Co daje Duplex, w liczbach.

• −90.3%*Wywołań modelu, a trafność rośnieDokładność 94.6%, wobec 59.8% dla samego modelu
• 0%*Nieaktualne odpowiedzi po zmianie zasadCache i wyszukiwanie: 72%
• 6 / 6*Testy, w których Duplex pokonał dostrajanieŚrednio +30.3 punktu, bez treningu
• 3 / 3*Czołowe modele pokonane w przewidywaniu zmian w systemieW publicznym benchmarku dla przedsiębiorstw, bez wywołań modelu

* Liczby z wewnętrznych benchmarków Vareon, niezweryfikowane niezależnie. Przeczytaj zastrzeżenia

• O 90% mniej wywołań modelu i większa dokładność.*

  94.6%*Dokładność, najwyższa w teścieSam model 59.8% · z cache 77.3%
  • −90.3% Wywołania ai · Koszt −84.8% · opóźnienie −81.9%*
  • ~23× Szybciej po nauczeniu · ≈97 ms wobec ≈2,231 ms*

  Strumień 3,000 decyzji, w którym zasady zmieniły się pięć razy, w porównaniu z samym czołowym modelem i z cache semantycznym; przebieg z 300 decyzjami dodał cache z wyszukiwaniem i graf wiedzy. Każde podejście korzystało z tego samego modelu.

  Zobacz pełny wynik →Uczy się i oducza →

• Dokładniejszy w każdym ustawieniu, za jedną siódmą kosztu.

  Od 94.1 do 94.8%*Dokładność Duplex w każdym z ośmiu ustawieńNajlepszy wynik cache: 77.3%
  • Od 84 do 91% W trzech nowych przebiegach po 1,000 decyzji · Najlepszy wynik cache: około 73%*

  Strumień 3,000 decyzji, w którym każde podejście przetestowano w pełnym zakresie ustawień, potem trzy nowe przebiegi po 1,000 decyzji w drugiej, niezależnej konfiguracji.

  Zobacz pełny wynik →Decyduje, czy odpowiedzieć, przekazać, czy odmówić →

• Uczy się dalej, nie zapominając, nie tracąc aktualności i nie rosnąc.

  5 / 5*Wymagania uczenia się w środowisku produkcyjnym, wszystkie spełnione w każdym przebieguCache i wyszukiwanie średnio 2.2 / 5 · dostrajanie online 4 / 5
  • 0% Nieaktualne odpowiedzi po zmianie polityki · Cache i wyszukiwanie 72%*
  • Stały Rozmiar w czasie · Cache i wyszukiwanie urosły do ≈1,300 wierszy*

  Dziesięć przebiegów z tym samym nadzorem i tymi samymi danymi wejściowymi dla każdego podejścia.

  Zobacz pełny wynik →Pozostaje szybki i niezawodny, gdy rośnie →

• Radzi sobie z nowymi sformułowaniami i wychwytuje łudząco podobne zapytania.

  7.5%*Błędne odpowiedzi na łudząco podobne zapytaniaCache 45.3%, około 6× więcej
  • 98.98% Zapytań obsłużonych poprawnie: z dobrą odpowiedzią lub przekazanych twojej AI · Duplex sam odpowiedział na 95.78% znanych zapytań*
  • 0.996 Wynik odróżniania znanego od nowego, w skali do 1 · Cache 0.930*

  Dziesięć wyuczonych intencji i sześć poziomów nowości, od dokładnych powtórzeń po zapytania z innej dziedziny, w dziesięciu przebiegach.

  Zobacz pełny wynik →Radzi sobie z przypadkami, których nigdy nie widział →

• Planuje najkrótszą drogę bez ani jednego tokenu modelu.

  100%*Skuteczność planów w każdym przebieguAgent reaktywny: 0% · Duplex nie zużył tokenów modelu
  • 0% Reaktywny agent zachłanny*
  • ~204 Tokeny na decyzję, które czołowy model zużywa, by mu dorównać*

  Wieloetapowy świat w dziesięciu przebiegach, w porównaniu z agentem reaktywnym i czołowym modelem, przy tym samym zadaniu.

  Zobacz pełny wynik →Widzi, co zrobi działanie →

• Utrzymuje skuteczność zadań agentów przy mniejszej liczbie wywołań modelu.

  83.3%*Udane zadaniaModel w każdej turze: 82.5%
  • 12.8% Tury wykonane bez modelu · ≈15% mniej wywołań modelu*
  • 100% Skuteczność w nowych zadaniach*

  Τ-bench (tau2-bench), handel detaliczny, autorstwa Sierra Research. Niezmodyfikowane środowisko handlu detalicznego, z tym samym modelem, narzędziami i symulatorem użytkownika dla każdego podejścia, w trzech przebiegach po czterdzieści epizodów.

  Zobacz pełny wynik →Wykonuje wywołania modeli i narzędzi na twoich zasadach →

• Stały koszt czytania, niezależnie od długości historii.

  96%*Aktualne odpowiedzi tam, gdzie fakt się zmieniłNowy fakt, nie stary
  • 3.7× Mniej czytania na pytanie niż przy czytaniu całej historii · Przy czterdziestu sesjach historii*
  • 84% Dokładność przy czterdziestu sesjach historii*

  LongMemEval, autorstwa Wu i in., ICLR 2025. Pięćdziesiąt pytań, każde zadane przy historii liczącej 2, 5, 10, 20 i 40 sesji.

  Zobacz pełny wynik →Wnosi do każdego kroku właściwą historię →

• Blokuje każdy atak i przepuszcza zwykłą pracę.

  0%*Skuteczność atakówW sześciu rodzinach przeformułowanych ataków
  • 0.7% Fałszywe odmowy · Najmniej ze wszystkich podejść, które zablokowały każdy atak*
  • 40 / 40 Usunięte zatrute próbki · Dokładność w granicach 1 punktu*

  Sześć rodzin ataków, przeformułowanych, z nieszkodliwymi zapytaniami napisanymi na wzór ataków.

  Zobacz pełny wynik →Twoje zasady mają pierwszeństwo →

• Samodzielnie uczy się nowej umiejętności przy wyłączonym modelu.

  100%*Zadania wykonane przy wyłączonym modelu, w każdym przebieguCzołowy model potrzebował ≈507 wywołań na przebieg
  • 0.26 ms Na ponowne użycie umiejętności · Przy 0 wywołań modelu*
  • 627 Odrzucone niebezpieczne działania na przebieg · A bezpieczna umiejętność i tak została wyuczona*

  Cztery zestawy w dziesięciu przebiegach, każdy oceniany według najgorszego przebiegu.

  Zobacz pełny wynik →Sam uczy się nowych umiejętności →

• Pokonał trzy czołowe modele w przewidywaniu zmian w systemie.

  0.256*Wynik przewidywania zmian w systemieGPT-5.1 0.166 · Gemini 3 Pro 0.205 · Claude Sonnet 4.5 0.204
  • $0 Wydatki na model · 570 przewidywań przy zerowej liczbie wywołań; 84 na czołowym modelu kosztowały $13.40*
  • ~80% Decyzje rozstrzygnięte na podstawie tego, czego się nauczył · Resztę przejęła twoja AI*

  World of Workflows, autorstwa Skyfall Research / ServiceNow. Trzy ścieżki offline, oceniane własnym ewaluatorem autorów benchmarku, w trzech przebiegach.

  Zobacz pełny wynik →Widzi, co zrobi działanie →

• Wygrywa z dostrajaniem, bez treningu.

  6 / 6*Testy, w których Duplex pokonał dostrojony adapterŚrednio +30.3 punktu
  • 0 Ponowne trenowanie przy przejściu do innej rodziny modeli · Adaptery przeszły w 0 z 6*
  • Od 60 do 79% Odpowiedź z tego, czego się nauczył · Na obu rodzinach modeli*

  Trzy publiczne zbiory danych z intencjami, dwie otwarte rodziny modeli i trzy przebiegi, z tym samym zamrożonym modelem i danymi dla każdego podejścia.

  Zobacz pełny wynik →Dostosowuje twój model bez ponownego trenowania →