleibt extern |
| Viele Agenten, die zusammenarbeiten | Es schickt Arbeit an den richtigen Agenten, teilt sie im Rahmen deiner Regeln auf, hält jeden Agenten in seinem Bereich und führt die Ergebnisse zusammen | Nicht nativ |
| Lernen, welche Werkzeuge funktionieren | Es lernt, welche Werkzeuge funktionieren, wann es sie einsetzt und wozu jedes führt | Das Werkzeugverhalten kann sich durch Training verbessern |
| Werkzeugaktionen im Rahmen deiner Regeln | Werkzeuge laufen nur über deine Regeln und Rechte | Extern |
| Streaming | Es streamt Modell- und Werkzeugausgaben, und jeder Schritt bleibt im Rahmen deiner Regeln | Hängt vom Modellanbieter ab |
| Arbeit, die weitergeht | ||
| Lernen aus jedem Schritt, automatisch | Jeder Schritt, über MCP + Hooks oder die Plugins, speist einen gemeinsamen Lernkreislauf | Logs oder Datensätze müssen fürs Training geliefert werden |
| Kontext über Sitzungen hinweg | NativArbeit, Entscheidungen, Aufgaben und der wichtige Kontext gehen über Sitzungen hinweg weiter | Nicht nativ |
| Lang laufende Arbeit | NativLange Arbeit bleibt über Sitzungen und Agenten hinweg offen, mit Sicherungspunkten zum Zurückkehren, bis sie erledigt oder vergessen ist | Nicht nativ |
| Über Modelle hinweg | NativWas es lernt, und dein Kontext bleiben außerhalb des Modells und folgen der Arbeit über Anbieter hinweg | Schwach: Ein neues Basismodell braucht meist Neutraining oder eine neue Validierung |
| Über Apps und Agenten hinweg | Dieselbe Arbeit geht über Claude, Codex, Cursor, Hermes und deine eigenen Agenten hinweg weiter | Nicht nativ |
| Arbeit an einen anderen Agenten übergeben | Eine Aufgabe und ihr Kontext gehen an einen anderen Agenten, den du zulässt, bereit zum Weitermachen | Nicht nativ |
| Kontext kompakt halten | Der Kontext bleibt kompakt, konzentriert auf die Regeln, Aufgaben und Entscheidungen, auf die es ankommt | Nicht nativ |
| Lernen aus Bildern, Audio, Video und PDFs | Es lernt aus Bildern, Audio, Video und PDFs, so wie aus Text | Unterstützt, wenn Modell und Trainingsdienst das Medium akzeptieren |
| Über Medien hinweg | Eine Frage in Worten kann auf das zurückgreifen, was aus Bildern, Audio und Video gelernt wurde, und Medien können spätere Entscheidungen prägen | In Gewichte kodiert, wenn das Training es unterstützt |
| Personen, Teams und Teilen | ||
| Für jede Person | NativJede Person bekommt ihren eigenen privaten Kontext, ihre Vorlieben und ihr Lernen | Braucht meist ein separat trainiertes oder angepasstes Modell |
| Für jedes Team | NativTeams teilen freigegebenes Lernen, und private Arbeit bleibt privat | Braucht meist gemeinsame Trainingsdaten und ein gemeinsames Modell |
| In der ganzen Organisation | NativWas funktioniert, kann von einer Person ins Team und in die Organisation wandern, nach deinen Regeln | Ein eigenes Modell kann gemeinsames Verhalten für die Organisation kodieren |
| Teilen zwischen Personen, unter Kontrolle | Du wählst, was geteilt wird und mit wem, und kannst es widerrufen; alles Geteilte zeigt, von wem es stammt | Zugriffskontrollen für Datensätze und Modelle |
| Schutz für geteilte Inhalte | Was jemand teilt, kommt als Information an, nie als Anweisung, und kann so den Agenten einer anderen Person nicht steuern | Trainingsdaten brauchen vor dem Training eigene Kontrollen |
| Kontrolle und Vertrauen | ||
| Regeln | Deine Regeln sind Teil davon, wie Duplex arbeitet: Sie erlauben, verweigern oder begrenzen echte Aktionen | Das Verhalten wird durch Training geprägt, nicht durch Regeln zur Laufzeit |
| Regeln vor jeder Aktion angewendet | NativDie Hooks prüfen jede Aktion gegen deine Regeln, bevor sie läuft | Extern |
| Menschen eingebunden | Eine Person bestätigt die Aktionen, die du festlegst, und was Duplex lernt, lässt sich prüfen und rückgängig machen | Prüfung des Trainings, Evaluation und Freigabe vor der Bereitstellung |
| Ein Verlauf, den du prüfen kannst | Ein Verlauf jeder Entscheidung, woher sie kam und was aus ihr wurde, der sich nicht stillschweigend ändern lässt | Trainingsjobs, Datensätze, Belohnungsmetriken und Modellversionen |
| Quittungen, die du prüfen kannst | Entscheidungen, Skills und Löschungen können mit Quittungen kommen, die du prüfen kannst | Modellevaluation und Trainingsberichte |
| Gelerntes exakt rückgängig machen | NativEine gelernte Änderung lässt sich exakt rückgängig machen, ohne irgendetwas neu zu trainieren | Eine ganze Modellversion zurücksetzen oder ohne das Beispiel neu trainieren |
| Vergessen, das alles erreicht, was darauf aufbaut | Wird etwas entfernt, verschwindet auch, was daraus kam: Kontext, alles daraus Geteilte und verwandtes Lernen | Braucht maschinelles Verlernen oder Neutraining |
| Kunden getrennt halten | Jeder Nutzer, jedes Team, jede Organisation und jeder Kunde bleibt getrennt, in jeder Integration und in allem, was es teilt | Cloud-IAM und Grenzen für den Modellzugriff |
| Woher alles Gelernte stammt | Bei allem, was es gelernt hat, siehst du die Quelle, den Geltungsbereich und wie weit man ihm trauen kann | Herkunft der Datensätze und Trainingsmetadaten |
| Wo es läuft und sich verbindet | ||
| Jeder Modellanbieter | Eine Intelligenz über OpenAI, Anthropic, Google, AWS und kompatible Modelle hinweg | Meist an das angepasste Modell und den Trainingsanbieter gebunden |
| MCP | NativÜber MCP + Hooks begleitet Duplex jeden Schritt deiner Agenten | Nicht nativ |
| Hooks und Plugins | NativPlugins für Claude, Codex, Cursor und Hermes sowie Hooks, die Duplex bei jedem Schritt einbinden und sensible Werkzeugaktionen prüfen | Die Datensammlung muss separat aufgebaut werden |
| Deine Cloud oder selbst gehostet | Vareon Cloud, deine Cloud oder keine Cloud: private Cloud, dein eigenes Konto, selbst gehostet oder vom Netz getrennt | Training in der Cloud und gehostete Inferenz |
| Keine Cloud: vom Netz getrennt | Gebaut für Umgebungen, aus denen nichts hinausgehen darf, mit lokalen Modellen, lokalen Abhängigkeiten und deinem eigenen Identitätsanbieter | Beschränkt auf Dienste, die Offline-Training und -Inferenz unterstützen |
| Kosten, Tempo und Passung | ||
| Wie es Modellkosten senkt | Duplex beantwortet bekannte Arbeit selbst, ohne wiederholten Aufruf eines Spitzenmodells | Ein kleineres angepasstes Modell liefert vielleicht die Qualität, die du brauchst |
| Wie es die Latenz senkt | Entscheidungen, bei denen es sicher ist, kommen schnell zurück; unsichere Arbeit geht weiterhin an dein Spitzenmodell | Hängt vom angepassten Modell ab |
| Übersteht ein Modell-Upgrade | JaLernen, Kontext, Aufgaben und Regeln bleiben außerhalb jedes einzelnen Modells | Die Anpassung gehört zu einem Modell-Checkpoint und wird daher nicht automatisch übernommen |
| Fine-Tuning nötig | NeinFine-Tuning wird zu einem optionalen Upgrade | Ja |
| Am besten für | Organisationen, deren KI-Agenten lernen, im Rahmen von Regeln handeln, Arbeit weitertragen und über Modelle hinweg besser werden müssen, als ein System | Stabile Aufgaben mit hohem Volumen, bei denen das Modell selbst spezialisiert sein muss |
Die anderen Vergleiche.
- Duplex und LettaZustandsbehaftete Agenten mit Gedächtnis und Skills
- Duplex und CopilotKit CLiFEchte Workflows, zu Skills gemacht
- Duplex und Deeplake HivemindGemeinsames Gedächtnis für Coding-Agenten
- Duplex und GedächtnisplattformenMem0, Zep, AgentCore Memory, Supermemory
- Duplex und KI-GatewaysPortkey, LiteLLM und ähnliche
- Der ganze VergleichDuplex neben allen sechs, nebeneinander
Erlebe Duplex mit deiner eigenen Arbeit.
Vergleiche dort, wo es zählt: Ein Pilotprojekt setzt Duplex auf deine eigene Arbeit an, mit Kennzahlen, die vor dem Start vereinbart werden.