Duplex en fine-tuning,
naast elkaar.
Fine-tuning en reinforcement fine-tuning veranderen de gewichten van een model, één trainingsrun tegelijk. Duplex leert tijdens runtime, buiten de gewichten: het overleeft elke modelupgrade, en elke wijziging die het leerde, kan precies ongedaan worden gemaakt.
Vergelijking actueel per 16 oktober 2026.
Alle mogelijkheden: Duplex en fine-tuning.
Wat elk doet, groep voor groep, van wat het is tot wat het kost.
- Native
- Ingebouwd in hoe het product in de kern werkt.
- Extern
- Je levert het apart aan, of stelt het apart samen.
- Niet native
- De documentatie van het product vermeldt het niet als ingebouwde functie. Zelf bouwen is misschien nog wel mogelijk.
| Mogelijkheid | Duplex | Fine-tuning en RFT |
|---|---|---|
| Wat ze elk zijn | ||
| Wat het is | Een runtime-intelligentie naast je AI: ze leert en handelt voor je agents en assistenten, binnen jouw regels | Een model aanpassen door het te trainen |
| Wat het meeneemt | Context, beslissingen, uitkomsten, regels, taken, skills en wat het heeft geleerd | Een nieuwe set modelgewichten |
| Wat beter wordt met ervaring | Zijn volgende beslissingen: zekerheid, routering, aanbevelingen, toolgebruik en herbruikbare kennis | De antwoorden van het onderliggende model |
| Weten wat er gebeurde, en ervan leren | NativeHet weet wat er gebeurde, en leert wat het hierna moet veranderen | Leren zonder blijvend operationeel geheugen |
| Leren | ||
| Continu leren zonder hertraining | NativeHet blijft leren, buiten de gewichten van je model | NeeHet leert door training |
| Aanpassing van beurt tot beurt | NativeElk nieuw resultaat kan de volgende beslissing meteen veranderen | Wacht tot een trainingsjob klaar is en het nieuwe model is uitgerold |
| Leren van correcties | NativeEen correctie verandert wat Duplex hierna doet | Correcties moeten in een trainingsdataset of een beloningspipeline terechtkomen |
| Leren van uitkomsten | NativeSucces en mislukking gaan direct terug in wat het leert | NativeAls uitkomsten in beloningen kunnen worden omgezet |
| Leren van beloningen | NativeEen beloning versterkt wat werkte en corrigeert wat niet werkte | NativeBeloningen optimaliseren de gewichten van het model |
| Eer voor de stappen achter een resultaat | NativeHet achterhaalt welke eerdere acties tot een later resultaat leidden | Kan correlaties leren uit trainingsvoorbeelden, maar kan een live resultaat niet herleiden tot de stappen erachter |
| Hoe acties het werk vooruithelpen | NativeHet leert hoe elke actie het werk van de ene toestand naar de volgende brengt | Kan deze patronen tijdens training opnemen |
| Voorspellen wat een actie zal doen | NativeUit wat het waarneemt, voorspelt het wat een actie zal doen, probeert het alternatieven en plant het | Impliciet in het getrainde model, waar je het niet kunt bewerken |
| Betere keuze van acties | NativeUitkomsten verbeteren welke actie het hierna kiest | NativeDoor het model te optimaliseren |
| Herbruikbare vaardigheden | NativeUit ervaring ontstaan skills die vóór gebruik getest zijn, en die je kunt pauzeren, terughalen of intrekken | Kennis wordt opgenomen in gewichten, niet verpakt als overdraagbare skills |
| Skills testen en beheren | Een skill wordt getest voordat erop wordt vertrouwd, en kan worden gepauzeerd, teruggehaald, ingetrokken of definitief verwijderd | Evaluatie gebeurt rond training en uitrol |
| Generaliseren naar verwante gevallen | Het neemt wat het leerde mee naar verwante gevallen en nieuwe bewoordingen, en naar skills die het kan hergebruiken | Generaliseert via de getrainde gewichten |
| Beslissen en handelen | ||
| Weten hoe zeker het is | NativeVóór elke beslissing weet het hoe bekend het geval is en hoe zeker het is | De zekerheid van het model moet apart worden gemeten |
| Antwoorden, overdragen of weigeren | NativeDuplex antwoordt zelf, roept je model aan, gebruikt een tool of weigert, binnen jouw regels | Het getrainde model draait nog steeds bij elk verzoek |
| Bekend werk zelf beantwoorden | NativeHet neemt bekende beslissingen zelf, zonder nog een aanroep van een frontiermodel | Het aangepaste model draait nog steeds |
| Overdragen wat nieuw of onzeker is | Nieuw, onzeker of gevoelig werk gaat naar het juiste model, de juiste tool of de juiste persoon | ExternDe taak van de applicatie |
| Plannen, simulatie en aanbevelingen | NativeHet voorspelt wat er hierna gebeurt, probeert alternatieven, maakt plannen en beveelt acties aan | Het model plant misschien beter, maar de stand van het werk blijft extern |
| Veel agents die samenwerken | Het stuurt werk naar de juiste agent, verdeelt het binnen jouw regels, houdt elke agent binnen zijn bereik en brengt de resultaten samen | Niet native |
| Leren welke tools werken | Het leert welke tools werken, wanneer het ze moet inzetten en waar elke tool toe leidt | Toolgedrag kan verbeteren door training |
| Toolacties binnen jouw regels | Tools draaien alleen via jouw regels en rechten | Extern |
| Streaming | Het streamt uitvoer van model en tools, met elke stap nog steeds binnen jouw regels | Hangt af van de modelaanbieder |
| Werk dat doorloopt | ||
| Leren van elke stap, automatisch | Elke stap, via MCP + hooks of de plugins, voedt één gedeelde leerlus | Voor training moeten logs of datasets worden aangeleverd |
| Context over sessies heen | NativeWerk, beslissingen, taken en de context die ertoe doet, lopen door over sessies heen | Niet native |
| Langlopend werk | NativeLangdurig werk blijft open over sessies en agents heen, met veilige punten om naar terug te keren, tot het af is of vergeten wordt | Niet native |
| Over modellen heen | NativeWat het leert en je context blijven buiten het model, en volgen het werk over aanbieders heen | Zwak: een nieuw basismodel moet meestal opnieuw worden getraind of gevalideerd |
| Over apps en agents heen | Hetzelfde werk loopt door in Claude, Codex, Cursor, Hermes en je eigen agents | Niet native |
| Werk overdragen aan een andere agent | Een taak en de context gaan over naar een andere agent die je toestaat, klaar om verder te gaan | Niet native |
| Context compact houden | Context blijft compact, gericht op de regels, taken en beslissingen die ertoe doen | Niet native |
| Leren van afbeeldingen, audio, video en PDF’s | Het leert van afbeeldingen, audio, video en PDF’s, zoals het van tekst leert | Ondersteund als het model en de trainingsdienst het medium accepteren |
| Over media heen | Een vraag in woorden kan putten uit wat is geleerd van afbeeldingen, audio en video, en media kunnen latere beslissingen vormen | Vastgelegd in gewichten als de training het ondersteunt |
| Mensen, teams en delen | ||
| Voor elke persoon | NativeElke persoon krijgt een eigen privécontext, eigen voorkeuren en een eigen leerproces | Vraagt meestal een apart getraind of aangepast model |
| Voor elk team | NativeTeams delen goedgekeurd leren, en privéwerk blijft privé | Vraagt meestal gedeelde trainingsdata en een gedeeld model |
| In de hele organisatie | NativeWat werkt, kan van één persoon naar het team en de organisatie gaan, volgens jouw regels | Een eigen model kan gemeenschappelijk gedrag voor de organisatie vastleggen |
| Delen tussen mensen, onder controle | Jij kiest wat wordt gedeeld en met wie, en kunt het intrekken; alles wat gedeeld is, toont van wie het komt | Toegangscontrole voor datasets en modellen |
| Bescherming voor gedeelde inhoud | Wat iemand deelt, komt binnen als informatie, nooit als instructies, dus het kan de agent van een ander niet sturen | Trainingsdata heeft vóór de training eigen controles nodig |
| Controle en vertrouwen | ||
| Je regels | Je regels horen bij hoe Duplex werkt: ze staan echte acties toe, weigeren ze of beperken ze | Gedrag wordt gevormd door training, niet door live regels |
| Regels toegepast vóór elke actie | NativeDe hooks toetsen elke actie aan je regels voordat die draait | Extern |
| Mensen in het proces | Een persoon bevestigt de acties die je kiest, en wat Duplex leert, kan worden beoordeeld en ongedaan gemaakt | Beoordeling van training, evaluatie en goedkeuring vóór uitrol |
| Een geschiedenis die je kunt controleren | Een geschiedenis van elke beslissing, waar die vandaan kwam en wat eruit voortkwam, die niet stilletjes kan worden veranderd | Trainingsjobs, datasets, beloningsmetrics en modelversies |
| Bonnetjes die je kunt verifiëren | Beslissingen, skills en verwijderingen kunnen komen met bonnetjes die je kunt verifiëren | Modelevaluatie en trainingsrapporten |
| Precies ongedaan maken wat geleerd is | NativeÉén geleerde wijziging kan precies ongedaan worden gemaakt, zonder iets te hertrainen | Een hele modelversie terugdraaien, of hertrainen zonder het voorbeeld |
| Vergeten dat alles bereikt wat erop is gebouwd | Iets verwijderen verwijdert ook wat eruit voortkwam: context, alles wat ervan gedeeld is en verwant leren | Vraagt machine unlearning of hertraining |
| Klanten gescheiden houden | Elke gebruiker, elk team, elke organisatie en elke klant blijft gescheiden, in elke integratie en in alles wat het deelt | Cloud-IAM en grenzen voor modeltoegang |
| Waar al het geleerde vandaan komt | Bij alles wat het leerde, zie je de bron, het bereik en hoe ver het te vertrouwen is | Herkomst van datasets en trainingsmetadata |
| Waar het draait en koppelt | ||
| Elke modelaanbieder | Één intelligentie voor OpenAI, Anthropic, Google, AWS en compatibele modellen | Meestal gebonden aan het aangepaste model en de trainingsaanbieder |
| MCP | NativeVia MCP + hooks doet Duplex mee bij elke stap die je agents zetten | Niet native |
| Hooks en plugins | NativePlugins voor Claude, Codex, Cursor en Hermes, en hooks die Duplex bij elke stap betrekken en gevoelige toolacties controleren | Gegevensverzameling moet apart worden gebouwd |
| Jouw cloud, of zelfgehost | Vareon cloud, jouw cloud of geen cloud: private cloud, je eigen account, zelfgehost of air-gapped | Training in de cloud en gehoste inferentie |
| Geen cloud: air-gapped | Gebouwd voor implementaties waar niets naar buiten mag, met lokale modellen, lokale afhankelijkheden en je eigen identiteitsprovider | Beperkt tot diensten die offline training en inferentie ondersteunen |
| Kosten, snelheid en geschiktheid | ||
| Hoe het modelkosten verlaagt | Duplex beantwoordt bekend werk zelf, zonder herhaalde aanroep van een frontiermodel | Een kleiner aangepast model kan de kwaliteit geven die je nodig hebt |
| Hoe het latentie verlaagt | Beslissingen waar het zeker van is, komen snel terug; onzeker werk gaat nog steeds naar je frontiermodel | Hangt af van het aangepaste model |
| Overleeft een modelupgrade | JaLeren, context, taken en regels blijven buiten elk afzonderlijk model | De aanpassing hoort bij één modelcheckpoint, dus die gaat niet automatisch mee |
| Fine-tuning nodig | NeeFine-tuning wordt een optionele extra stap | Ja |
| Het best geschikt voor | Organisaties waarvan de AI-agents moeten leren, binnen regels handelen, werk meenemen en beter worden over modellen heen, als één systeem | Stabiele taken met hoog volume, waarbij het model zelf gespecialiseerd moet zijn |
De andere vergelijkingen.
- Duplex en LettaStateful agents met geheugen en skills
- Duplex en CopilotKit CLiFEchte workflows, omgezet in skills
- Duplex en Deeplake HivemindGedeeld geheugen voor coding-agents
- Duplex en geheugenplatformsMem0, Zep, AgentCore Memory, Supermemory
- Duplex en AI-gatewaysPortkey, LiteLLM en vergelijkbare
- De volledige vergelijkingDuplex naast alle zes, naast elkaar
Zie Duplex in je eigen werk.
Vergelijk het waar het telt: een pilot zet Duplex in op je eigen werk, met maatstaven die vóór de start zijn afgesproken.