Tether vydává QVAC BotPsy, umělou inteligenci využívající nástroje na osobních zařízeních

Tether AI Research oznámila 11. listopadu 2026 vydání QVAC BotPsy-0.8B, modelu s otevřenými váhami a 0,8 miliardy parametrů určeného k volání nástrojů na osobních zařízeních. Uvedla, že v šesti benchmarcích agentních schopností překonal každý testovaný model s nejvýše 1,2 miliardy parametrů.

BotPsy, postavený na modelu Qwen3.5-0.8B od Alibaba, se specializuje na volání funkcí a vícekrokové agentní postupy určené k lokálnímu nasazení. Mezi zamýšlené úlohy patří práce s kalendáři, zprávami, soubory a nastavením zařízení, vyhledávání na webu, cestování, obchod a zákaznický servis; nejlépe se hodí pro úlohy nízké až střední obtížnosti. Okolní aplikace zajišťuje propojení se službami, oprávnění a řízení provádění úloh.

V příkladu z ACEBench od Tetheru se zprávu nepodařilo odeslat, protože byla vypnutá Wi-Fi a schránka příchozí pošty byla plná. BotPsy před odesláním zprávy zapnul Wi-Fi a uvolnil místo ve schránce, zatímco jeho základní model zopakoval neúspěšný krok. Model také dokáže rozpoznat, že žádný z dostupných nástrojů není pro daný požadavek vhodný. To je důležitá vlastnost asistenta, který pracuje v reálných aplikacích.

Specializace přináší lepší výsledky v benchmarcích

V hodnocení podle karty modelu od Tetheru vzrostlo skóre BFCL v4 z 23,4 u základního modelu Qwen3.5-0.8B-Think na 44,0 u BotPsy, skóre ACEBench z 30,1 na 58,7 a skóre ToolSandbox z 30,5 na 64,6. BotPsy překonal také Qwen3.5-2B-Think v pěti ze šesti benchmarků agentních schopností; větší model dosáhl lepšího výsledku v Claw-Eval, kde získal 48,9 oproti 46,5. Všech pět modelů bylo hodnoceno v režimu uvažování za použití stejného testovacího rámce a výsledky jsou uvedeny v procentech.

Největší zlepšení se týká návaznosti mezi jednotlivými tahy. Tether uvádí, že BotPsy dosáhl v testu BFCL v4 s více tahy skóre 46,1, zatímco jeho základní model získal 7,5 a Qwen3.5-2B-Think 23,8. Test měří, zda agent dokáže pokračovat v práci i s příchodem nových informací, například ověřit dostupnost, vyřešit konflikt a aktualizovat kalendář. Skóre 86,1, které BotPsy získal v testu halucinací BFCL, měří jinou schopnost: zdržet se volání nástroje, pokud žádný dostupný nástroj neodpovídá požadavku.

Širší výsledky Tetheru nedokládají obecnou převahu modelu. Skóre BotPsy v testech GPQA Diamond a MMLU-Pro, 38,1 a 48,9, jsou výrazně nižší než výsledky modelu s 2 miliardami parametrů, který získal 59,9 a 65,5. BotPsy sice v testu BrowseComp-Plus dosáhl nejlepšího výsledku z pěti modelů, a to 4,5, v absolutním měřítku je však stále nízký a ukazuje na slabší výkon při otevřeném výzkumu. BotPsy je proto navržen tak, aby pomocí nástrojů vyhledával fakta, která nezná.

Trénování a nasazení na zařízení

Technický popis uvádí čtyři fáze dodatečného trénování: dolaďování s učitelem, destilaci podle výstupů více učitelů při učení na vlastní politice a dvě kola posilovaného učení. Během destilace se třemi specializovanými učitelskými modely Qwen3.5-4B zpracovávaly používání nástrojů, obecné uvažování a následování pokynů. Ve fázích posilovaného učení se používaly odměny založené na pravidlech a ověřitelných výsledcích; první kolo kladlo důraz na volání nástrojů, ve druhém přibyly úlohy z matematiky, programování, znalostí a strukturovaného výstupu. Vydání neobsahuje kód ani data použité při trénování.

Výsledný model vytváří také kratší stopy uvažování než jeho základní model. U otázek z GPQA Diamond, na které všech pět modelů odpovědělo správně, naměřil Tether u BotPsy 3 690 tokenů uvažování oproti 11 563 u jeho základního modelu; v MMLU-Pro činily počty 1 912 a 5 105. Protože všechny modely tyto otázky vyřešily, srovnání ukazuje rozdíl v délce uvažování, nikoli v obtížnosti otázek, a poskytuje užitečný ukazatel efektivity při lokálním odvozování.

Vydání ve formátu GGUF obsahuje tři soubory pro llama.cpp a QVAC SDK: BF16 o velikosti přibližně 1,52 GB, Q8_0 o velikosti přibližně 0,81 GB a Q4_K_M o velikosti přibližně 0,53 GB. Tether doporučuje Q8_0, který dosáhl průměrného skóre 50,7 v deseti benchmarcích; to se blíží výsledku 50,4 u souboru GGUF BF16, jehož velikost je přibližně poloviční. Q4_K_M dosáhl průměrného skóre 48,9 a je určen pro zařízení s omezenější pamětí. Hlavní repozitář obsahuje váhy BF16 ve formátu safetensors pod licencí Apache 2.0.

Bezpečnostní omezení a plán QVAC

Omezení zamýšleného použití uvedená v kartě modelu jsou značná. BotPsy byl trénován a testován především v angličtině, která je doporučeným jazykem. Při hodnocení Multi-IF se testovalo také sedm dalších jazyků; výsledky v hindštině a ruštině byly při následování pokynů výrazně slabší. BotPsy se může mýlit a není určen pro bezpečnostně kritická rozhodnutí ani pro automatizovaná rozhodnutí s vysokými sázkami, stejně jako pro aplikace zahrnující peníze, osobní údaje, zdraví a další citlivá témata.

Při automatizovaném testování odolnosti vůči škodlivým požadavkům v šesti kategoriích škodlivého obsahu vytvářel BotPsy nebezpečné odpovědi v 21 % případů, zatímco jeho základní model v 36 %. Při útocích typu prompt injection, které představují zvláštní riziko pro agenty čtoucí nedůvěryhodné výstupy nástrojů, činila uváděná míra nebezpečných odpovědí 31 %, respektive 46 %. Menší model si v obou testech vedl lépe, přesto však stále vytvářel nebezpečné odpovědi.

BotPsy doplňuje modely QVAC pro práci s obrazem, řečí, zdravím a překladem; budoucí vývoj má spojit jejich specializované schopnosti. „Uživatelé by měli rozhodovat o tom, k čemu má jejich asistent přístup a ke kterým externím službám se může připojit,“ řekl generální ředitel Tetheru Paolo Ardoino.

Tetherova dlouhodobější koncepce počítá s rozhraním pro Android nebo iPhone určeným ke každodennímu používání, náročné úkoly svěřuje domácímu PC nebo důvěryhodným peer-to-peer uzlům a webové dotazy směruje přes šifrovaná peer-to-peer spojení. Tento systém představuje deklarovanou vizi; aktuální vydání nabízí model a soubory pro jeho nasazení.

Dokumentovanou předností BotPsy je specializovaná lokální vrstva pro provádění akcí při rutinních úkolech. To, zda se z něj stane užitečný osobní asistent, závisí na oprávněních na úrovni aplikací a kontrolních mechanismech provádění, stejně jako na tom, zda plánovaná integrace Tetheru a delegování úloh na hardware dokážou řešit omezení výzkumu, složitosti a bezpečnosti popsaná v tomto vydání.