Die meisten Teams greifen zum Fine-Tuning, wenn das Modell immer wieder dieselben Dinge falsch macht. Es sortiert Abrechnungsfragen unter technischem Support ein, schreibt in einem Ton, den deine Marke nie verwenden würde, und übersieht die Ausnahmen, die deine Fachleute anwenden, ohne nachzudenken. Was sie wollen, ist bescheiden: ein Modell, das antwortet, als hätte es schon ein Jahr dort gearbeitet.
Der Weg dorthin ist ein Trainingsprojekt. Jemand sammelt und bereinigt Beispiele, fährt eine Reihe von Trainingsjobs, um die Einstellungen zu finden, die funktionieren, prüft das Ergebnis und liefert eine neue Version des Modells aus. Das funktioniert, und es ist ein Projekt, mit Budget und Zeitplan. Dann ändert sich eine Richtlinie oder ein besseres Modell erscheint, und das Projekt beginnt von vorn.
Duplex gibt dir, wofür Fine-Tuning da ist, aus der eigenen Arbeit deines Teams, und lässt das Modell genau so, wie es ist. Jedes Ergebnis, das dein Team bestätigt, lehrt Duplex etwas, also ist die Anpassung ab der nächsten Anfrage aktuell. Und weil Duplex neben dem Modell arbeitet statt in ihm, zieht die Anpassung mit dir zum nächsten um.
Ein Fine-Tuning schreibt die Gewichte um, jeweils ein Modell und ein Trainingslauf.
Besser als Fine-Tuning, ohne Trainingslauf.
Fine-Tuning hat seine Berechtigung. Es ändert die Gewichte des Modells, also kommt das neue Verhalten mit jedem Aufruf, ohne langen Prompt, der mitgeschickt werden muss, und für eine dauerhafte Änderung an einem Modell ist es eine gute Wahl.
Die Kosten stecken in allem rund um die Änderung. Jede Anpassung ist ein eigenes Projekt, und was das Modell gelernt hat, steht in dem Moment fest, in dem der Lauf endet. Eine Regel, die sich am Freitag ändert, wartet auf den nächsten Lauf, und bis dahin wendet das Modell weiter die alte an.
Wofür Teams Fine-Tuning betreiben, ist meist Verhalten: die Labels, die sie verwenden, der Ton, den sie wollen, die Entscheidungen, die ihre Fachleute jedes Mal gleich treffen. Genau das lernt Duplex aus der Arbeit selbst: eine Antwort, die dein Team freigegeben hat, ein Label, das jemand korrigiert hat, eine Ausnahme, die eine Führungskraft bestätigt hat. Wer einen Fehler entdeckt, korrigiert ihn, und die Korrektur gilt ab der nächsten Anfrage, statt in einem Ordner voller Beispiele auf das nächste Trainingsprojekt zu warten.
Duplex ist auf ACI gebaut, Adaptive Continual Intelligence, das zur Laufzeit lernt und handelt und die Gewichte deines Modells in Ruhe lässt. Duplex braucht keine GPU, also gibt es keinen Trainingslauf, den man planen, bezahlen oder abwarten müsste, und keine neue Modellversion, die ausgeliefert werden muss.
Im direkten Vergleich mit Fine-Tuning lag Duplex vorn. In sechs Tests, jeweils gegen einen feinabgestimmten Adapter, der aus einer Reihe von Trainingsläufen ausgewählt wurde, passte es dasselbe Modell an, das genau so blieb, wie es war, und schlug den Adapter jedes Mal, im Schnitt um 30.3 Punkte.
Sechs Tests: drei öffentliche Intent-Datensätze, jeweils auf zwei Familien offener Modelle.
Es wechselt mit, wenn dein Modell wechselt.
Deine KI ist allgemeine Intelligenz, langsam gelernt, wie der Neokortex: Sie hat die Welt gelernt, bevor du kamst, und deine Arbeit verändert sie nicht. Duplex ist Laufzeit-Intelligenz, schnell, wie der Hippokampus: Es lernt aus jedem Ergebnis, das dein Team bestätigt. Fine-Tuning verlangt vom langsamen Lerner die Arbeit des schnellen, und das hat zwei Haken, auf die Teams meist erst später stoßen.
Der erste ist die Korrektur. Jedes Beispiel in einem Fine-Tuning wird in die Gewichte eingemischt, das Gute mit dem Schlechten, und wenn sich eines als falsch herausstellt, etwa eine Antwort, die den Rabatt vom letzten Jahr nannte, gibt es nichts, auf das man zeigen und das man herausnehmen könnte. Der Weg zurück heißt, noch einmal zu trainieren, ohne dieses Beispiel.
Der zweite ist der Wechsel. Ein Fine-Tuning gehört zu dem Modell, auf dem es trainiert wurde, und wenn ein besseres Modell kommt, bleibt es zurück, und das Projekt beginnt von vorn: Die Trainingsreihe läuft noch einmal, das Ergebnis wird noch einmal geprüft, und bis dahin weiß das neue Modell nichts von deiner Arbeit.
Was Duplex lernt, arbeitet neben dem Modell, also greift keiner der beiden Haken. Du siehst, woher jede Erkenntnis kommt, und kannst sie einzeln korrigieren oder entfernen, während alles andere bleibt, wie es war. Wechsle das Modell, und die Anpassung kommt mit: Als die Arbeit zu einer anderen Modellfamilie wechselte, brauchte Duplex kein Neutraining, während sich die feinabgestimmten Adapter in keinem von sechs Tests übertragen ließen.
Ein Beispiel, aus dem dein Modell gelernt hat, erweist sich als falsch und muss raus.
Wenn du doch trainieren willst, übergibt Duplex die Daten.
Manche Aufgaben verlangen tatsächlich Training: ein Modell, das eine Fähigkeit braucht, die es nicht hat, oder Gewichte, die eigenständig laufen müssen, auf einem Gerät oder in einem Produkt, das du auslieferst. Für diese Fälle macht Duplex das Training besser.
Der schwierigste Teil jedes Trainingsprojekts sind die Daten: saubere Beispiele, geprüft von Leuten, die die Arbeit kennen. Genau solche bestätigt dein Team schon die ganze Zeit, ganz nebenbei im Arbeitsalltag. Duplex bereitet sie für dein Trainingsteam auf, jedes mit seiner Herkunft, und du entscheidest, was hineinkommt und was draußen bleibt.
Training ersetzt auch nicht, was Duplex gelernt hat. Ist das neue Modell fertig, arbeitet all das ab der ersten Anfrage neben ihm, jedes Ergebnis danach lehrt Duplex weiter, und wenn das nächste Modell kommt, zieht die Anpassung wieder mit.
Anpassung ist dann kein Projekt mit Budget und Zeitplan mehr, sondern Teil der Arbeit. Dein Team korrigiert, bestätigt und entscheidet, wie jeden Tag, und deine KI antwortet, als wäre sie mit all dem trainiert worden. Das Modell bleibt eine Wahl, die du jederzeit ändern kannst, und die Anpassung wird zu etwas, das dir gehört.