DEV Community: Vadym Chernets

Dois rivais, uma resposta verificada: ChatGPT e Claude se unem no seu iPhone, de graça

Vadym Chernets — Mon, 26 Oct 2026 07:44:20 +0000

TL;DR: O Poly Duo (C1M) é um atalho de iPhone gratuito e de código aberto. O ChatGPT responde, o Claude verifica e corrige a resposta, e você recebe um único resultado que começa pelos pontos em que os dois concordam, onde divergem e o que vale conferir. Roda no celular, nas contas que você já tem. Sem servidor próprio, sem chaves de API, sem computador.

O ciclo

Você conhece a dança. Pergunta ao ChatGPT algo que importa. Copia a resposta, abre o Claude, cola e digita "Isto está certo? O que falta?". Depois fica alternando entre duas telas tentando descobrir quais partes os dois consideram verdadeiras e qual parte só um deles sustenta.

Eu fazia essa dança à mão todo dia, porque uma segunda opinião de outra empresa realmente pega o que uma IA sozinha pode deixar passar. Só que é lento, e é a primeira coisa que você pula quando está com pressa, justamente quando mais precisa dela.

Então ensinei meu iPhone a fazer isso. Chama-se Duo, é de código aberto (https://github.com/vadimchernets/poly-duo) e funciona com um toque. Para você não ter de mexer com arquivos assinados, há uma página que instala o atalho no seu iPhone com um toque, no seu idioma: https://polyhelper.ai/pt/duo/

O que você recebe

O ChatGPT responde. O Claude lê essa resposta, verifica e corrige o que estiver errado. Cerca de um minuto depois, o resultado aparece na tela e na área de transferência, e também em um diário em markdown no iCloud Drive quando ele está disponível. Ele começa com três blocos curtos:

Os dois concordam: no que você pode se apoiar
Onde divergem: onde você vai à fonte
O que conferir você mesmo: uma lista de dois minutos

A resposta completa e verificada vem logo abaixo.

O bloco do meio é o ponto central. Um mapa de onde dois modelos de duas empresas discordam é algo com que você consegue agir, o que um parágrafo mais polido nunca dá.

Uma estreia no celular

Nos computadores, já faz tempo que as pessoas encadeiam IAs: extensões de navegador, hubs de IA pagos, montagens com API. No celular, de graça, sem nada entre as duas IAs, não existia algo assim até agora.

A partir do iOS 18, os apps do ChatGPT e do Claude publicam suas próprias ações do app Atalhos, Ask ChatGPT e Ask Claude. O Duo as encadeia dentro de um único atalho. Esse truque explica todo o resto:

Roda no celular. O Duo não gera tráfego próprio. O único tráfego de rede é o dos dois apps oficiais falando com as próprias empresas (mais a sincronização do iCloud).
Roda nas suas contas. Contas gratuitas bastam. Se você já paga Plus ou Pro, os modelos que o plano de cada uma das duas empresas oferece passam a trabalhar juntos sem custo extra.
Sem servidor próprio, sem chave de API, sem computador. Coloque no Botão de Ação, no Toque nas Costas, na Siri ou na Tela de Bloqueio e você tem um botão de "segunda opinião".

Onde esse minuto compensa

O Duo é para perguntas em que errar sai caro:

uma cláusula de contrato antes de assinar,
um fornecedor a quem você vai pagar,
código prestes a ir ao ar,
uma questão de dinheiro ou saúde sobre a qual você vai agir,
um e-mail que você não pode desenviar,
uma oferta de emprego: salário maior, trajeto mais longo.

As pessoas já conferem à mão respostas importantes em duas IAs. O Duo é esse hábito sem as abas.

Quatro modos, quatro situações

O Critique é o padrão e o único modo de que você precisa no primeiro dia. Outros onze estão a um toque, e cada um mostra seu custo em mensagens (o selo ✉) antes de você escolher.

Critique: "Isto está certo?" O ChatGPT redige, o Claude verifica e devolve a resposta melhorada, aberta pelos três blocos. Cole um trecho de um contrato com fornecedor e pergunte a que a cláusula de rescisão realmente obriga você: sai uma resposta mais uma lista curta do que confirmar com um advogado. Três mensagens dos seus próprios planos.

Dispute map: "Mostre a divergência." Onde os dois concordam, onde não, e quais afirmações dá para verificar. Sem impor veredito. Bom para ver exatamente o que está em disputa antes de ler qualquer fonte.

Debate until agreement: "Não consigo decidir." O ChatGPT toma um lado, o Claude contesta, até três rodadas, até um ceder. Depois: onde concordaram, o que ainda é disputado e o que cabe a você decidir. Para as perguntas sem resposta certa, apenas bem argumentadas.

Synthesis: "Dê-me o melhor dos dois." Os dois respondem às cegas. Uma resposta serve de âncora e a outra acrescenta só o que falta. Você ganha completude sem ler duas respostas longas.

Não sabe qual escolher? O Auto lê sua pergunta e recomenda um.

Trio: uma terceira empresa com uma chave gratuita

Duas vozes podem compartilhar um ponto cego. O Trio adiciona um terceiro modelo, de uma terceira empresa. Depois da verificação do Claude, ele lê a pergunta e as duas respostas e aponta só o que ambos deixaram passar, em um bloco próprio abaixo da resposta do Claude.

Serve uma chave gratuita de qualquer um destes serviços: primeiro a NVIDIA (Kimi K3, GLM-5.3, DeepSeek V4.1 Flash), depois o Google AI Studio (Gemini), o Groq ou o OpenRouter. As chaves ficam no seu iCloud Drive, nunca dentro do atalho, então compartilhar o atalho nunca compartilha uma chave.

Por dentro

Um único atalho; seus doze modos são roteados por um dicionário, então um modo novo é uma entrada nova, não uma cópia.
Os prompts são arquivos de texto simples em locales/. O atalho é construído a partir deles; o repositório tem 11 locales, incluindo japonês, chinês, árabe e híndi.
tools/verify.py desempacota o .shortcut assinado e confere se ele corresponde às fontes, de modo que o que você instala é o que você pode ler.
Apache-2.0.

A pesquisa por trás

O Duo se apoia em dois trabalhos aceitos em workshops da NeurIPS 2026 e em uma reanálise dos dados do nosso estudo complementar. (1) A autoconfiança é um sinal fraco (workshop TAE, doi:10.5281/zenodo.23197651): em nove modelos de API de uma coleção cega de 16 modelos (final de julho de 2026; claude-haiku-4-5, gpt-5-mini, gemini-3.6-flash, grok-4-fast, deepseek-chat, qwen-plus, kimi-k3, glm-4.5, mistral-small-latest), a confiança declarada prevê a correção do próprio modelo com AUROC de 0,53–0,79; no painel principal definido de antemão (CN: DeepSeek, Alibaba, Moonshot), a concordância com modelos consultados às cegas chega a 0,83 contra 0,55 da autoconfiança (Δ +0,29; 0,775 contra 0,545 com uma recodificação sem rótulos de correção). (2) A verificação deve começar às cegas (workshop "Who Verifies the Agents?", doi:10.5281/zenodo.23197641): em um braço exploratório de conformidade com seis verificadores de API de julho de 2026 (Anthropic, OpenAI, Google, DeepSeek, Alibaba, Moonshot), os verificadores que haviam discordado às cegas endossaram a resposta ao vê-la como a de um colega em 38,5% dos casos (168/436); os modos Synthesis e Side by side do Duo obtêm as duas respostas às cegas. No mesmo trabalho, no quintil mais difícil pela dificuldade para toda a população, os painéis de API de julho de 2026 (um modelo por laboratório, chamados ali de "frontier", de nível econômico/intermediário em oito de nove) repetiram 342 respostas em 106 perguntas e, pela avaliação original, nenhuma estava correta. (3) Reanálise post hoc (26 out. 2026) dos dados publicados da onda de modelos principais do estudo complementar (doi:10.5281/zenodo.22166995; um modelo principal por laboratório, retrato de 5 ago. 2026): a dupla gpt-5.6-sol + claude-fable-5, 1.459 itens do SimpleQA, respostas às cegas, a resposta do GPT só é emitida quando há concordância por equivalência determinística — cobertura de 69,6%, respostas emitidas corretas em 98,1% (985/1.004) [97,2; 98,9] contra 95,3% do GPT sozinho; taxa de falhas confiantes (confiança ≥ 80, sobre as respostas confiantes) de 4,6% → 1,9% no GPT e 10,3% → 2,8% no Claude; os dois modelos principais cometeram o mesmo erro confiante em apenas 1,0% dos itens (15/1.459). Nas 106 perguntas do WVA (difíceis para os modelos de julho), a dupla principal concordou em 37 e acertou 34. A dupla intermediária dos mesmos laboratórios (gpt-5-mini + claude-haiku-4-5, julho de 2026): cobertura de 8,6%, respostas emitidas corretas em 36,6%, 0/13 nas 106. Uma dupla mais forte vence em todos os eixos práticos: cobertura ×8, precisão da resposta emitida 37% → 98%, proporção de falhas confiantes compartilhadas entre as emitidas 8% → 1,5%. Com ChatGPT Plus/Pro e Claude Pro/Max, o Duo usa os modelos mais fortes desses planos sem custo extra; os números acima valem para a dupla de 5 ago. 2026.

Limites: o SimpleQA é público, e o gpt-5.6-sol repete a string de referência literalmente em 61,6% das respostas; nas 106 perguntas ele sozinho acerta 95,2% e repete a referência em 64,2% — difíceis para os modelos de julho, não para ele. O portão remove uma fração menor das falhas confiantes do GPT do que o da dupla intermediária (70,8% contra 92,3%). Principais contra intermediários são dois pontos medidos (meses diferentes; esforço de raciocínio do GPT medium contra minimal). Os números da dupla valem para os modos com resposta cega primeiro, não para o Critique, em que o Claude vê a resposta do ChatGPT. O zero do WVA se mantém com a dificuldade da população inteira; com a dificuldade sem os modelos do próprio painel (leave-panel-out), persiste no painel entre blocos (0/116), não no agregado (78/354). Se as respostas defensáveis encontradas na adjudicação manual de referências do WVA forem creditadas, esse zero passa a ser no máximo 13/342 (lift 0,98×). O controle reverso do braço de conformidade foi feito com seis modelos locais. No painel US do TAE, a autoconfiança agregada lidera (0,84 contra 0,70), um efeito entre modelos (0,67 com normalização por ranking). O Claude roda o modelo padrão do app; o ChatGPT roda com model: auto, que nos planos pagos escolhe o modelo do plano. Os modelos principais de hoje ainda não foram medidos. Dados e trabalhos: github.com/vadimchernets/papers · polyhelper.ai/research

Experimente

No seu iPhone, abra https://polyhelper.ai/pt/duo/ e toque no Duo do seu idioma. O app Atalhos abre; toque em Adicionar.
Na primeira execução, toque em Sempre Permitir a cada vez que ele perguntar sobre o ChatGPT, o Claude e a área de transferência (4 a 6 vezes).
Pergunte algo em que uma segunda opinião valha um minuto.

Você precisa de iOS 18 ou posterior (um iPhone 14 roda de boa) e dos apps do ChatGPT e do Claude, com login feito. O Duo para Android é gratuito no Google Play: https://play.google.com/store/apps/details?id=ai.polyhelper.a1

Código-fonte (Apache-2.0): https://github.com/vadimchernets/poly-duo

Instale, faça a ele a pergunta mais difícil que você enfrenta nesta semana (um contrato, uma oferta, um diff) e me diga nos comentários qual modo devo adicionar a seguir. Tem um prompt que dá para refinar? Abra uma issue.

Uma dica prática: enquanto ele roda, deixe a tela em paz. Um toque interrompe o atalho.

Vadym Chernets, pesquisador independente de IA (PhD). Dois dos meus pôsteres sobre avaliação e verificação de IA estão em workshops da NeurIPS 2026: https://neurips.cc/virtual/2026/178299 · https://neurips.cc/virtual/2026/loc/sydney/173020

Zwei Rivalen, eine geprüfte Antwort: ChatGPT und Claude arbeiten auf deinem iPhone zusammen, kostenlos

Vadym Chernets — Mon, 26 Oct 2026 07:41:22 +0000

TL;DR: Poly Duo (C1M) ist ein kostenloser Open-Source-Kurzbefehl für das iPhone. ChatGPT antwortet, Claude prüft und korrigiert die Antwort, und du bekommst ein einziges Ergebnis, das damit beginnt, worin beide übereinstimmen, wo sie sich unterscheiden und was du selbst prüfen solltest. Es läuft auf dem Handy, mit den Konten, die du schon hast. Kein eigener Server, keine API-Schlüssel, kein Computer.

Die Schleife

Du kennst den Tanz. Du fragst ChatGPT etwas, das wichtig ist. Du kopierst die Antwort, öffnest Claude, fügst sie ein und tippst „Stimmt das? Was fehlt?“. Dann wechselst du zwischen zwei Bildschirmen und versuchst herauszufinden, welche Teile beide für wahr halten und welchen Teil nur einer der beiden stützt.

Ich habe diesen Tanz jeden Tag von Hand gemacht, denn eine zweite Meinung von einer anderen Firma fängt tatsächlich ab, was einer einzelnen KI entgehen kann. Er ist aber langsam, und er ist das Erste, was man bei Zeitdruck weglässt, also genau dann, wenn man ihn braucht.

Deshalb habe ich meinem iPhone beigebracht, ihn zu übernehmen. Es heißt Duo, ist Open Source (https://github.com/vadimchernets/poly-duo) und funktioniert mit einem Fingertipp. Damit du dich nicht mit signierten Dateien herumschlagen musst, gibt es eine Seite, die es mit einem Fingertipp auf deinem iPhone installiert, mit deutscher Anleitung: https://polyhelper.ai/de/duo/

Was du bekommst

ChatGPT antwortet. Claude liest diese Antwort, prüft sie und korrigiert, was falsch ist. Etwa eine Minute später landet das Ergebnis auf dem Bildschirm und in der Zwischenablage, und, wenn iCloud Drive verfügbar ist, auch in einem Markdown-Journal. Es beginnt mit drei kurzen Blöcken:

Beide stimmen überein: worauf du dich stützen kannst
Wo sie sich unterscheiden: wo du zur Quelle gehst
Was du selbst prüfen solltest: eine Liste für zwei Minuten

Darunter steht die vollständige geprüfte Antwort.

Der mittlere Block ist der ganze Sinn. Eine Übersicht darüber, wo zwei Modelle zweier Firmen nicht einer Meinung sind, zeigt dir, was du an den Quellen prüfen solltest. Das leistet ein glatter formulierter Absatz nie.

Eine Premiere auf dem Handy

Auf Computern verketten Leute KIs schon länger: Browser-Erweiterungen, kostenpflichtige KI-Hubs, API-Setups. Auf dem Handy, kostenlos und ohne etwas zwischen den beiden KIs, gab es so etwas bisher nicht.

Seit iOS 18 veröffentlichen die Apps von ChatGPT und Claude eigene Kurzbefehl-Aktionen, Ask ChatGPT und Ask Claude. Duo verkettet sie in einem einzigen Kurzbefehl. Dieser eine Kniff erklärt alles andere:

Es läuft auf dem Handy. Duo erzeugt selbst keinen Verkehr. Der einzige Netzwerkverkehr entsteht, wenn die beiden offiziellen Apps mit ihren eigenen Firmen sprechen (plus die iCloud-Synchronisierung).
Es läuft mit deinen Konten. Kostenlose Konten reichen. Wenn du schon Plus oder Pro bezahlst, arbeiten die Modelle, die deine jeweiligen Tarife bieten, ohne Mehrkosten zusammen.
Kein eigener Server, kein API-Schlüssel, kein Computer. Leg es auf die Action-Taste, auf „Auf Rückseite tippen“, auf Siri oder den Sperrbildschirm, und du hast einen „Zweite Meinung“-Knopf.

Wo sich die Minute lohnt

Duo ist für Fragen, bei denen ein Irrtum teuer wird:

eine Vertragsklausel vor der Unterschrift,
ein Lieferant, den du gleich bezahlst,
Code kurz vor dem Release,
eine Geld- oder Gesundheitsfrage, nach der du handeln willst,
eine E-Mail, die du nicht zurückholen kannst,
ein Jobangebot: mehr Gehalt, längerer Arbeitsweg.

Viele gleichen wichtige Antworten schon heute von Hand zwischen zwei KIs ab. Duo ist diese Gewohnheit ohne die vielen Tabs.

Vier Modi, vier Situationen

Critique ist der Standard und der einzige Modus, den du am ersten Tag brauchst. Elf weitere sind einen Fingertipp entfernt, und jeder zeigt seine Nachrichtenkosten (das ✉-Abzeichen), bevor du wählst.

Critique: „Stimmt das?“ ChatGPT entwirft, Claude prüft und liefert die verbesserte Antwort zurück, eingeleitet von den drei Blöcken. Füge einen Absatz aus einem Lieferantenvertrag ein und frage, wozu dich die Kündigungsklausel wirklich verpflichtet: Du bekommst eine Antwort und eine kurze Liste dessen, was du mit einem Anwalt klären solltest. Drei Nachrichten aus deinen eigenen Tarifen.

Dispute map: „Zeig mir den Widerspruch.“ Wo beide übereinstimmen, wo nicht und welche Behauptungen sich prüfen lassen. Es wird kein Urteil aufgezwungen. Gut, um genau zu sehen, was umstritten ist, bevor du eine einzige Quelle liest.

Debate until agreement: „Ich kann mich nicht entscheiden.“ ChatGPT bezieht Stellung, Claude widerspricht, bis zu drei Runden, bis einer nachgibt. Danach: worin sie sich einig waren, was weiter umstritten ist und was du selbst entscheiden musst. Für Fragen ohne richtige Antwort, nur mit gut begründeten.

Synthesis: „Gib mir das Beste aus beiden.“ Beide antworten blind. Eine Antwort dient als Anker, die andere ergänzt nur, was fehlt. Vollständigkeit, ohne zwei lange Antworten zu lesen.

Du weißt nicht, welchen du nehmen sollst? Auto liest deine Frage und empfiehlt einen.

Trio: eine dritte Firma mit einem kostenlosen Schlüssel

Zwei Stimmen können einen blinden Fleck teilen. Trio fügt ein drittes Modell einer dritten Firma hinzu. Nach Claudes Prüfung liest es die Frage und beide Antworten und nennt nur, was beide übersehen haben, in einem eigenen Block unter Claudes Antwort.

Ein kostenloser Schlüssel von einem dieser Dienste funktioniert: zuerst NVIDIA (Kimi K3, GLM-5.3, DeepSeek V4.1 Flash), dann Google AI Studio (Gemini), Groq oder OpenRouter. Die Schlüssel liegen in deinem iCloud Drive, nie im Kurzbefehl, sodass das Teilen des Kurzbefehls nie einen Schlüssel teilt.

Unter der Haube

Ein Kurzbefehl; seine zwölf Modi werden über ein Dictionary geroutet, ein neuer Modus ist also ein neuer Eintrag und keine Kopie.
Die Prompts sind einfache Textdateien in locales/. Der Kurzbefehl wird daraus gebaut; das Repo hat 11 Locales, darunter Japanisch, Chinesisch, Arabisch und Hindi.
tools/verify.py entpackt den signierten .shortcut und prüft, ob er zu den Quellen passt, sodass das, was du installierst, das ist, was du lesen kannst.
Apache-2.0.

Die Forschung dahinter

Duo baut auf zwei Arbeiten auf, die für Workshops der NeurIPS 2026 angenommen wurden, sowie auf einer Neuauswertung der Daten unserer Begleitstudie. (1) Selbstsicherheit ist ein schwaches Signal (TAE-Workshop, doi:10.5281/zenodo.23197651): Über neun API-Modelle einer blind erhobenen Sammlung von 16 Modellen (Ende Juli 2026; claude-haiku-4-5, gpt-5-mini, gemini-3.6-flash, grok-4-fast, deepseek-chat, qwen-plus, kimi-k3, glm-4.5, mistral-small-latest) sagt die angegebene Sicherheit die eigene Korrektheit des Modells mit einer AUROC von 0,53–0,79 voraus; auf dem vorab festgelegten Hauptpanel (CN: DeepSeek, Alibaba, Moonshot) erreicht die Übereinstimmung mit blind abgefragten Modellen 0,83 gegenüber 0,55 bei der Selbstsicherheit (Δ +0,29; 0,775 gegenüber 0,545 bei einer Umkodierung ohne Korrektheitslabels). (2) Prüfen muss zuerst blind erfolgen (Workshop „Who Verifies the Agents?“, doi:10.5281/zenodo.23197641): In einem explorativen Konformitätsarm mit sechs API-Prüfern von Juli 2026 (Anthropic, OpenAI, Google, DeepSeek, Alibaba, Moonshot) stimmten Prüfer, die blind widersprochen hatten, derselben Antwort zu, sobald sie ihnen als Antwort eines Kollegen gezeigt wurde, und zwar in 38,5 % der Fälle (168/436); die Modi „Synthesis“ und „Side by side“ von Duo erheben beide Antworten blind. In derselben Arbeit wiederholten die API-Panels von Juli 2026 (ein Modell pro Labor, dort „frontier“ genannt, für acht von neun Budget-/Mittelklasse) im schwersten Quintil nach Schwierigkeit für die gesamte Population 342 Antworten auf 106 Fragen, und nach der ursprünglichen Bewertung war keine einzige richtig. (3) Post-hoc-Neuauswertung (26. Okt. 2026) der veröffentlichten Daten der Flaggschiff-Welle der Begleitstudie (doi:10.5281/zenodo.22166995; ein Flaggschiff pro Labor, Stand 5. Aug. 2026): das Paar gpt-5.6-sol + claude-fable-5, 1.459 SimpleQA-Aufgaben, blinde Antworten, die Antwort von GPT wird nur bei Übereinstimmung durch deterministische Äquivalenz ausgegeben – Abdeckung 69,6 %, ausgegebene Antworten richtig in 98,1 % (985/1.004) [97,2; 98,9] gegenüber 95,3 % bei GPT allein; Rate sicher vorgetragener Fehler (Konfidenz ≥ 80, bezogen auf sichere Antworten) 4,6 % → 1,9 % bei GPT und 10,3 % → 2,8 % bei Claude; beide Flaggschiffe machten denselben sicheren Fehler bei nur 1,0 % der Aufgaben (15/1.459). Auf den 106 WVA-Fragen (schwer für die Juli-Modelle) stimmte das Flaggschiff-Paar bei 37 überein und lag bei 34 richtig. Das Mittelklasse-Paar derselben Labore (gpt-5-mini + claude-haiku-4-5, Juli 2026): Abdeckung 8,6 %, ausgegebene Antworten richtig in 36,6 %, 0/13 auf den 106. Ein stärkeres Paar gewinnt auf jeder praktischen Achse: Abdeckung ×8, Genauigkeit der ausgegebenen Antwort 37 % → 98 %, Anteil gemeinsamer sicherer Fehler unter den ausgegebenen Antworten 8 % → 1,5 %. Mit ChatGPT Plus/Pro und Claude Pro/Max nutzt Duo die stärksten Modelle dieser Tarife ohne Aufpreis; die obigen Zahlen gelten für das Paar vom 5. Aug. 2026.

Grenzen: SimpleQA ist öffentlich, und gpt-5.6-sol gibt die Referenzzeichenfolge in 61,6 % der Antworten wörtlich wieder; auf den 106 Aufgaben liegt es allein in 95,2 % richtig und gibt die Referenz in 64,2 % wörtlich wieder – schwer für Juli-Modelle, nicht für dieses. Das Gate entfernt einen kleineren Anteil der sicheren Fehler von GPT als das Gate des Mittelklasse-Paars (70,8 % gegenüber 92,3 %). Flaggschiff gegen Mittelklasse sind zwei gemessene Punkte (verschiedene Monate; Reasoning-Aufwand von GPT medium gegenüber minimal). Die Paar-Zahlen gelten für Blind-first-Modi, nicht für Critique, wo Claude die Antwort von ChatGPT sieht. Die Null in WVA hält bei Schwierigkeit über die Population; bei Schwierigkeit ohne die Modelle des Panels (Leave-panel-out) bleibt sie für das Panel über die Blockgrenze hinweg (0/116), nicht gepoolt (78/354). Zählt man die vertretbaren Antworten aus der manuellen Referenzprüfung von WVA mit, wird die Null höchstens 13/342 (Lift 0,98×). Die Gegenkontrolle des Konformitätsarms lief auf sechs lokalen Modellen. Auf dem US-Panel von TAE liegt die gepoolte Selbstsicherheit vorn (0,84 gegenüber 0,70), ein Effekt zwischen den Modellen (0,67 rangnormalisiert). Claude läuft mit dem Standardmodell der App; ChatGPT läuft mit model: auto, das in bezahlten Tarifen das Modell des Tarifs wählt. Die heutigen Flaggschiffe sind noch nicht gemessen. Daten und Arbeiten: github.com/vadimchernets/papers · polyhelper.ai/research

Probier es aus

Öffne auf deinem iPhone https://polyhelper.ai/de/duo/ und tippe auf Duo. Kurzbefehle öffnet sich; tippe auf Hinzufügen. Falls es sich nicht öffnet, füge die englische Version von der Seite hinzu.
Tippe beim ersten Start jedes Mal auf „Immer erlauben“, wenn nach ChatGPT, Claude und der Zwischenablage gefragt wird (4 bis 6 Mal).
Stell eine Frage, bei der eine zweite Meinung eine Minute wert ist.

Du brauchst iOS 18 oder neuer (ein iPhone 14 schafft das problemlos) sowie die Apps von ChatGPT und Claude, angemeldet. Duo für Android ist kostenlos bei Google Play: https://play.google.com/store/apps/details?id=ai.polyhelper.a1

Quellcode (Apache-2.0): https://github.com/vadimchernets/poly-duo

Installiere es, gib ihm die schwierigste Frage, die dich diese Woche beschäftigt (ein Vertrag, ein Angebot, ein Diff) und sag mir in den Kommentaren, welchen Modus ich als Nächstes ergänzen soll. Ein Prompt, den du schärfen könntest? Eröffne ein Issue.

Ein praktischer Tipp: Lass den Bildschirm in Ruhe, solange es läuft. Ein Fingertipp stoppt den Kurzbefehl.

Vadym Chernets, unabhängiger KI-Forscher (PhD). Zwei meiner Poster zu KI-Evaluation und -Verifikation sind bei NeurIPS-2026-Workshops: https://neurips.cc/virtual/2026/178299 · https://neurips.cc/virtual/2026/loc/sydney/173020

Dos rivales, una respuesta verificada: ChatGPT y Claude se alían en tu iPhone, gratisвтс

Vadym Chernets — Mon, 26 Oct 2026 07:38:55 +0000

TL;DR: Poly Duo (C1M) es un atajo de iPhone gratuito y de código abierto. ChatGPT responde, Claude verifica y corrige la respuesta, y recibes un único resultado que empieza por los puntos en los que coinciden, en qué difieren y qué conviene comprobar. Funciona en el teléfono, con las cuentas que ya tienes. Sin servidor propio, sin claves de API, sin ordenador.

El bucle

Ya conoces el baile. Le preguntas a ChatGPT algo que importa. Copias la respuesta, abres Claude, la pegas y escribes «¿Esto es correcto? ¿Qué falta?». Luego saltas entre dos pantallas intentando averiguar qué partes creen los dos y cuál solo respalda uno de ellos.

Yo hacía ese baile a mano cada día, porque una segunda opinión de otra empresa de verdad detecta lo que una sola IA puede pasar por alto. Pero es lento, y es lo primero que te saltas con prisa, justo cuando más lo necesitas.

Así que le enseñé a mi iPhone a hacerlo. Se llama Duo, es de código abierto (https://github.com/vadimchernets/poly-duo) y se usa con un toque. Para que no tengas que lidiar con archivos firmados, hay una página que lo instala en tu iPhone con un toque, en tu idioma: https://polyhelper.ai/es/duo/

Qué obtienes

ChatGPT responde. Claude lee esa respuesta, la verifica y corrige lo que esté mal. Aproximadamente un minuto después, el resultado aparece en pantalla y en el portapapeles, y también en un diario en markdown dentro de iCloud Drive si lo tienes disponible. Empieza con tres bloques cortos:

Ambos coinciden: en qué puedes apoyarte
En qué difieren: dónde conviene ir a la fuente
Qué comprobar tú mismo: una lista de dos minutos

Debajo va la respuesta completa y verificada.

El bloque del medio es lo esencial. Un mapa de dónde discrepan dos modelos de dos empresas es algo con lo que puedes actuar, cosa que un párrafo más pulido nunca te da.

Una primicia en el teléfono

En ordenadores, la gente lleva tiempo encadenando IA: extensiones de navegador, plataformas de IA de pago, montajes con API. En un teléfono, gratis y sin nada entre las dos IA, no había nada así hasta ahora.

Desde iOS 18, las apps de ChatGPT y Claude publican sus propias acciones de Atajos, Ask ChatGPT y Ask Claude. Duo las encadena dentro de un solo atajo. Ese único truco explica todo lo demás:

Funciona en el teléfono. Duo no genera tráfico propio. El único tráfico de red es el de las dos apps oficiales hablando con sus propias empresas (más la sincronización de iCloud).
Funciona con tus cuentas. Bastan las cuentas gratuitas. Si ya pagas Plus o Pro, los modelos que ofrece el plan de cada una de las dos empresas trabajan juntos sin coste adicional.
Sin servidor propio, sin clave de API, sin ordenador. Ponlo en el botón de acción, en Tocar atrás, en Siri o en la pantalla de bloqueo y tendrás un botón de «segunda opinión».

Dónde rinde ese minuto

Duo es para preguntas en las que equivocarse sale caro:

una cláusula de contrato antes de firmar,
un proveedor al que vas a pagar,
código a punto de desplegarse,
una cuestión de dinero o salud sobre la que vas a actuar,
un correo que no podrás retirar,
una oferta de trabajo: más sueldo, más trayecto.

La gente ya contrasta a mano las respuestas importantes entre dos IA. Duo es ese hábito sin las pestañas.

Cuatro modos, cuatro situaciones

Critique es el modo por defecto y el único que necesitas el primer día. Otros once están a un toque, y cada uno muestra su coste en mensajes (la insignia ✉) antes de elegir.

Critique — «¿Es correcto?» ChatGPT redacta, Claude verifica y devuelve la respuesta mejorada, abierta por los tres bloques. Pega un párrafo de un contrato con un proveedor y pregunta a qué te compromete realmente la cláusula de rescisión: recibes una respuesta y una lista breve de lo que confirmar con un abogado. Tres mensajes de tus propios planes.

Dispute map — «Enséñame el desacuerdo.» Dónde coinciden, dónde no y qué afirmaciones se pueden comprobar. Sin imponer un veredicto. Útil para ver exactamente qué está en disputa antes de leer una sola fuente.

Debate until agreement — «No me decido.» ChatGPT toma partido, Claude objeta, hasta tres rondas, hasta que uno cede. Después: en qué estuvieron de acuerdo, qué sigue en disputa y qué te toca decidir a ti. Para las preguntas sin respuesta correcta, solo bien argumentadas.

Synthesis — «Dame lo mejor de ambos.» Las dos responden a ciegas. Una respuesta sirve de ancla y la otra añade solo lo que falta. Obtienes una respuesta más completa sin leer dos respuestas largas.

¿No sabes cuál elegir? Auto lee tu pregunta y recomienda uno.

Trio: una tercera empresa con una clave gratuita

Dos voces pueden compartir un punto ciego. Trio añade un tercer modelo de una tercera empresa. Tras la verificación de Claude, lee la pregunta y las dos respuestas y nombra solo lo que ambos pasaron por alto, en su propio bloque bajo la respuesta de Claude.

Sirve una clave gratuita de cualquiera de estos servicios: primero NVIDIA (Kimi K3, GLM-5.3, DeepSeek V4.1 Flash), luego Google AI Studio (Gemini), Groq u OpenRouter. Las claves viven en tu iCloud Drive, nunca dentro del atajo, así que compartir el atajo nunca comparte una clave.

Por dentro

Un solo atajo; sus doce modos se enrutan mediante un diccionario, de modo que un modo nuevo es una entrada nueva, no una copia.
Los prompts son archivos de texto plano en locales/. El atajo se construye a partir de ellos; el repositorio tiene 11 locales, incluidos japonés, chino, árabe e hindi.
tools/verify.py desempaqueta el .shortcut firmado y comprueba que coincide con las fuentes, de modo que lo que instalas es lo que puedes leer.
Apache-2.0.

La investigación detrás

Duo se apoya en dos trabajos aceptados en workshops de NeurIPS 2026 y en un reanálisis de los datos de nuestro estudio complementario. (1) La autoconfianza es una señal débil (workshop TAE, doi:10.5281/zenodo.23197651): en nueve modelos de API de una colección ciega de 16 modelos (finales de julio de 2026; claude-haiku-4-5, gpt-5-mini, gemini-3.6-flash, grok-4-fast, deepseek-chat, qwen-plus, kimi-k3, glm-4.5, mistral-small-latest), la confianza declarada predice la corrección del propio modelo con un AUROC de 0,53–0,79; en el panel principal fijado de antemano (CN: DeepSeek, Alibaba, Moonshot), el acuerdo con modelos consultados a ciegas alcanza 0,83 frente a 0,55 de la autoconfianza (Δ +0,29; 0,775 frente a 0,545 con una recodificación sin etiquetas de corrección). (2) La verificación debe empezar a ciegas (workshop «Who Verifies the Agents?», doi:10.5281/zenodo.23197641): en un brazo exploratorio de conformidad con seis verificadores de API de julio de 2026 (Anthropic, OpenAI, Google, DeepSeek, Alibaba, Moonshot), los verificadores que habían discrepado a ciegas respaldaron la respuesta al verla como la de un colega en el 38,5 % de los casos (168/436); los modos Synthesis y Side by side de Duo obtienen ambas respuestas a ciegas. En el mismo trabajo, en el quintil más difícil según la dificultad para toda la población, los paneles de API de julio de 2026 (un modelo por laboratorio, llamados allí «frontier», de gama económica/media en ocho de nueve) replicaron 342 respuestas en 106 preguntas y, según la evaluación original, ninguna fue correcta. (3) Reanálisis post hoc (26 oct. 2026) de los datos publicados de la oleada de modelos insignia del estudio complementario (doi:10.5281/zenodo.22166995; un modelo insignia por laboratorio, instantánea del 5 ago. 2026): la pareja gpt-5.6-sol + claude-fable-5, 1 459 ítems de SimpleQA, respuestas a ciegas, la respuesta de GPT se emite solo cuando hay acuerdo por equivalencia determinista — cobertura 69,6 %, respuestas emitidas correctas en el 98,1 % (985/1 004) [97,2; 98,9] frente al 95,3 % de GPT solo; tasa de fallos seguros (confianza ≥ 80, sobre las respuestas seguras) 4,6 % → 1,9 % en GPT y 10,3 % → 2,8 % en Claude; ambos modelos insignia cometieron el mismo error seguro en solo el 1,0 % de los ítems (15/1 459). En las 106 preguntas de WVA (difíciles para los modelos de julio) la pareja insignia coincidió en 37 y acertó en 34. La pareja de gama media de los mismos laboratorios (gpt-5-mini + claude-haiku-4-5, julio de 2026): cobertura 8,6 %, respuestas emitidas correctas en el 36,6 %, 0/13 en las 106. Una pareja más fuerte gana en todos los ejes prácticos: cobertura ×8, exactitud de la respuesta emitida 37 % → 98 %, proporción de fallos seguros compartidos entre las respuestas emitidas 8 % → 1,5 %. Con ChatGPT Plus/Pro y Claude Pro/Max, Duo usa los modelos más potentes de esos planes sin coste adicional; las cifras anteriores corresponden a la pareja del 5 ago. 2026.

Límites: SimpleQA es público, y gpt-5.6-sol repite la cadena de referencia literalmente en el 61,6 % de las respuestas; en las 106 preguntas acierta solo en el 95,2 % y repite la referencia en el 64,2 % — difíciles para los modelos de julio, no para él. La compuerta elimina una proporción menor de los fallos seguros de GPT que la de la gama media (70,8 % frente a 92,3 %). Insignia frente a gama media son dos puntos medidos (meses distintos; esfuerzo de razonamiento de GPT medium frente a minimal). Las cifras de la pareja valen para los modos con respuesta ciega primero, no para Critique, donde Claude ve la respuesta de ChatGPT. El cero de WVA se mantiene con la dificultad de toda la población; con la dificultad sin los modelos del propio panel (leave-panel-out) persiste en el panel entre bloques (0/116), no en el agregado (78/354). Si se acreditan las respuestas defendibles halladas en la adjudicación manual de referencias de WVA, ese cero pasa a ser como máximo 13/342 (lift 0,98×). El control inverso del brazo de conformidad se hizo con seis modelos locales. En el panel US de TAE, la autoconfianza agregada va por delante (0,84 frente a 0,70), un efecto entre modelos (0,67 con normalización por rangos). Claude usa el modelo por defecto de la app; ChatGPT funciona con model: auto, que en los planes de pago elige el modelo del plan. Los modelos insignia actuales aún no están medidos. Datos y trabajos: github.com/vadimchernets/papers · polyhelper.ai/research

Pruébalo

En tu iPhone, abre https://polyhelper.ai/es/duo/ y toca Duo en tu idioma. Se abre Atajos; toca Añadir.
En la primera ejecución, toca Permitir siempre cada vez que pregunte por ChatGPT, Claude y el portapapeles (4–6 veces).
Pregunta algo en lo que una segunda opinión valga un minuto.

Necesitas iOS 18 o posterior (un iPhone 14 lo ejecuta sin problema) y las apps de ChatGPT y Claude con la sesión iniciada. Duo para Android es gratis en Google Play: https://play.google.com/store/apps/details?id=ai.polyhelper.a1

Código fuente (Apache-2.0): https://github.com/vadimchernets/poly-duo

Instálalo, hazle la pregunta más incómoda que tengas esta semana sobre la mesa (un contrato, una oferta, un diff) y cuéntame en los comentarios qué modo debería añadir a continuación. ¿Un prompt que se pueda afinar? Abre un issue.

Un consejo práctico: mientras se ejecuta, deja la pantalla en paz. Un toque detiene el atajo.

Vadym Chernets, investigador independiente de IA (PhD). Dos de mis pósters sobre evaluación y verificación de IA están en workshops de NeurIPS 2026: https://neurips.cc/virtual/2026/178299 · https://neurips.cc/virtual/2026/loc/sydney/173020

I made ChatGPT and Claude check each other on my iPhone — no API keys, no server

Vadym Chernets — Sun, 25 Oct 2026 23:43:16 +0000

I kept doing the same thing by hand: ask ChatGPT, copy the answer, paste it into Claude, ask "what's wrong with this?". So I turned that loop into an iPhone Shortcut. It's called Poly Duo (C1M), it's free and open source.

What it does

You ask once. ChatGPT answers. Claude reads that answer, checks it and fixes what's wrong. Then you get one result that opens with three short blocks:

Both agree
Where they differ
What to check yourself

…and the full checked answer below. It lands on screen, in the clipboard and in a markdown journal in your iCloud Drive — in about a minute.

How it works

On iOS 18 the ChatGPT and Claude apps publish their own Shortcuts actions: Ask ChatGPT and Ask Claude. Duo chains them inside one Shortcut. That's the whole trick, and it's why:

There is no server. The only network traffic is the two official apps talking to their own companies.
There are no API keys. It runs on the accounts you already have. Free tiers are enough. And if you already pay for Plus or Pro, you get the strongest models of two companies working together at no extra cost.
There is no computer. Everything runs on the phone. Put it on the Action Button, Back Tap or Siri and it becomes a "second opinion" button.

This kind of thing has existed on computers — browser extensions, paid AI hubs, API setups. On a phone, free, with nothing in between, I couldn't find anything like it. So I built it.

12 modes in one shortcut

Critique is the default (3 messages). The others are one tap away, and each shows its message cost before you pick:

Debate until agreement — ChatGPT takes a side, Claude objects, up to three rounds until one concedes
Dispute map — where they agree, where they disagree, what is checkable; no verdict imposed
Synthesis — both answer blind, one anchors, the other adds only what's missing
Side by side, Decision, Debate, Advisor, Clarify, Delta, Image, Auto

Trio adds a third model from a third company on any free key (NVIDIA → Gemini → Groq → OpenRouter) that names only what both of the others missed.

Under the hood

One shortcut, modes routed through a dictionary.
Prompts are plain text files in locales/; the shortcut is built from them for 11 languages.
tools/verify.py unpacks the signed .shortcut and checks it matches the sources.
Keys for Trio live in iCloud Drive, never inside the shortcut, so sharing it never shares a key.

Works on any iPhone with iOS 18 or later (I run it on an iPhone 14 Pro Max). Duo works on Android too, free.

Try it

Source (Apache-2.0): https://github.com/vadimchernets/poly-duo
One-tap install, 11 languages: https://polyhelper.ai/duo/

I'd love to hear which modes you'd add — or where Claude's check made a good answer worse.

I'm Vadym Chernets, an independent AI researcher (PhD); two of my posters on AI evaluation and verification are at NeurIPS 2026 workshops: https://neurips.cc/virtual/2026/178299 · https://neurips.cc/virtual/2026/loc/sydney/173020