Duplex y ajuste fino,
lado a lado.
El ajuste fino y el ajuste fino por refuerzo cambian los pesos de un modelo, entrenamiento a entrenamiento. Duplex aprende en ejecución, fuera de los pesos: sobrevive a cada actualización del modelo, y cualquier cambio que haya aprendido se puede deshacer con exactitud.
Comparación actualizada a 16 de octubre de 2026.
Todas las capacidades: Duplex y ajuste fino.
Lo que hace cada uno, grupo a grupo, desde qué es hasta cuánto cuesta.
- Nativo
- Integrado en el funcionamiento central del producto.
- Externo
- Lo aportas tú, o lo montas, por separado.
- No nativo
- La documentación del producto no lo recoge como función integrada. Aun así, puede ser posible un desarrollo a medida.
| Capacidad | Duplex | Ajuste fino y RFT |
|---|---|---|
| Qué es cada uno | ||
| Qué es | Una inteligencia en ejecución junto a tu IA: aprende y actúa para tus agentes y asistentes, dentro de tus reglas | Personalizar un modelo entrenándolo |
| Lo que lleva consigo | Contexto, decisiones, resultados, reglas, tareas, habilidades y lo que ha aprendido | Un nuevo conjunto de pesos del modelo |
| Qué mejora con la experiencia | Sus próximas decisiones: confianza, enrutamiento, recomendaciones, uso de herramientas y conocimiento reutilizable | Las respuestas del modelo subyacente |
| Saber qué pasó, y aprender de ello | NativoSabe qué pasó, y aprende qué cambiar después | Aprendizaje sin una memoria operativa duradera |
| Aprendizaje | ||
| Aprendizaje continuo sin reentrenamiento | NativoSigue aprendiendo, fuera de los pesos de tu modelo | NoEl entrenamiento es su forma de aprender |
| Adaptación turno a turno | NativoCada resultado nuevo puede cambiar al momento la siguiente decisión | Espera a que termine un trabajo de entrenamiento y se despliegue el nuevo modelo |
| Aprender de las correcciones | NativoUna corrección cambia lo que Duplex hace después | Las correcciones tienen que ir a un conjunto de datos de entrenamiento o a un pipeline de recompensas |
| Aprender de los resultados | NativoEl éxito y el fracaso vuelven directamente a lo que aprende | NativoCuando los resultados pueden convertirse en recompensas |
| Aprender de las recompensas | NativoUna recompensa refuerza lo que funcionó y corrige lo que no | NativoLas recompensas optimizan los pesos del modelo |
| Mérito para los pasos que llevan a un resultado | NativoAverigua qué acciones anteriores llevaron a un resultado posterior | Puede aprender correlaciones de ejemplos de entrenamiento, pero no puede rastrear un resultado en vivo hasta sus pasos |
| Cómo las acciones hacen avanzar el trabajo | NativoAprende cómo cada acción lleva el trabajo de un estado al siguiente | Puede absorber estos patrones durante el entrenamiento |
| Predecir qué hará una acción | NativoA partir de lo que observa, predice qué hará una acción, prueba alternativas y planifica | Implícito dentro del modelo entrenado, donde no puedes editarlo |
| Mejores elecciones de acción | NativoLos resultados mejoran qué acción elige después | NativoOptimizando el modelo |
| Habilidades reutilizables | NativoLa experiencia se convierte en habilidades que se prueban antes de usarse, y que se pueden pausar, recuperar o retirar | El conocimiento se absorbe en los pesos, no se empaqueta como habilidades portables |
| Probar y gestionar habilidades | Una habilidad se prueba antes de confiar en ella, y se puede pausar, recuperar, retirar o eliminar para siempre | La evaluación tiene lugar en torno al entrenamiento y el despliegue |
| Generalizar a casos relacionados | Lleva lo que aprendió a casos relacionados y a formulaciones nuevas, y a habilidades que puede reutilizar | Generaliza mediante los pesos entrenados |
| Decidir y actuar | ||
| Saber cuánta certeza tiene | NativoAntes de cada decisión, sabe cuán conocido es el caso y cuánta certeza tiene | La confianza del modelo debe medirse por separado |
| Responder, traspasar o rechazar | NativoDuplex responde por sí mismo, llama a tu modelo, usa una herramienta o rechaza, dentro de tus reglas | El modelo entrenado sigue ejecutándose en cada petición |
| Resolver por sí mismo el trabajo conocido | NativoToma por sí mismo las decisiones conocidas, sin otra llamada a un modelo de frontera | El modelo personalizado sigue ejecutándose |
| Traspasar lo nuevo o incierto | El trabajo nuevo, incierto o delicado va al modelo, la herramienta o la persona adecuados | ExternoTarea de la aplicación |
| Planificación, simulación y recomendaciones | NativoPredice lo que pasa después, prueba alternativas, crea planes y recomienda acciones | El modelo puede planificar mejor, pero el estado del trabajo sigue siendo externo |
| Muchos agentes, trabajando juntos | Envía el trabajo al agente adecuado, lo reparte dentro de tus reglas, mantiene a cada agente en su ámbito y reúne los resultados | No nativo |
| Aprender qué herramientas funcionan | Aprende qué herramientas funcionan, cuándo usarlas y a qué lleva cada una | El uso de herramientas puede mejorar con el entrenamiento |
| Acciones con herramientas dentro de tus reglas | Las herramientas solo se ejecutan a través de tus reglas y permisos | Externo |
| Streaming | Transmite en directo la salida de modelos y herramientas, y cada paso sigue dentro de tus reglas | Depende del proveedor del modelo |
| Trabajo que continúa | ||
| Aprender de cada paso, automáticamente | Cada paso, mediante MCP + hooks o los plugins, alimenta un único ciclo de aprendizaje compartido | Hay que aportar registros o conjuntos de datos para el entrenamiento |
| Contexto entre sesiones | NativoEl trabajo, las decisiones, las tareas y el contexto que importa continúan entre sesiones | No nativo |
| Trabajo de larga duración | NativoEl trabajo largo sigue abierto entre sesiones y agentes, con puntos seguros a los que volver, hasta que se termina o se olvida | No nativo |
| Entre modelos | NativoLo que aprende y tu contexto quedan fuera del modelo, y siguen al trabajo entre proveedores | Débil: un nuevo modelo base suele requerir reentrenamiento o una nueva validación |
| Entre apps y agentes | El mismo trabajo continúa en Claude, Codex, Cursor, Hermes y tus propios agentes | No nativo |
| Traspasar trabajo a otro agente | Una tarea y su contexto pasan a otro agente que permitas, listos para continuar | No nativo |
| Mantener el contexto compacto | El contexto se mantiene compacto, centrado en las reglas, tareas y decisiones que importan | No nativo |
| Aprender de imágenes, audio, vídeo y PDF | Aprende de imágenes, audio, vídeo y PDF, igual que del texto | Compatible cuando el modelo y el servicio de entrenamiento aceptan ese formato |
| Entre formatos | Una pregunta en palabras puede apoyarse en lo aprendido de imágenes, audio y vídeo, y el contenido multimedia puede influir en decisiones posteriores | Codificado en los pesos cuando el entrenamiento lo admite |
| Personas, equipos y uso compartido | ||
| Para cada persona | NativoCada persona tiene su propio contexto privado, sus preferencias y su aprendizaje | Suele requerir un modelo entrenado o adaptado aparte |
| Para cada equipo | NativoLos equipos comparten el aprendizaje aprobado, y el trabajo privado sigue siendo privado | Suele requerir datos de entrenamiento compartidos y un modelo compartido |
| En toda la organización | NativoLo que funciona puede pasar de una persona al equipo y a la organización, bajo tus reglas | Un modelo a medida puede codificar un comportamiento común para la organización |
| Compartir entre personas, bajo control | Tú eliges qué se comparte y con quién, y puedes retirarlo; todo lo compartido muestra de quién viene | Controles de acceso para conjuntos de datos y modelos |
| Protección del contenido compartido | Lo que alguien comparte llega como información, nunca como instrucciones, así que no puede dirigir el agente de otra persona | Los datos de entrenamiento necesitan sus propios controles antes de entrenar |
| Control y confianza | ||
| Tus reglas | Tus reglas forman parte de cómo funciona Duplex: permiten, rechazan o limitan acciones reales | El comportamiento lo moldea el entrenamiento, no unas reglas en vivo |
| Reglas aplicadas antes de cada acción | NativoLos hooks comprueban cada acción con tus reglas antes de que se ejecute | Externo |
| Personas en el proceso | Una persona confirma las acciones que elijas, y lo que aprende Duplex se puede revisar y deshacer | Revisión del entrenamiento, evaluación y aprobación antes del despliegue |
| Un historial que puedes comprobar | Un historial de cada decisión, de dónde vino y qué salió de ella, que no se puede cambiar a escondidas | Trabajos de entrenamiento, conjuntos de datos, métricas de recompensa y versiones del modelo |
| Comprobantes que puedes verificar | Las decisiones, las habilidades y los borrados pueden ir acompañados de comprobantes que puedes verificar | Evaluación del modelo e informes de entrenamiento |
| Deshacer lo aprendido, con exactitud | NativoUn cambio aprendido se puede deshacer con exactitud, sin reentrenar nada | Revertir una versión entera del modelo, o reentrenar sin la muestra |
| Un olvido que llega a todo lo construido sobre ello | Quitar algo también quita lo que salió de ello: el contexto, todo lo compartido a partir de ello y el aprendizaje relacionado | Requiere desaprendizaje automático o reentrenamiento |
| Mantener separados a los clientes | Cada usuario, equipo, organización y cliente se mantiene separado, en cada integración y en todo lo que comparte | IAM en la nube y límites de acceso a los modelos |
| De dónde viene todo lo aprendido | De todo lo que aprendió, puedes ver su origen, su alcance y hasta qué punto es fiable | Linaje de los conjuntos de datos y metadatos de entrenamiento |
| Dónde se ejecuta y se conecta | ||
| Cualquier proveedor de modelos | Una sola inteligencia para OpenAI, Anthropic, Google, AWS y modelos compatibles | Normalmente ligado al modelo personalizado y al proveedor de entrenamiento |
| MCP | NativoMediante MCP + hooks, Duplex se suma a cada paso que dan tus agentes | No nativo |
| Hooks y plugins | NativoPlugins para Claude, Codex, Cursor y Hermes, y hooks que incorporan Duplex en cada paso y comprueban las acciones delicadas con herramientas | La recogida de datos hay que construirla aparte |
| Tu nube, o autoalojado | Vareon cloud, tu nube o sin nube: nube privada, tu propia cuenta, autoalojado o aislado de la red | Entrenamiento en la nube e inferencia alojada |
| Sin nube: aislado de la red | Hecho para despliegues donde nada puede salir, con modelos locales, dependencias locales y tu propio proveedor de identidad | Limitado a servicios que admiten entrenamiento e inferencia sin conexión |
| Coste, velocidad y encaje | ||
| Cómo reduce el coste del modelo | Duplex resuelve él mismo el trabajo conocido, sin repetir llamadas a un modelo de frontera | Un modelo personalizado más pequeño puede darte la calidad que necesitas |
| Cómo reduce la latencia | Las decisiones de las que está seguro vuelven rápido; el trabajo incierto sigue yendo a tu modelo de frontera | Depende del modelo personalizado |
| Sobrevive a una actualización del modelo | SíEl aprendizaje, el contexto, las tareas y las reglas quedan fuera de cualquier modelo concreto | La personalización pertenece a un checkpoint concreto del modelo, así que no se traslada automáticamente |
| Requiere ajuste fino | NoEl ajuste fino pasa a ser una mejora opcional | Sí |
| Ideal para | Organizaciones que necesitan que sus agentes de IA aprendan, actúen dentro de unas reglas, lleven el trabajo adelante y mejoren entre modelos, como un solo sistema | Tareas estables y de gran volumen en las que el propio modelo debe especializarse |
Las demás comparaciones.
- Duplex y LettaAgentes con estado, con memoria y habilidades
- Duplex y CopilotKit CLiFFlujos de trabajo reales, convertidos en habilidades
- Duplex y Deeplake HivemindMemoria compartida para agentes de programación
- Duplex y plataformas de memoriaMem0, Zep, AgentCore Memory, Supermemory
- Duplex y Gateways de IAPortkey, LiteLLM y similares
- La comparación completaDuplex junto a los seis, lado a lado
Mira Duplex en acción con tu propio trabajo.
Compáralo donde importa: un piloto pone Duplex en tu propio trabajo, con las métricas acordadas antes de empezar.