Jo længere den kører, jo mindre spørger den.
Trin 1 af 4: Starten
90% færre modelkald og mere nøjagtig.*
3,000 beslutninger i kundedrift: refusioner, oplåsning af konti, kreditgrænser, udbetalinger. Hver har én rigtig handling ud af omkring nitten, eller en afvisning, og fem gange undervejs ændrede virksomheden en regel. Alle tilgange brugte GPT-5.5; Duplex lærte undervejs.
Interne benchmarks. Alle tal på denne side kommer fra test, som Vareon selv har kørt, og er ikke blevet uafhængigt verificeret. Læs ansvarsfraskrivelsen
- 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
* Tal fra Vareons interne benchmarks, ikke uafhængigt verificeret. Læs ansvarsfraskrivelsen
3,000 beslutninger, og hvor hver af dem endte.
Besvaret af Duplex selv, sendt videre til GPT-5.5 eller afvist.
Trin 1 af 4: Ankommer
3,000 beslutninger kommer ind: refusioner, oplåsninger, kreditgrænser og udbetalinger, i mere end 2,000 formuleringer.*
Efter en regelændring: hvem gav det nye svar.
Ud af hver 100 beslutninger, som en regelændring havde berørt.
Trin 1 af 3: Modellen alene
GPT-5.5 kan ikke kende en virksomheds interne regelændring: den gav det gamle svar i 97% af tilfældene.*
Jo længere strømmen er, jo bedre er tallene.
Det samme arbejde på en strøm af 300 beslutninger og på en strøm af 3,000 beslutninger.
Trin 1 af 4: Nøjagtighed
Duplex var 85.0% nøjagtig på en strøm af 300 beslutninger og 94.6% nøjagtig på 3,000.*
Regningen og ventetiden.
GPT-5.5 alene mod GPT-5.5 med Duplex på de samme 3,000 beslutninger.
Trin 1 af 3: Pr. Beslutning
Hver 1,000 beslutninger kostede $0.13 med Duplex og $0.82 med GPT-5.5 alene.*
Sådan blev det kørt.
- Arbejdet
- Beslutninger i kundedrift: refusioner, oplåsning af konti, kreditgrænser, udbetalinger, adgang og eskalering af svindel. Én rigtig handling ud af omkring nitten, eller en afvisning.
- Strømmen
- 3,000 beslutninger i mere end 2,000 formuleringer, 68% af dem formuleret på en måde, der ikke var set før, og nye slags forespørgsler kom til midtvejs.
- Regelændringer
- Fem interne regelændringer, der hver ændrede, hvilken handling der var rigtig for en type forespørgsel; 1,073 beslutninger kom efter en ændring.
- Tilbagemelding
- Det rigtige svar blev afsløret for omkring én beslutning ud af ti, de samme for alle tilgange.
- Modeller
- GPT-5.5 med rigtige API-kald for alle tilgange.
- Sammenlignet med
- GPT-5.5 alene og GPT-5.5 med en semantisk cache i dens bedste indstilling; på strømmen af 300 beslutninger også en cache med genfinding og en vidensgraf.
- Holdt ens
- Den samme model, tilbagemelding og de samme afvisningsregler for alle tilgange.
Hvad det betyder for dit arbejde.
Din regning skrumper, mens den lærer.
Duplex besvarede selv 86% af beslutningerne: 90% færre modelkald og 85% lavere omkostninger.*
En regelændring når hvert svar.
Efter regelændringerne gav Duplex det nye svar i 92.5% af tilfældene; GPT-5.5 alene i 2.3%.*
Den bliver bedre med volumen.
Fra 300 beslutninger til 3,000 steg nøjagtigheden fra 85.0% til 94.6%, og omkostningen pr. beslutning faldt med to tredjedele.*
Næste: Mere nøjagtig i alle indstillinger, til en syvendedel af prisen.Læs det →
Se det på dit eget arbejde.
Fra din egen assistent til hver agent, din virksomhed kører, sætter et pilotprojekt Duplex på dit eget arbejde, med målepunkterne aftalt, før det går i gang.