Co Duplex přináší, v číslech.

• −90.3%*Volání modelu při vyšší přesnostiPřesnost 94.6%, proti 59.8% u samotného modelu
• 0%*Zastaralé odpovědi po změně pravidlaCache a vyhledávání: 72%
• 6 / 6*Testy, ve kterých Duplex porazil doladěníV průměru +30.3 bodu, bez tréninkového běhu
• 3 / 3*Špičkové modely poražené v předpovídání změn systémuVe veřejném podnikovém benchmarku, bez volání modelu

* Čísla z interních benchmarků společnosti Vareon, nezávisle neověřená. Přečtěte si vyloučení odpovědnosti

• O 90% méně volání modelu a vyšší přesnost.*

  94.6%*Přesnost, nejvyšší v testuSamotný model 59.8% · s cache 77.3%
  • −90.3% Volání modelu · Náklady −84.8% · latence −81.9%*
  • ~23× Rychlejší po naučení · ≈97 ms proti ≈2,231 ms*

  Proud 3,000 rozhodnutí, v němž se pravidla pětkrát změnila, proti samotnému špičkovému modelu a modelu se sémantickou cache; běh s 300 rozhodnutími přidal cache s vyhledáváním a znalostním grafem. Všechny přístupy používaly stejný model.

  Zobrazit celý výsledek →Učí se a odnaučuje se →

• Přesnější v každém nastavení, za sedminu nákladů.

  94.1 až 94.8%*Přesnost Duplexu v každém z osmi nastaveníNejlepší výsledek cache: 77.3%
  • 84 až 91% Ve třech nových bězích po 1,000 rozhodnutích · Nejlepší výsledek cache: přibližně 73%*

  Proud 3,000 rozhodnutí, na kterém byl každý přístup proměřen v celém rozsahu svých nastavení, pak tři nové běhy po 1,000 rozhodnutích ve druhém, nezávislém uspořádání.

  Zobrazit celý výsledek →Rozhoduje, zda odpovědět, předat, nebo odmítnout →

• Učí se dál, aniž by zapomínal, zastarával nebo rostl.

  5 / 5*Požadavky na učení v provozu, všechny splněné v každém běhuCache a vyhledávání v průměru 2.2 / 5 · online doladění 4 / 5
  • 0% Zastaralé odpovědi po změně zásad · Cache a vyhledávání 72%*
  • Stálá Velikost v průběhu času · Cache a vyhledávání narostly na ≈1,300 řádků*

  Deset běhů se stejným dohledem a stejnými vstupy pro všechny přístupy.

  Zobrazit celý výsledek →Zůstává rychlý a spolehlivý, i když roste →

• Zvládá nové formulace a rozpozná klamně podobné požadavky.

  7.5%*Špatné odpovědi na klamně podobné požadavkyCache 45.3%, zhruba 6× více
  • 98.98% Požadavků vyřízených správně: správně zodpovězených, nebo předaných vaší AI · Duplex sám zodpověděl 95.78% známých požadavků*
  • 0.996 Skóre rozlišení známého od nového, z 1 · Cache 0.930*

  Deset naučených záměrů a šest úrovní novosti, od přesných opakování po požadavky z jiné oblasti, během deseti běhů.

  Zobrazit celý výsledek →Zvládá případy, které nikdy neviděl →

• Naplánuje nejkratší cestu bez jediného tokenu modelu.

  100%*Úspěšnost plánů v každém běhuReaktivní agent: 0% · Duplex nepoužil žádné tokeny modelu
  • 0% Reaktivní hladový agent*
  • ~204 Tokeny na rozhodnutí, které špičkový model utratí, aby se mu vyrovnal*

  Vícekrokový svět během deseti běhů, v porovnání s reaktivním agentem a špičkovým modelem se stejným úkolem.

  Zobrazit celý výsledek →Vidí, co akce udělá →

• Udržuje úspěšnost úkolů agentů s menším počtem volání modelu.

  83.3%*Úspěšnost úkolůModel v každém kole: 82.5%
  • 12.8% Kola dokončená bez modelu · O ≈15% méně volání modelu*
  • 100% Úspěšnost u nových úkolů*

  Τ-bench (tau2-bench), maloobchod, od Sierra Research. Neupravené maloobchodní prostředí se stejným modelem, nástroji a simulátorem uživatele pro všechny přístupy, ve třech bězích po čtyřiceti epizodách.

  Zobrazit celý výsledek →Provádí volání modelu a nástrojů podle vašich pravidel →

• Stálé náklady na čtení, ať je historie jakkoli dlouhá.

  96%*Aktuální odpovědi tam, kde se fakt změnilNový fakt, ne ten starý
  • 3.7× Méně čtení na otázku než při čtení celé historie · Při čtyřiceti relacích historie*
  • 84% Přesnost při čtyřiceti relacích historie*

  LongMemEval, od Wu a kol., ICLR 2025. Padesát otázek, každá položená s historií o 2, 5, 10, 20 a 40 relacích.

  Zobrazit celý výsledek →Ke každému kroku přináší správnou historii →

• Blokuje každý útok a běžnou práci pustí dál.

  0%*Úspěšnost útokůV šesti rodinách parafrázovaných útoků
  • 0.7% Mylná odmítnutí · Nejméně ze všech přístupů, které zastavily každý útok*
  • 40 / 40 Odstraněné otrávené vzorky · Přesnost zpět do 1 bodu*

  Šest rodin útoků v parafrázované podobě, s neškodnými požadavky napsanými tak, aby se útokům podobaly.

  Zobrazit celý výsledek →Vaše pravidla mají přednost →

• Naučí se novou dovednost sám, s vypnutým modelem.

  100%*Úkoly dokončené s vypnutým modelem, v každém běhuŠpičkový model potřeboval ≈507 volání na běh
  • 0.26 ms Na opětovné použití dovednosti · Při 0 voláních modelu*
  • 627 Odmítnuté nebezpečné akce na běh · A bezpečná dovednost byla přesto naučena*

  Čtyři sady během deseti běhů, každá hodnocená podle svého nejhoršího běhu.

  Zobrazit celý výsledek →Sám se učí nové dovednosti →

• Překonal tři špičkové modely v předpovídání změn systému.

  0.256*Skóre předpovědi změn systémuGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204
  • $0 Výdaje za model · 570 předpovědí bez volání; 84 na špičkovém modelu stálo $13.40*
  • ~80% Rozhodnutí zodpovězená z toho, co se naučil · Zbytek převzala vaše AI*

  World of Workflows, od Skyfall Research / ServiceNow. Tři offline disciplíny hodnocené vlastním vyhodnocovacím nástrojem autorů benchmarku, během tří běhů.

  Zobrazit celý výsledek →Vidí, co akce udělá →

• Překonává doladění, bez tréninkového běhu.

  6 / 6*Testy, ve kterých Duplex porazil doladěný adaptérV průměru +30.3 bodu
  • 0 Přetrénování při přechodu na jinou rodinu modelů · Adaptéry přešly v 0 z 6*
  • 60 až 79% Zodpovězeno z toho, co se naučil · Na obou rodinách modelů*

  Tři veřejné datasety záměrů, dvě otevřené rodiny modelů a tři běhy, se stejným zmrazeným modelem a daty pro všechny přístupy.

  Zobrazit celý výsledek →Přizpůsobí váš model bez přetrénování →