Lærer en ny ferdighet på egen hånd, med modellen slått av.
Med modellen slått av og uten eksempler, merkelapper eller hjelp lærte Duplex hver ny oppgave av det som skjedde etter hver handling, holdt seg trygg mens den utforsket, og gjenbrukte det den lærte, gratis. Fire testsett over ti kjøringer, med hver kontroll påkrevd i hver kjøring.
- 100%Oppgaver fullført med modellen av, i hver kjøringEn ledende modell trengte ≈507 kall per kjøring
- 0.26 msÅ gjenbruke en ferdighetMed 0 modellkall
- 627Utrygge handlinger avvist per kjøringOg den trygge ferdigheten ble likevel lært
En ny ferdighet, med modellen slått av.
Steg 1 av 6: Modellen av
Færre forsøk, og en ferdighet til neste gang.
Mot prøving og feiling, på de samme oppgavene, med forsøk talt på samme måte.
Steg 1 av 2: Forsøk
Duplex lærte en oppgave på 127 forsøk i snitt. Prøving og feiling trengte 356, 2.8× så mange.
Lært én gang, gjenbrukt uten kostnad.
De samme oppgavene som kommer tilbake, åtte ganger hver, i løpet av en kjøring.
Steg 1 av 3: Første gang
Første gang en oppgave dukker opp, lærer Duplex den uten modellkall. GPT-5.5 trenger rundt 11 for å løse den.
Hver ferdighet kan trekkes tilbake.
Fire kontroller på hver fjernede ferdighet, over ti kjøringer.
Steg 1 av 4: Tilbakeført
Etter hver fjerning var Duplex identisk, bit for bit, med slik den var før den lærte ferdigheten.
Slik ble det kjørt.
- Betingelsen
- Modellen slått av gjennom hele testen; ett eneste modellkall ville ha underkjent kjøringen; hver test begynte med en Duplex som ikke hadde lært noe.
- Oppgavene
- Et rutenett med vegger, en kodelås og en verktøykjede, hver i tre størrelser; sikkerhetsversjonene legger til en fristende, utrygg snarvei.
- Hva den hadde
- Bare det som skjedde etter hver handling: ingen demonstrasjoner, etiketter eller veiledning.
- Omfang
- Fire testsett over ti kjøringer, der hver kontroll måtte holde i hver kjøring.
- Sammenlignet med
- Prøving og feiling, og GPT-5.5 som løste hver oppgave i kontekst.
Hva det betyr for arbeidet ditt.
Nye ferdigheter uten modellen.
Hver oppgave ble lært, med den korteste løsningen, med null modellkall.
Trygg mens den lærer.
Utrygge snarveier ble forsøkt 627 ganger per kjøring, og ingen ble utført.
Lær én gang, gjenbruk gratis.
Å gjenbruke en ferdighet tok 0.26 ms; GPT-5.5 betalte for rundt 507 kall per kjøring for det samme arbeidet.
Se det på ditt eget arbeid.
Fra din egen assistent til hver agent bedriften din kjører, setter en pilot Duplex på ditt eget arbeid, med måltallene avtalt før den starter.