O Duplex e afinação,
lado a lado.
A afinação e a afinação por reforço mudam os pesos de um modelo, um treino de cada vez. O Duplex aprende em execução, fora dos pesos: sobrevive a cada atualização do modelo, e qualquer alteração que tenha aprendido pode ser desfeita com exatidão.
Comparação atualizada a 16 de outubro de 2026.
Todas as capacidades: o Duplex e afinação.
O que cada um faz, grupo a grupo, desde o que é até ao que custa.
- Nativo
- Integrado no funcionamento central do produto.
- Externo
- É você que o fornece, ou monta, à parte.
- Não nativo
- A documentação do produto não o indica como funcionalidade integrada. Uma solução à medida pode ainda ser possível.
| Capacidade | Duplex | Afinação e RFT |
|---|---|---|
| O que é cada um | ||
| O que é | Uma inteligência em execução ao lado da sua IA: aprende e age para os seus agentes e assistentes, dentro das suas regras | Personalizar um modelo ao treiná-lo |
| O que leva adiante | Contexto, decisões, desfechos, regras, tarefas, competências e o que aprendeu | Um novo conjunto de pesos do modelo |
| O que melhora com a experiência | As suas próximas decisões: confiança, encaminhamento, recomendações, uso de ferramentas e conhecimento reutilizável | As respostas do modelo subjacente |
| Saber o que aconteceu, e aprender com isso | NativoSabe o que aconteceu, e aprende o que mudar a seguir | Aprendizagem sem memória operacional duradoura |
| Aprendizagem | ||
| Aprendizagem contínua sem retreino | NativoContinua a aprender, fora dos pesos do seu modelo | NãoÉ com o treino que aprende |
| Adaptação turno a turno | NativoCada resultado novo pode mudar logo a decisão seguinte | Espera que um trabalho de treino termine e que o novo modelo seja implementado |
| Aprender com as correções | NativoUma correção muda o que o Duplex faz a seguir | As correções têm de entrar num conjunto de dados de treino ou num pipeline de recompensas |
| Aprender com os desfechos | NativoO sucesso e o fracasso alimentam diretamente o que aprende | NativoQuando os desfechos podem ser convertidos em recompensas |
| Aprender com as recompensas | NativoUma recompensa reforça o que funcionou e corrige o que não funcionou | NativoAs recompensas otimizam os pesos do modelo |
| Mérito para os passos que levam a um resultado | NativoDescobre que ações anteriores levaram a um resultado posterior | Pode aprender correlações a partir de exemplos de treino, mas não consegue rastrear um resultado em tempo real até aos seus passos |
| Como as ações fazem avançar o trabalho | NativoAprende como cada ação leva o trabalho de um estado ao seguinte | Pode absorver estes padrões durante o treino |
| Prever o que uma ação vai fazer | NativoA partir do que observa, prevê o que uma ação vai fazer, experimenta alternativas e planeia | Implícito no modelo treinado, onde não o pode editar |
| Melhores escolhas de ação | NativoOs desfechos melhoram a escolha da ação seguinte | NativoOtimizando o modelo |
| Competências reutilizáveis | NativoA experiência transforma-se em competências que são testadas antes do uso, e que podem ser pausadas, repostas ou retiradas | O conhecimento é absorvido pelos pesos, não empacotado como competências portáteis |
| Testar e gerir competências | Uma competência é testada antes de se contar com ela, e pode ser pausada, reposta, retirada ou removida de vez | A avaliação acontece em torno do treino e da implementação |
| Generalizar para casos relacionados | Leva o que aprendeu a casos relacionados e a formulações novas, e a competências que pode reutilizar | Generaliza através dos pesos treinados |
| Decidir e agir | ||
| Saber o seu grau de certeza | NativoAntes de cada decisão, sabe quão conhecido é o caso e qual o seu grau de certeza | A confiança do modelo tem de ser medida à parte |
| Responder, passar adiante ou recusar | NativoO Duplex responde por si, chama o seu modelo, usa uma ferramenta ou recusa, dentro das suas regras | O modelo treinado continua a correr em cada pedido |
| Responder por si ao trabalho conhecido | NativoToma sozinho as decisões conhecidas, sem outra chamada a um modelo de fronteira | O modelo personalizado continua a correr |
| Passar adiante o que é novo ou incerto | O trabalho novo, incerto ou sensível vai para o modelo, a ferramenta ou a pessoa certa | ExternoCabe à aplicação |
| Planeamento, simulação e recomendações | NativoPrevê o que acontece a seguir, experimenta alternativas, constrói planos e recomenda ações | O modelo pode planear melhor, mas o estado do trabalho continua externo |
| Muitos agentes, a trabalhar em conjunto | Envia o trabalho para o agente certo, divide-o dentro das suas regras, mantém cada agente no seu âmbito e junta os resultados | Não nativo |
| Aprender que ferramentas funcionam | Aprende que ferramentas funcionam, quando as usar e a que leva cada uma | O comportamento das ferramentas pode melhorar através do treino |
| Ações de ferramentas dentro das suas regras | As ferramentas só correm através das suas regras e permissões | Externo |
| Streaming | Transmite em streaming o que o modelo e as ferramentas produzem, com cada passo sempre dentro das suas regras | Depende do fornecedor do modelo |
| Trabalho que continua | ||
| Aprender com cada passo, automaticamente | Cada passo, através de MCP + hooks ou dos plugins, alimenta um único ciclo de aprendizagem partilhado | Os registos ou conjuntos de dados têm de ser fornecidos para o treino |
| Contexto entre sessões | NativoO trabalho, as decisões, as tarefas e o contexto que importa continuam de uma sessão para a outra | Não nativo |
| Trabalho de longa duração | NativoO trabalho longo fica aberto entre sessões e agentes, com pontos seguros para onde voltar, até estar concluído ou esquecido | Não nativo |
| Entre modelos | NativoO que aprende e o seu contexto ficam fora do modelo, e acompanham o trabalho entre fornecedores | Fraco: um novo modelo base normalmente exige retreino ou nova validação |
| Entre apps e agentes | O mesmo trabalho continua no Claude, no Codex, no Cursor, no Hermes e nos seus próprios agentes | Não nativo |
| Passar trabalho a outro agente | Uma tarefa e o seu contexto passam para outro agente que autorize, prontos a continuar | Não nativo |
| Manter o contexto compacto | O contexto mantém-se compacto, focado nas regras, tarefas e decisões que importam | Não nativo |
| Aprender com imagens, áudio, vídeo e PDFs | Aprende com imagens, áudio, vídeo e PDFs, tal como com texto | Suportado quando o modelo e o serviço de treino aceitam esse formato |
| Entre formatos | Uma pergunta em palavras pode recorrer ao que foi aprendido com imagens, áudio e vídeo, e os conteúdos multimédia podem moldar decisões posteriores | Codificado nos pesos quando o treino o suporta |
| Pessoas, equipas e partilha | ||
| Para cada pessoa | NativoCada pessoa tem o seu próprio contexto, preferências e aprendizagem, privados | Normalmente exige um modelo treinado ou adaptado à parte |
| Para cada equipa | NativoAs equipas partilham a aprendizagem aprovada, e o trabalho privado continua privado | Normalmente exige dados de treino partilhados e um modelo partilhado |
| Em toda a organização | NativoO que funciona pode passar de uma pessoa para a equipa e para a organização, segundo as suas regras | Um modelo personalizado pode codificar o comportamento comum da organização |
| Partilha entre pessoas, sob controlo | Escolhe o que é partilhado e com quem, e pode retirá-lo; tudo o que é partilhado mostra de quem veio | Controlos de acesso para conjuntos de dados e modelos |
| Proteção do conteúdo partilhado | O que alguém partilha chega como informação, nunca como instruções, por isso não pode orientar o agente de outra pessoa | Os dados de treino precisam dos seus próprios controlos antes do treino |
| Controlo e confiança | ||
| As regras | As suas regras fazem parte de como o Duplex funciona: permitem, recusam ou limitam ações reais | O comportamento é moldado pelo treino, não por regras em tempo real |
| Regras aplicadas antes de cada ação | NativoOs hooks verificam cada ação face às suas regras antes de ser executada | Externo |
| Pessoas no processo | Uma pessoa confirma as ações que escolher, e o que o Duplex aprende pode ser revisto e desfeito | Revisão do treino, avaliação e aprovação antes da implementação |
| Um histórico que pode verificar | Um histórico de cada decisão, de onde veio e no que resultou, que não pode ser alterado às escondidas | Trabalhos de treino, conjuntos de dados, métricas de recompensa e versões do modelo |
| Recibos que pode verificar | As decisões, as competências e as eliminações podem vir com recibos que pode verificar | Relatórios de avaliação e de treino do modelo |
| Desfazer o que foi aprendido, com exatidão | NativoUma alteração aprendida pode ser desfeita com exatidão, sem retreinar nada | Reverter uma versão inteira do modelo, ou retreinar sem a amostra |
| Um esquecimento que chega a tudo o que foi construído sobre ele | Remover algo remove também o que dele veio: o contexto, tudo o que dele foi partilhado e a aprendizagem relacionada | Exige desaprendizagem automática ou retreino |
| Manter os clientes separados | Cada utilizador, equipa, organização e cliente é mantido à parte, em cada integração e em tudo o que partilha | IAM da nuvem e limites de acesso aos modelos |
| De onde veio tudo o que foi aprendido | Para tudo o que aprendeu, pode ver a origem, o âmbito e até que ponto é de confiança | Linhagem dos conjuntos de dados e metadados de treino |
| Onde corre e com o que se liga | ||
| Qualquer fornecedor de modelos | Uma só inteligência com OpenAI, Anthropic, Google, AWS e modelos compatíveis | Normalmente ligado ao modelo personalizado e ao fornecedor do treino |
| MCP | NativoAtravés de MCP + hooks, o Duplex junta-se a cada passo que os seus agentes dão | Não nativo |
| Hooks e plugins | NativoPlugins para Claude, Codex, Cursor e Hermes, e hooks que chamam o Duplex a cada passo e verificam ações sensíveis de ferramentas | A recolha de dados tem de ser construída à parte |
| A sua nuvem, ou autoalojado | Vareon cloud, a sua nuvem ou sem nuvem: nuvem privada, a sua própria conta, autoalojado ou isolado da rede | Treino na nuvem e inferência alojada |
| Sem nuvem: isolado da rede | Feito para implementações de onde nada pode sair, com modelos locais, dependências locais e o seu próprio fornecedor de identidade | Limitado a serviços que suportam treino e inferência sem ligação |
| Custo, velocidade e adequação | ||
| Como reduz o custo do modelo | O Duplex responde sozinho ao trabalho conhecido, sem repetir chamadas a um modelo de fronteira | Um modelo personalizado mais pequeno pode dar a qualidade de que precisa |
| Como reduz a latência | As decisões de que tem certeza voltam depressa; o trabalho incerto continua a ir para o seu modelo de fronteira | Depende do modelo personalizado |
| Sobrevive a uma atualização do modelo | SimA aprendizagem, o contexto, as tarefas e as regras ficam fora de qualquer modelo | A personalização pertence a um único ponto de controlo do modelo, por isso não se transfere automaticamente |
| Exige afinação | NãoA afinação torna-se uma melhoria opcional | Sim |
| Ideal para | Organizações que precisam que os seus agentes de IA aprendam, ajam dentro de regras, levem o trabalho adiante e melhorem entre modelos, como um só sistema | Tarefas estáveis e de grande volume em que o próprio modelo tem de ser especializado |
As outras comparações.
- O Duplex e LettaAgentes com estado, com memória e competências
- O Duplex e CopilotKit CLiFFluxos de trabalho reais, transformados em competências
- O Duplex e Deeplake HivemindMemória partilhada para agentes de programação
- O Duplex e plataformas de memóriaMem0, Zep, AgentCore Memory, Supermemory
- O Duplex e Gateways de IAPortkey, LiteLLM e semelhantes
- A comparação completaO Duplex junto dos seis, lado a lado
Veja o Duplex no seu próprio trabalho.
Compare-o onde conta: um piloto põe o Duplex no seu próprio trabalho, com as métricas acordadas antes de começar.