Hva Duplex leverer, i tall.

• −90.3%*Modellkall, med høyere nøyaktighet94.6% nøyaktighet, mot 59.8% for modellen alene
• 0%*Utdaterte svar etter en regelendringCache og gjenfinning: 72%
• 6 / 6*Tester der Duplex slo finjustering+30.3 poeng i snitt, uten treningskjøring
• 3 / 3*Ledende modeller slått i å forutsi systemendringerPå en offentlig benchmark for bedriftssystemer, uten modellkall

* Tall fra Vareons interne benchmarker, ikke uavhengig verifisert. Les ansvarsfraskrivelsen

• 90% færre modellkall, og høyere nøyaktighet.*

  94.6%*Nøyaktighet, den høyeste i testenModellen alene 59.8% · med en cache 77.3%
  • −90.3% Modellkall · −84.8% kostnad · −81.9% ventetid*
  • ~23× Raskere når det er lært · ≈97 ms mot ≈2,231 ms*

  En strøm på 3,000 beslutninger der reglene endret seg fem ganger, mot den ledende modellen alene og med en semantisk cache; en kjøring på 300 beslutninger la til en cache med gjenfinning og en kunnskapsgraf. Alle tilnærmingene brukte den samme modellen.

  Se hele resultatet →Lærer og avlærer →

• Mer nøyaktig på hver innstilling, til en sjuendedel av kostnaden.

  94.1 til 94.8%*Nøyaktigheten til Duplex, på hver av åtte innstillingerDet beste en cache nådde: 77.3%
  • 84 til 91% På tre nye kjøringer med 1,000 beslutninger · Det beste en cache nådde: rundt 73%*

  En strøm med 3,000 beslutninger der hver tilnærming ble kjørt over hele spekteret av innstillinger, deretter tre nye kjøringer med 1,000 beslutninger i et andre, uavhengig oppsett.

  Se hele resultatet →Avgjør om den skal svare, overlevere eller avvise →

• Fortsetter å lære uten å glemme, bli utdatert eller vokse.

  5 / 5*Krav for læring i produksjon, alle oppfylt i hver kjøringCache og gjenfinning i snitt 2.2 / 5 · fortløpende finjustering 4 / 5
  • 0% Utdaterte svar etter en policyendring · Cache og gjenfinning 72%*
  • Konstant Fotavtrykk over tid · Cache og gjenfinning vokste til ≈1,300 rader*

  Ti kjøringer, med den samme veiledningen og de samme inndataene for alle tilnærminger.

  Se hele resultatet →Forblir rask og solid mens den vokser →

• Håndterer nye formuleringer, og oppdager dobbeltgjengerne.

  7.5%*Gale svar på dobbeltgjengereEn cache 45.3%, rundt 6× mer
  • 98.98% Av forespørslene håndtert riktig: besvart riktig, eller gitt til KI-en din · Duplex besvarte 95.78% av kjente forespørsler selv*
  • 0.996 Poengsum for å skille kjent fra nytt, av 1 · En cache 0.930*

  Ti lærte intensjoner og seks nivåer av nyhet, fra nøyaktige gjentakelser til forespørsler fra et annet domene, over ti kjøringer.

  Se hele resultatet →Håndterer tilfeller den aldri har sett →

• Planlegger den korteste veien, med null modelltokens.

  100%*Vellykkede planer, i hver kjøringEn reaktiv agent: 0% · Duplex brukte ingen modelltokens
  • 0% En reaktiv grådig agent*
  • ~204 Tokens per beslutning en ledende modell bruker for å gjøre det like godt*

  En verden med flere steg over ti kjøringer, mot en reaktiv agent og en ledende modell som fikk den samme oppgaven.

  Se hele resultatet →Ser hva en handling vil gjøre →

• Sørger for at agentoppgaver fortsatt lykkes, med færre modellkall.

  83.3%*Løste oppgaverModellen på hver tur: 82.5%
  • 12.8% Turer fullført uten modellen · ≈15% færre modellkall*
  • 100% Suksess på nye oppgaver*

  Τ-bench (tau2-bench), detaljhandel, av Sierra Research. Det uendrede detaljhandelsmiljøet, med samme modell, verktøy og brukersimulator for alle tilnærminger, over tre kjøringer med førti episoder.

  Se hele resultatet →Kjører modell- og verktøykall etter reglene dine →

• En jevn lesekostnad, uansett hvor lang historikken er.

  96%*Gjeldende svar der et faktum hadde endret segDet nye faktumet, ikke det gamle
  • 3.7× Mindre lesing per spørsmål enn å lese hele historikken · Ved førti økters historikk*
  • 84% Nøyaktighet ved førti økters historikk*

  LongMemEval, av Wu et al., ICLR 2025. Femti spørsmål, hvert stilt med historikken på 2, 5, 10, 20 og 40 økter.

  Se hele resultatet →Tar med riktig historikk til hvert steg →

• Blokkerer hvert angrep, og slipper vanlig arbeid gjennom.

  0%*Vellykkede angrepPå tvers av seks familier av omformulerte angrep
  • 0.7% Feilaktige avslag · Det laveste av alle tilnærminger som stoppet hvert angrep*
  • 40 / 40 Forgiftede prøver fjernet · Nøyaktighet igjen innen 1 poeng*

  Seks angrepsfamilier, omformulert, med harmløse forespørsler skrevet for å ligne angrepene.

  Se hele resultatet →Reglene dine kommer først →

• Lærer en ny ferdighet på egen hånd, med modellen slått av.

  100%*Oppgaver fullført med modellen av, i hver kjøringEn ledende modell trengte ≈507 kall per kjøring
  • 0.26 ms Å gjenbruke en ferdighet · Med 0 modellkall*
  • 627 Utrygge handlinger avvist per kjøring · Og den trygge ferdigheten ble likevel lært*

  Fire testsett over ti kjøringer, hvert vurdert etter sin dårligste kjøring.

  Se hele resultatet →Lærer nye ferdigheter på egen hånd →

• Slo tre ledende modeller i å forutsi systemendringer.

  0.256*Poengsum for å forutsi systemendringerGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204
  • $0 Modellkostnad · 570 prediksjoner med null kall; 84 på en ledende modell kostet $13.40*
  • ~80% Beslutninger besvart ut fra det den har lært · KI-en din tok resten*

  World of Workflows, av Skyfall Research / ServiceNow. Tre frakoblede spor, vurdert av benchmarkforfatternes egen evaluator, over tre kjøringer.

  Se hele resultatet →Ser hva en handling vil gjøre →

• Slår finjustering, uten treningskjøring.

  6 / 6*Tester der Duplex slo en finjustert adapter+30.3 poeng i snitt
  • 0 Omtrening for å flytte til en annen modellfamilie · Adapterne lot seg flytte i 0 av 6*
  • 60 til 79% Besvart ut fra det den har lært · På begge modellfamiliene*

  Tre offentlige intensjonsdatasett, to åpne modellfamilier og tre kjøringer, med samme frosne modell og data for alle tilnærminger.

  Se hele resultatet →Tilpasser modellen din uten omtrening →