Přejít na obsah
Vareon
Spustit pilotní projekt
cs

Překonal tři špičkové modely v předpovídání změn systému.

World of Workflows je veřejný podnikový benchmark postavený na ServiceNow: po každé operaci předpovědět, jak se změní záznamy systému. Duplex se pracovní postupy učil za pochodu, bez volání modelu, a hodnotil ho vlastní kód benchmarku.

World of Workflows, od Skyfall Research, na ServiceNow.

Vidět to v akci →Všechny výsledky

Interní benchmarky. Všechna čísla na této stránce pocházejí z testů, které Vareon provedl sám, a nebyla nezávisle ověřena. Přečtěte si vyloučení odpovědnosti

  • 0.256*Skóre předpovědi změn systémuGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204
  • $0*Výdaje za model570 předpovědí bez volání; 84 na špičkovém modelu stálo $13.40
  • ~80%*Rozhodnutí zodpovězená z toho, co se naučilZbytek převzala vaše AI

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

Předpovídání toho, co se změní.

V ServiceNow proběhne operace: volání nástroje s dosavadní historií pracovního postupu.*

Krok 1 z 4: Operace

Před GPT-5.1, Gemini 3 Pro i Claude Sonnet 4.5.

Předpověď stavu během tří běhů, porovnaná případ po případu; náskok je významný vůči všem třem.

Krok 1 z 2: Skóre

V předpovídání toho, jak se mění záznamy, dosáhl Duplex 0.256, před Gemini 3 Pro s 0.205, Claude Sonnet 4.5 s 0.204 a GPT-5.1 s 0.166.*

Nejdřív Duplex, za ním váš model.

Duplex odpoví, na co může, a zbytek předá GPT-5.6.

Krok 1 z 2: Vše modelu

Poslat všech 806 rozhodnutí do GPT-5.6 by stálo zhruba $129, v každém běhu.*

Jak byl proveden.

Benchmark
World of Workflows od Skyfall Research, postavený na ServiceNow: veřejný, pod licencí MIT.
Práce
Předpovědět, jak se po operaci změní záznamy, a zjistit, která operace změnu způsobila.
Hodnocení
Vlastní hodnoticí kód benchmarku, neupravený, ověřený proti číslům, která autoři zveřejnili.
Jak Duplex běžel
Každý krok předpovězen dřív, než se ukázala odpověď, učení jen z již ohodnocených kroků, bez volání modelu.
Porovnáno s
Soubory předpovědí, které autoři benchmarku zveřejnili Pro GPT-5.1, Gemini 3 Pro a Claude Sonnet 4.5.
Rozsah
Tři běhy po 570 předpovědích, s párovými testy významnosti na stejných případech.

Co to znamená pro vaši práci.

  • Učí se, jak se vaše systémy chovají.

    Duplex předpovídal změny záznamů v ServiceNow lépe než tři špičkové modely.

  • Bez nákladů na model.

    570 předpovědí na běh, bez volání modelu.*

  • Váš model tam, kde pomůže.

    Duplex odpovídal jako první s GPT-5.6 v záloze, převzal zhruba 80% rozhodnutí a snížil účet z přibližně $129 na $29.*

Vidí, co akce udělá →
Další: Překonává doladění, bez tréninkového běhu.Číst →

Ověřte si to na vlastní práci.

Od vašeho vlastního asistenta po každého agenta, kterého vaše firma provozuje: v pilotním projektu běží Duplex na vaší vlastní práci, s měřítky dohodnutými před začátkem.

Spustit pilotní projekt →Všechny výsledky

Vaše data, vaše volba.

vareon.com nepoužívá analytické ani reklamní sledovací nástroje ani sledovací nástroje třetích stran a Vareon vaše data neprodává. Pokud přijmete, web si na tomto zařízení po dobu jednoho roku zapamatuje váš světlý nebo tmavý vzhled. Pokud odmítnete, ukládá jen to, co potřebuje ke svému fungování.

Svou volbu můžete kdykoli změnit v Nastavení soukromí v zápatí každé stránky. Přečíst zásady ochrany osobních údajů