Lo que aporta Duplex, en cifras.
Cada cifra junto a lo que superó: el modelo solo, una caché, la recuperación o el ajuste fino.
- −90.3%Llamadas al modelo, con más precisión94.6% de precisión, frente al 59.8% del modelo por sí solo
- 0%Respuestas desfasadas tras un cambio de reglaCaché y recuperación: 72%
- 6 / 6Pruebas en las que Duplex superó al ajuste fino+30.3 puntos de media, sin ningún entrenamiento
- 3 / 3Modelos de frontera superados prediciendo cambios en el sistemaEn un benchmark empresarial público, sin llamadas al modelo
Un flujo de 3,000 decisiones, de tres maneras.
Paso 1 de 3: Precisión
Todos los resultados.
Un 90% menos de llamadas al modelo, y más precisión.
94.6%Precisión, la más alta de la pruebaEl modelo solo 59.8% · con una caché 77.3%- −90.3% Llamadas · −84.8% de coste · −81.9% de latencia
- ~23× Más rápido tras aprender · ≈97 ms frente a ≈2,231 ms
Un flujo de 3,000 decisiones en el que las reglas cambiaron cinco veces, frente al modelo de frontera por sí solo y con una caché semántica; una ejecución de 300 decisiones añadió una caché con recuperación y un grafo de conocimiento. Todos los enfoques usaron el mismo modelo.
Más preciso en todas las configuraciones, por una séptima parte del coste.
Del 94.1 al 94.8%Precisión de Duplex, en cada una de las ocho configuracionesLo máximo que alcanzó una caché: 77.3%- 84 a 91% En tres ejecuciones nuevas de 1,000 decisiones · Lo máximo que alcanzó una caché: cerca del 73%
Un flujo de 3,000 decisiones con cada enfoque probado en toda su gama de configuraciones, y después tres ejecuciones nuevas de 1,000 decisiones en un segundo entorno independiente.
Sigue aprendiendo sin olvidar, sin quedarse desfasado y sin crecer.
5 / 5Requisitos para aprender en producción, todos cumplidos en cada ejecuciónCaché y recuperación, 2.2 / 5 de media · ajuste fino en línea, 4 / 5- 0% Respuestas desfasadas tras un cambio de política · Caché y recuperación 72%
- Constante Tamaño a lo largo del tiempo · Caché y recuperación llegaron a ≈1,300 filas
Diez ejecuciones, con la misma supervisión y las mismas entradas para todos los enfoques.
Maneja formulaciones nuevas y detecta los casos parecidos.
7.5%Respuestas erróneas en casos parecidosUna caché 45.3%, unas 6× más- 98.98% De las peticiones resueltas correctamente: bien respondidas o pasadas a tu IA · Duplex respondió por sí mismo el 95.78% de las peticiones conocidas
- 0.996 Puntuación al distinguir lo conocido de lo nuevo, sobre 1 · Una caché 0.930
Diez intenciones aprendidas y seis niveles de novedad, desde repeticiones exactas hasta peticiones de otro dominio, en diez ejecuciones.
Planifica la ruta más corta, con cero tokens de modelo.
100%Éxito del plan, en cada ejecuciónUn agente reactivo: 0% · Duplex no usó tokens de modelo- 0% Un agente reactivo voraz
- ~204 Tokens por decisión que gasta un modelo de frontera para igualarlo
Un mundo de varios pasos en diez ejecuciones, frente a un agente reactivo y un modelo de frontera con la misma tarea.
Mantiene el éxito de las tareas de agentes, con menos llamadas al modelo.
83.3%Éxito en tareasEl modelo en cada turno: 82.5%- 12.8% Turnos completados sin el modelo · ≈15% menos llamadas al modelo
- 100% Éxito en tareas nuevas
Τ-bench (tau2-bench), dominio retail, de Sierra Research. El entorno retail sin modificar, con el mismo modelo, las mismas herramientas y el mismo simulador de usuario para todos los enfoques, en tres ejecuciones de cuarenta episodios.
Un coste de lectura estable, por largo que sea el historial.
96%Respuestas actualizadas cuando un dato había cambiadoEl dato nuevo, no el antiguo- 3.7× Menos lectura por pregunta que leer todo el historial · Con cuarenta sesiones de historial
- 84% Precisión con cuarenta sesiones de historial
LongMemEval, de Wu et al., ICLR 2025. Cincuenta preguntas, cada una planteada con el historial en 2, 5, 10, 20 y 40 sesiones.
Bloquea todos los ataques, y deja pasar el trabajo normal.
0%Éxito de los ataquesEn seis familias de ataques parafraseados- 0.7% Falsos rechazos · El más bajo entre los enfoques que bloquearon todos los ataques
- 40 / 40 Muestras envenenadas retiradas · Precisión a menos de 1 punto
Seis familias de ataques, parafraseados, con peticiones inofensivas redactadas para parecerse a los ataques.
Aprende una habilidad nueva por sí solo, con el modelo apagado.
100%Tareas completadas con el modelo apagado, en cada ejecuciónUn modelo de frontera necesitó ≈507 llamadas por ejecución- 0.26 ms Para reutilizar una habilidad · Con 0 llamadas al modelo
- 627 Acciones inseguras rechazadas por ejecución · Y aun así se aprendió la habilidad segura
Cuatro baterías en diez ejecuciones, cada una puntuada por su peor ejecución.
Superó a tres modelos de frontera prediciendo cambios en el sistema.
0.256Puntuación de predicción de cambios en el sistemaGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204- $0 Gasto en modelos · 570 predicciones sin llamadas; 84 con un modelo de frontera costaron $13.40
- ~80% Decisiones respondidas a partir de lo que aprendió · Tu IA se encargó del resto
World of Workflows, de Skyfall Research / ServiceNow. Tres modalidades offline, puntuadas por el propio evaluador de los autores del benchmark, en tres ejecuciones.
Supera al ajuste fino, sin ningún entrenamiento.
6 / 6Pruebas en las que Duplex superó a un adaptador con ajuste fino+30.3 puntos de media- 0 Reentrenamiento para pasar a otra familia de modelos · Los adaptadores pasaron en 0 de 6
- Del 60 al 79% Respondido con lo que aprendió · En cualquiera de las dos familias de modelos
Tres conjuntos de datos públicos de intenciones, dos familias de modelos abiertos y tres ejecuciones, con el mismo modelo congelado y los mismos datos para todos los enfoques.
Compruébalo con tu propio trabajo.
De tu propio asistente a cada agente que ejecuta tu empresa, un piloto pone Duplex en tu propio trabajo, con las métricas acordadas antes de empezar.