Det, Duplex leverer, i tal.

• −90.3%*Modelkald, med højere nøjagtighed94.6% nøjagtig mod 59.8% for modellen alene
• 0%*Forældede svar efter en regelændringCache og genfinding: 72%
• 6 / 6*Test, hvor Duplex slog finjustering+30.3 point i gennemsnit, uden træningskørsel
• 3 / 3*Frontier-modeller slået i at forudsige systemændringerPå en offentlig enterprise-benchmark, uden modelkald

* Tal fra Vareons interne benchmarks, ikke uafhængigt verificeret. Læs ansvarsfraskrivelsen

• 90% færre modelkald og mere nøjagtig.*

  94.6%*Nøjagtighed, den højeste i testenModellen alene 59.8% · med en cache 77.3%
  • −90.3% Modelkald · −84.8% omkostninger · −81.9% latens*
  • ~23× Hurtigere efter læring · ≈97 ms mod ≈2,231 ms*

  En strøm af 3,000 beslutninger, hvor reglerne blev ændret fem gange, målt mod frontiermodellen alene og med en semantisk cache; en kørsel med 300 beslutninger tilføjede en cache med genfinding og en vidensgraf. Alle tilgange brugte den samme model.

  Se hele resultatet →Lærer og aflærer →

• Mere nøjagtig i alle indstillinger, til en syvendedel af prisen.

  94.1 til 94.8%*Nøjagtighed for Duplex i hver af otte indstillingerDet bedste, en cache nåede: 77.3%
  • 84 til 91% På tre nye kørsler med 1,000 beslutninger · Det bedste, en cache nåede: omkring 73%*

  En strøm af 3,000 beslutninger, hvor hver tilgang blev kørt over hele sit spektrum af indstillinger, derefter tre nye kørsler med 1,000 beslutninger i en anden, uafhængig opstilling.

  Se hele resultatet →Beslutter, om den skal svare, overdrage eller afvise →

• Bliver ved med at lære uden at glemme, blive forældet eller vokse.

  5 / 5*Krav til læring i produktion, alle opfyldt i hver kørselCache og genfinding i gennemsnit 2.2 / 5 · online finjustering 4 / 5
  • 0% Forældede svar efter en politikændring · Cache og genfinding 72%*
  • Konstant Fodaftryk over tid · Cache og genfinding voksede til ≈1,300 rækker*

  Ti kørsler med den samme vejledning og det samme input for alle tilgange.

  Se hele resultatet →Forbliver hurtig og solid, mens den vokser →

• Håndterer nye formuleringer og opdager dobbeltgængerne.

  7.5%*Forkerte svar på dobbeltgængereEn cache 45.3%, omkring 6× flere
  • 98.98% Af forespørgslerne håndteret korrekt: besvaret rigtigt eller givet videre til din AI · Duplex besvarede selv 95.78% af de kendte forespørgsler*
  • 0.996 Score for at skelne velkendt fra nyt, ud af 1 · En cache 0.930*

  Ti lærte intentioner og seks niveauer af nyhed, fra nøjagtige gentagelser til forespørgsler fra et andet domæne, over ti kørsler.

  Se hele resultatet →Håndterer sager, den aldrig har set →

• Planlægger den korteste rute med nul modeltokens.

  100%*Plansucces i hver kørselEn reaktiv agent: 0% · Duplex brugte ingen modeltokens
  • 0% En reaktiv grådig agent*
  • ~204 Tokens pr. beslutning, en frontier-model bruger for at matche den*

  En verden i flere trin over ti kørsler, mod en reaktiv agent og en frontier-model, der fik den samme opgave.

  Se hele resultatet →Ser, hvad en handling vil gøre →

• Sørger for, at agentopgaver fortsat lykkes, med færre modelkald.

  83.3%*OpgavesuccesModellen i hver tur: 82.5%
  • 12.8% Ture fuldført uden modellen · ≈15% færre modelkald*
  • 100% Succes på nye opgaver*

  Τ-bench (tau2-bench), detail, af Sierra Research. Det uændrede detailmiljø med den samme model, de samme værktøjer og den samme brugersimulator for alle tilgange, over tre kørsler med fyrre episoder.

  Se hele resultatet →Kører model- og værktøjskald efter dine regler →

• En stabil læseomkostning, uanset hvor lang historikken er.

  96%*Aktuelle svar, hvor en kendsgerning havde ændret sigDen nye kendsgerning, ikke den gamle
  • 3.7× Mindre læsning pr. spørgsmål end at læse hele historikken · Ved fyrre sessioners historik*
  • 84% Nøjagtighed ved fyrre sessioners historik*

  LongMemEval, af Wu et al., ICLR 2025. Halvtreds spørgsmål, hvert stillet med historikken på 2, 5, 10, 20 og 40 sessioner.

  Se hele resultatet →Bringer den rette historik til hvert trin →

• Blokerer hvert angreb og lukker almindeligt arbejde igennem.

  0%*AngrebssuccesPå tværs af seks familier af omformulerede angreb
  • 0.7% Falske afvisninger · Det laveste blandt tilgange, der blokerede alle angreb*
  • 40 / 40 Forgiftede eksempler fjernet · Nøjagtighed inden for 1 point*

  Seks angrebsfamilier, omformuleret, med harmløse forespørgsler skrevet, så de ligner angrebene.

  Se hele resultatet →Dine regler kommer først →

• Lærer en ny færdighed på egen hånd med modellen slået fra.

  100%*Opgaver fuldført med modellen slået fra, i hver kørselEn frontier-model havde brug for ≈507 kald pr. kørsel
  • 0.26 ms For at genbruge en færdighed · Ved 0 modelkald*
  • 627 Usikre handlinger afvist pr. kørsel · Og den sikre færdighed blev stadig lært*

  Fire testsuiter over ti kørsler, hver bedømt efter sin dårligste kørsel.

  Se hele resultatet →Lærer nye færdigheder på egen hånd →

• Slog tre frontier-modeller i at forudsige systemændringer.

  0.256*Score for forudsigelse af systemændringerGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204
  • $0 Modeludgifter · 570 forudsigelser med nul kald; 84 på en frontiermodel kostede $13.40*
  • ~80% Beslutninger besvaret ud fra det, den har lært · Din AI tog resten*

  World of Workflows, af Skyfall Research / ServiceNow. Tre offline-spor, bedømt af benchmarkforfatternes egen evaluator, over tre kørsler.

  Se hele resultatet →Ser, hvad en handling vil gøre →

• Slår finjustering uden en træningskørsel.

  6 / 6*Test, hvor Duplex slog en finjusteret adapter+30.3 point i gennemsnit
  • 0 Gentræning for at flytte til en anden modelfamilie · Adapterne flyttede i 0 af 6*
  • 60 til 79% Besvaret ud fra det, den har lært · På begge modelfamilier*

  Tre offentlige datasæt med intentioner, to åbne modelfamilier og tre kørsler, med den samme frosne model og de samme data for alle tilgange.

  Se hele resultatet →Tilpasser din model uden gentræning →