Duplex et fine-tuning,
côte à côte.
Le fine-tuning et le reinforcement fine-tuning modifient les poids d’un modèle, un entraînement à la fois. Duplex apprend à l’exécution, hors des poids : il survit à chaque mise à niveau du modèle, et tout changement qu’il a appris peut être annulé exactement.
Comparatif à jour au 16 octobre 2026.
Toutes les capacités : Duplex et fine-tuning.
Ce que fait chacun, groupe par groupe, de ce qu’il est à ce qu’il coûte.
- Natif
- Intégré au fonctionnement même du produit.
- Externe
- Vous le fournissez, ou l’assemblez, à part.
- Non natif
- La documentation du produit ne l’indique pas comme fonction intégrée. Un développement sur mesure reste peut-être possible.
| Capacité | Duplex | Fine-tuning et RFT |
|---|---|---|
| Ce qu’est chacun | ||
| Ce que c’est | Une intelligence d’exécution aux côtés de votre IA : elle apprend et agit pour vos agents et vos assistants, conformément à vos règles | Adapter un modèle en l’entraînant |
| Ce qu’il fait suivre | Contexte, décisions, issues, règles, tâches, compétences et ce qu’il a appris | Un nouveau jeu de poids du modèle |
| Ce qui s’améliore avec l’expérience | Ses prochaines décisions : certitude, routage, recommandations, usage des outils et connaissances réutilisables | Les réponses du modèle sous-jacent |
| Savoir ce qui s’est passé, et en apprendre | NatifIl sait ce qui s’est passé, et apprend ce qu’il faut changer ensuite | Un apprentissage sans mémoire opérationnelle durable |
| Apprentissage | ||
| Apprentissage continu sans réentraînement | NatifIl continue d’apprendre, hors des poids de votre modèle | NonL’entraînement est sa façon d’apprendre |
| Adaptation tour par tour | NatifChaque nouveau résultat peut changer aussitôt la décision suivante | Attend la fin d’un entraînement et le déploiement du nouveau modèle |
| Apprendre des corrections | NatifUne correction change ce que Duplex fait ensuite | Les corrections doivent passer par un jeu de données d’entraînement ou un pipeline de récompense |
| Apprendre des issues | NatifSuccès et échecs alimentent directement ce qu’il apprend | NatifQuand les issues peuvent être converties en récompenses |
| Apprendre des récompenses | NatifUne récompense renforce ce qui a marché et corrige ce qui n’a pas marché | NatifLes récompenses optimisent les poids du modèle |
| Le mérite des étapes à l’origine d’un résultat | NatifIl détermine quelles actions antérieures ont mené à un résultat ultérieur | Peut apprendre des corrélations à partir d’exemples d’entraînement, mais ne peut pas remonter d’un résultat en direct jusqu’à ses étapes |
| Comment les actions font avancer le travail | NatifIl apprend comment chaque action fait passer le travail d’un état au suivant | Peut absorber ces schémas pendant l’entraînement |
| Prédire ce que fera une action | NatifÀ partir de ce qu’il observe, il prédit ce que fera une action, essaie des alternatives et planifie | Implicite dans le modèle entraîné, où vous ne pouvez pas le modifier |
| De meilleurs choix d’action | NatifLes issues améliorent l’action qu’il choisit ensuite | NatifEn optimisant le modèle |
| Compétences réutilisables | NatifL’expérience devient des compétences testées avant usage, qui peuvent être mises en pause, rétablies ou retirées | Le savoir est absorbé dans les poids, pas empaqueté en compétences portables |
| Tester et gérer les compétences | Une compétence est testée avant qu’on s’y fie, et peut être mise en pause, rétablie, retirée ou supprimée définitivement | L’évaluation se fait autour de l’entraînement et du déploiement |
| Généraliser aux cas voisins | Il étend ce qu’il a appris aux cas voisins et aux nouvelles formulations, et le transpose en compétences qu’il peut réutiliser | Généralise via les poids entraînés |
| Décider et agir | ||
| Connaître son degré de certitude | NatifAvant chaque décision, il sait à quel point le cas est connu et quel est son degré de certitude | La confiance du modèle doit être mesurée à part |
| Répondre, passer la main ou refuser | NatifDuplex répond lui-même, appelle votre modèle, utilise un outil ou refuse, conformément à vos règles | Le modèle entraîné tourne toujours à chaque requête |
| Traiter lui-même le travail connu | NatifIl prend lui-même les décisions connues, sans nouvel appel à un modèle de pointe | Le modèle adapté tourne toujours |
| Passer la main sur ce qui est nouveau ou incertain | Le travail nouveau, incertain ou sensible va au bon modèle, au bon outil ou à la bonne personne | ExterneLe rôle de l’application |
| Planification, simulation et recommandations | NatifIl prédit la suite, essaie des alternatives, construit des plans et recommande des actions | Le modèle planifie peut-être mieux, mais l’état du travail reste externe |
| De nombreux agents, qui travaillent ensemble | Il envoie le travail au bon agent, le répartit conformément à vos règles, garde chaque agent dans son périmètre et réunit les résultats | Non natif |
| Apprendre quels outils marchent | Il apprend quels outils marchent, quand les utiliser et à quoi chacun mène | Le comportement des outils peut s’améliorer par l’entraînement |
| Actions d’outils conformes à vos règles | Les outils ne s’exécutent que selon vos règles et vos permissions | Externe |
| Streaming | Il diffuse en streaming la sortie du modèle et des outils, chaque étape restant conforme à vos règles | Dépend du fournisseur de modèle |
| Un travail qui se poursuit | ||
| Apprendre de chaque étape, automatiquement | Chaque étape, via MCP + hooks ou les plugins, nourrit une seule boucle d’apprentissage partagée | Des journaux ou des jeux de données doivent être fournis pour l’entraînement |
| Le contexte d’une session à l’autre | NatifLe travail, les décisions, les tâches et le contexte qui compte se poursuivent d’une session à l’autre | Non natif |
| Travail de longue durée | NatifLe travail long reste ouvert d’une session et d’un agent à l’autre, avec des points de reprise où revenir, jusqu’à ce qu’il soit terminé ou oublié | Non natif |
| D’un modèle à l’autre | NatifCe qu’il apprend et votre contexte restent hors du modèle, et suivent le travail d’un fournisseur à l’autre | Faible : un nouveau modèle de base demande généralement un réentraînement ou une revalidation |
| D’une app et d’un agent à l’autre | Le même travail se poursuit dans Claude, Codex, Cursor, Hermes et vos propres agents | Non natif |
| Confier le travail à un autre agent | Une tâche et son contexte passent à un autre agent que vous autorisez, prêts à continuer | Non natif |
| Garder le contexte compact | Le contexte reste compact, centré sur les règles, tâches et décisions qui comptent | Non natif |
| Apprendre des images, de l’audio, de la vidéo et des PDF | Il apprend des images, de l’audio, de la vidéo et des PDF, comme du texte | Pris en charge quand le modèle et le service d’entraînement acceptent le média |
| D’un média à l’autre | Une question en mots peut s’appuyer sur ce qui a été appris d’images, d’audio et de vidéo, et les médias peuvent orienter des décisions ultérieures | Encodé dans les poids quand l’entraînement le permet |
| Personnes, équipes et partage | ||
| Pour chaque personne | NatifChaque personne a son propre contexte privé, ses préférences et son apprentissage | Demande généralement un modèle entraîné ou adapté à part |
| Pour chaque équipe | NatifLes équipes partagent l’apprentissage approuvé, et le travail privé reste privé | Demande généralement des données d’entraînement et un modèle partagés |
| Dans toute l’organisation | NatifCe qui marche peut passer d’une personne à l’équipe et à l’organisation, selon vos règles | Un modèle sur mesure peut encoder un comportement commun pour l’organisation |
| Partager entre personnes, sous contrôle | Vous choisissez ce qui est partagé et avec qui, et pouvez le retirer ; tout ce qui est partagé indique de qui il vient | Contrôles d’accès aux jeux de données et aux modèles |
| Protection des contenus partagés | Ce que quelqu’un partage arrive comme information, jamais comme instruction, et ne peut donc pas piloter l’agent d’une autre personne | Les données d’entraînement exigent leurs propres contrôles avant l’entraînement |
| Contrôle et confiance | ||
| Vos règles | Vos règles font partie du fonctionnement de Duplex : elles autorisent, refusent ou limitent des actions réelles | Le comportement est façonné par l’entraînement, pas par des règles en direct |
| Des règles appliquées avant chaque action | NatifLes hooks vérifient chaque action au regard de vos règles avant son exécution | Externe |
| Des personnes dans la boucle | Une personne confirme les actions que vous choisissez, et ce que Duplex apprend peut être examiné et annulé | Examen de l’entraînement, évaluation et approbation avant déploiement |
| Un historique vérifiable | Un historique de chaque décision, de son origine et de ce qu’il en est advenu, qui ne peut pas être modifié en silence | Entraînements, jeux de données, métriques de récompense et versions de modèle |
| Des reçus vérifiables | Les décisions, les compétences et les suppressions peuvent s’accompagner de reçus vérifiables | Évaluation du modèle et rapports d’entraînement |
| Annuler exactement ce qui a été appris | NatifUn changement appris peut être annulé exactement, sans rien réentraîner | Revenir en arrière sur toute une version du modèle, ou réentraîner sans l’échantillon |
| Un oubli qui atteint tout ce qui est bâti dessus | Supprimer quelque chose supprime aussi ce qui en est issu : le contexte, tout ce qui en a été partagé et l’apprentissage lié | Exige un désapprentissage machine ou un réentraînement |
| Garder les clients séparés | Chaque utilisateur, équipe, organisation et client reste séparé, dans chaque intégration et dans tout ce qu’il partage | IAM cloud et limites d’accès aux modèles |
| D’où vient tout ce qui a été appris | Pour tout ce qu’il a appris, vous voyez sa source, sa portée et jusqu’où on peut s’y fier | Lignage des jeux de données et métadonnées d’entraînement |
| Où il tourne et se connecte | ||
| Tout fournisseur de modèle | Une seule intelligence pour OpenAI, Anthropic, Google, AWS et les modèles compatibles | Généralement lié au modèle adapté et au fournisseur d’entraînement |
| MCP | NatifVia MCP + hooks, Duplex prend part à chaque étape de vos agents | Non natif |
| Hooks et plugins | NatifDes plugins pour Claude, Codex, Cursor et Hermes, et des hooks qui font intervenir Duplex à chaque étape et vérifient les actions d’outils sensibles | La collecte des données doit être construite à part |
| Votre cloud, ou auto-hébergé | Vareon cloud, votre cloud ou sans cloud : cloud privé, votre propre compte, auto-hébergé ou isolé du réseau | Entraînement dans le cloud et inférence hébergée |
| Sans cloud : isolé du réseau | Conçu pour les déploiements d’où rien ne doit sortir, avec des modèles locaux, des dépendances locales et votre propre fournisseur d’identité | Limité aux services qui permettent l’entraînement et l’inférence hors ligne |
| Coût, vitesse et adéquation | ||
| Comment il réduit le coût des modèles | Duplex traite lui-même le travail connu, sans appel répété à un modèle de pointe | Un modèle adapté plus petit peut offrir la qualité dont vous avez besoin |
| Comment il réduit la latence | Les décisions dont il est sûr reviennent vite ; le travail incertain va toujours à votre modèle de pointe | Dépend du modèle adapté |
| Survit à une mise à niveau du modèle | OuiL’apprentissage, le contexte, les tâches et les règles restent hors de tout modèle particulier | La personnalisation appartient à un seul checkpoint du modèle, elle ne se transfère donc pas automatiquement |
| Fine-tuning nécessaire | NonLe fine-tuning devient une étape supplémentaire facultative | Oui |
| Idéal pour | Les organisations qui ont besoin que leurs agents d’IA apprennent, agissent selon des règles, fassent avancer le travail et s’améliorent d’un modèle à l’autre, comme un seul système | Les tâches stables et à fort volume où le modèle lui-même doit être spécialisé |
Les autres comparatifs.
- Duplex et LettaAgents avec état, dotés de mémoire et de compétences
- Duplex et CopilotKit CLiFDe vrais workflows, transformés en compétences
- Duplex et Deeplake HivemindUne mémoire partagée pour les agents de codage
- Duplex et plateformes de mémoireMem0, Zep, AgentCore Memory, Supermemory
- Duplex et Passerelles d’IAPortkey, LiteLLM et similaires
- Le comparatif completDuplex à côté des six, côte à côte
Voyez Duplex sur votre propre travail.
Comparez là où ça compte : un pilote applique Duplex à votre propre travail, avec des indicateurs convenus avant son lancement.