Duplex e fine-tuning,
fianco a fianco.
Il fine-tuning e il reinforcement fine-tuning cambiano i pesi di un modello, un addestramento alla volta. Duplex impara a runtime, fuori dai pesi: sopravvive a ogni aggiornamento del modello, e ogni modifica che ha appreso si può annullare con esattezza.
Confronto aggiornato al 16 ottobre 2026.
Tutte le capacità: Duplex e fine-tuning.
Cosa fa ciascuno, gruppo per gruppo, da cosa è a quanto costa.
- Nativo
- Integrato nel funzionamento di base del prodotto.
- Esterno
- Lo fornisci tu, o lo assembli, a parte.
- Non nativo
- La documentazione del prodotto non lo elenca come funzionalità integrata. Una soluzione su misura potrebbe comunque essere possibile.
| Capacità | Duplex | Fine-tuning e RFT |
|---|---|---|
| Cosa è ciascuno | ||
| Cos’è | Un’intelligenza a runtime accanto alla tua IA: impara e agisce per i tuoi agenti e assistenti, entro le tue regole | Adattare un modello addestrandolo |
| Ciò che porta avanti | Contesto, decisioni, esiti, regole, compiti, competenze e ciò che ha imparato | Un nuovo insieme di pesi del modello |
| Cosa migliora con l’esperienza | Le sue prossime decisioni: certezza, instradamento, raccomandazioni, uso degli strumenti e conoscenza riutilizzabile | Le risposte del modello sottostante |
| Sapere cosa è successo, e imparare da questo | NativoSa cosa è successo, e impara cosa cambiare dopo | Apprendimento senza una memoria operativa duratura |
| Apprendimento | ||
| Apprendimento continuo senza riaddestramento | NativoContinua a imparare, fuori dai pesi del tuo modello | NoImpara attraverso l’addestramento |
| Adattamento turno per turno | NativoOgni nuovo risultato può cambiare subito la decisione successiva | Aspetta che un addestramento finisca e che il nuovo modello sia rilasciato |
| Imparare dalle correzioni | NativoUna correzione cambia ciò che Duplex fa dopo | Le correzioni devono entrare in un dataset di addestramento o in una pipeline di ricompensa |
| Imparare dagli esiti | NativoSuccessi e fallimenti tornano dritti in ciò che impara | NativoQuando gli esiti si possono trasformare in ricompense |
| Imparare dalle ricompense | NativoUna ricompensa rafforza ciò che ha funzionato e corregge ciò che non ha funzionato | NativoLe ricompense ottimizzano i pesi del modello |
| Il merito dei passaggi che portano a un risultato | NativoCapisce quali azioni precedenti hanno portato a un risultato successivo | Può imparare correlazioni dagli esempi di addestramento, ma non può ricondurre un risultato in produzione ai suoi passaggi |
| Come le azioni fanno avanzare il lavoro | NativoImpara come ogni azione porta il lavoro da uno stato al successivo | Può assorbire questi schemi durante l’addestramento |
| Prevedere cosa farà un’azione | NativoDa ciò che osserva, prevede cosa farà un’azione, prova alternative e pianifica | Implicito nel modello addestrato, dove non puoi modificarlo |
| Scelte d’azione migliori | NativoGli esiti migliorano l’azione che sceglie dopo | NativoOttimizzando il modello |
| Competenze riutilizzabili | NativoL’esperienza diventa competenze testate prima dell’uso, che si possono sospendere, ripristinare o ritirare | La conoscenza viene assorbita nei pesi, non confezionata come competenze portabili |
| Testare e gestire le competenze | Una competenza viene testata prima di farci affidamento, e si può sospendere, ripristinare, ritirare o rimuovere per sempre | La valutazione avviene attorno ad addestramento e rilascio |
| Generalizzare a casi affini | Porta ciò che ha imparato a casi affini e a nuove formulazioni, e in competenze che può riutilizzare | Generalizza tramite i pesi addestrati |
| Decidere e agire | ||
| Sapere quanto è sicuro | NativoPrima di ogni decisione, sa quanto il caso è noto e quanto è sicuro | La fiducia del modello va misurata a parte |
| Rispondere, passare la mano o rifiutare | NativoDuplex risponde da sé, chiama il tuo modello, usa uno strumento o rifiuta, entro le tue regole | Il modello addestrato gira comunque a ogni richiesta |
| Rispondere da sé al lavoro noto | NativoPrende da solo le decisioni note, senza un’altra chiamata a un modello di frontiera | Il modello adattato gira comunque |
| Passare la mano su ciò che è nuovo o incerto | Il lavoro nuovo, incerto o sensibile va al modello, allo strumento o alla persona giusti | EsternoIl compito dell’applicazione |
| Pianificazione, simulazione e raccomandazioni | NativoPrevede cosa succede dopo, prova alternative, costruisce piani e raccomanda azioni | Il modello forse pianifica meglio, ma lo stato del lavoro resta esterno |
| Molti agenti, al lavoro insieme | Manda il lavoro all’agente giusto, lo suddivide entro le tue regole, tiene ogni agente nel suo ambito e riunisce i risultati | Non nativo |
| Imparare quali strumenti funzionano | Impara quali strumenti funzionano, quando usarli e a cosa porta ciascuno | Il comportamento degli strumenti può migliorare con l’addestramento |
| Azioni degli strumenti entro le tue regole | Gli strumenti girano solo attraverso le tue regole e i tuoi permessi | Esterno |
| Streaming | Trasmette in streaming l’output del modello e degli strumenti, con ogni passaggio sempre entro le tue regole | Dipende dal fornitore del modello |
| Lavoro che prosegue | ||
| Imparare da ogni passaggio, automaticamente | Ogni passaggio, tramite MCP + hooks o i plugin, alimenta un unico ciclo di apprendimento condiviso | Per l’addestramento vanno forniti log o dataset |
| Contesto tra sessioni | NativoLavoro, decisioni, compiti e il contesto che conta proseguono tra una sessione e l’altra | Non nativo |
| Lavoro di lunga durata | NativoIl lavoro lungo resta aperto tra sessioni e agenti, con punti di ripristino a cui tornare, finché non è finito o dimenticato | Non nativo |
| Tra modelli | NativoCiò che impara e il tuo contesto restano fuori dal modello, e seguono il lavoro tra fornitori | Debole: un nuovo modello di base di solito richiede riaddestramento o una nuova validazione |
| Tra app e agenti | Lo stesso lavoro prosegue in Claude, Codex, Cursor, Hermes e nei tuoi agenti | Non nativo |
| Passare il lavoro a un altro agente | Un compito e il suo contesto passano a un altro agente che autorizzi, pronti a proseguire | Non nativo |
| Mantenere compatto il contesto | Il contesto resta compatto, concentrato su regole, compiti e decisioni che contano | Non nativo |
| Imparare da immagini, audio, video e PDF | Impara da immagini, audio, video e PDF, come dal testo | Supportato quando il modello e il servizio di addestramento accettano il formato |
| Tra media diversi | Una domanda a parole può attingere a ciò che è stato appreso da immagini, audio e video, e i media possono orientare decisioni successive | Codificato nei pesi quando l’addestramento lo supporta |
| Persone, team e condivisione | ||
| Per ogni persona | NativoOgni persona ha il proprio contesto privato, le proprie preferenze e il proprio apprendimento | Di solito richiede un modello addestrato o adattato a parte |
| Per ogni team | NativoI team condividono l’apprendimento approvato, e il lavoro privato resta privato | Di solito richiede dati di addestramento condivisi e un modello condiviso |
| In tutta l’organizzazione | NativoCiò che funziona può passare da una persona al team e all’organizzazione, secondo le tue regole | Un modello su misura può codificare un comportamento comune per l’organizzazione |
| Condivisione tra persone, sotto controllo | Scegli cosa condividere e con chi, e puoi ritirarlo; tutto ciò che è condiviso mostra da chi viene | Controlli di accesso per dataset e modelli |
| Protezione dei contenuti condivisi | Ciò che qualcuno condivide arriva come informazione, mai come istruzione, quindi non può guidare l’agente di un’altra persona | I dati di addestramento richiedono controlli propri prima dell’addestramento |
| Controllo e fiducia | ||
| Le regole | Le tue regole fanno parte di come funziona Duplex: consentono, rifiutano o limitano azioni reali | Il comportamento è plasmato dall’addestramento, non da regole in tempo reale |
| Regole applicate prima di ogni azione | NativoGli hook controllano ogni azione rispetto alle tue regole prima che venga eseguita | Esterno |
| Persone nel ciclo | Una persona conferma le azioni che scegli, e ciò che Duplex impara si può revisionare e annullare | Revisione dell’addestramento, valutazione e approvazione prima del rilascio |
| Uno storico che puoi verificare | Una cronologia di ogni decisione, da dove viene e cosa ne è derivato, che non si può modificare di nascosto | Job di addestramento, dataset, metriche di ricompensa e versioni del modello |
| Ricevute verificabili | Decisioni, competenze e cancellazioni possono avere ricevute verificabili | Valutazione del modello e report di addestramento |
| Annullare con esattezza ciò che ha appreso | NativoUna singola modifica appresa si può annullare con esattezza, senza riaddestrare nulla | Tornare indietro di un’intera versione del modello, o riaddestrare senza il campione |
| Un oblio che raggiunge tutto ciò che vi è costruito sopra | Rimuovere qualcosa rimuove anche ciò che ne deriva: contesto, tutto ciò che ne è stato condiviso e l’apprendimento collegato | Richiede machine unlearning o riaddestramento |
| Tenere separati i clienti | Ogni utente, team, organizzazione e cliente resta separato, in ogni integrazione e in tutto ciò che condivide | IAM del cloud e confini di accesso ai modelli |
| Da dove viene tutto ciò che ha appreso | Per tutto ciò che ha appreso, puoi vedere la fonte, l’ambito e quanto ci si può fidare | Tracciabilità dei dataset e metadati di addestramento |
| Dove gira e si collega | ||
| Qualsiasi fornitore di modelli | Un’unica intelligenza per OpenAI, Anthropic, Google, AWS e modelli compatibili | Di solito legato al modello adattato e al fornitore dell’addestramento |
| MCP | NativoTramite MCP + hooks, Duplex partecipa a ogni passaggio dei tuoi agenti | Non nativo |
| Hook e plugin | NativoPlugin per Claude, Codex, Cursor e Hermes, e hook che coinvolgono Duplex a ogni passaggio e controllano le azioni sensibili degli strumenti | La raccolta dei dati va costruita a parte |
| Il tuo cloud, o self-hosted | Vareon cloud, il tuo cloud o senza cloud: cloud privato, il tuo account, self-hosted o air-gapped | Addestramento nel cloud e inferenza ospitata |
| Senza cloud: air-gapped | Pensato per implementazioni da cui nulla può uscire, con modelli locali, dipendenze locali e il tuo provider di identità | Limitato ai servizi che supportano addestramento e inferenza offline |
| Costo, velocità e idoneità | ||
| Come riduce il costo dei modelli | Duplex risponde da solo al lavoro noto, senza ripetere la chiamata a un modello di frontiera | Un modello adattato più piccolo può dare la qualità che ti serve |
| Come riduce la latenza | Le decisioni di cui è sicuro tornano in fretta; il lavoro incerto va comunque al tuo modello di frontiera | Dipende dal modello adattato |
| Sopravvive a un aggiornamento del modello | SìApprendimento, contesto, compiti e regole restano fuori da ogni singolo modello | L’adattamento appartiene a un solo checkpoint del modello, quindi non si trasferisce automaticamente |
| Fine-tuning necessario | NoIl fine-tuning diventa un passo in più facoltativo | Sì |
| Ideale per | Organizzazioni che hanno bisogno che i loro agenti di IA imparino, agiscano entro regole, portino avanti il lavoro e migliorino tra modelli diversi, come un unico sistema | Compiti stabili e ad alto volume in cui il modello stesso deve essere specializzato |
Gli altri confronti.
- Duplex e LettaAgenti con stato, con memoria e competenze
- Duplex e CopilotKit CLiFFlussi di lavoro reali, trasformati in competenze
- Duplex e Deeplake HivemindMemoria condivisa per agenti di coding
- Duplex e piattaforme di memoriaMem0, Zep, AgentCore Memory, Supermemory
- Duplex e Gateway di IAPortkey, LiteLLM e simili
- Il confronto completoDuplex accanto a tutti e sei, fianco a fianco
Vedi Duplex all’opera sul tuo lavoro.
Confrontalo dove conta: un progetto pilota applica Duplex al tuo lavoro, con metriche concordate prima di partire.