Tether lancerer QVAC BotPsy til AI med værktøjsadgang på personlige enheder

Tether AI Research annoncerede lanceringen af QVAC BotPsy-0.8B den 11. november 2026, en model med åbne vægte og 0,8 milliarder parametre til værktøjskald på personlige enheder, og oplyste, at den klarede sig bedre end alle testede modeller med op til 1,2 milliarder parametre på tværs af seks benchmarks for agentbaserede systemer.

BotPsy er baseret på Alibaba’s Qwen3.5-0.8B og er specialiseret i funktionskald og flertrinsarbejdsgange for agentbaserede systemer til lokal drift. De opgaver, modellen er rettet mod, omfatter kalendere, beskeder, filer, enhedsindstillinger, websøgning, rejser, handel og kundeservice, og opgaver med lav til middel sværhedsgrad er angivet som dens bedste anvendelsesområde. Den omgivende applikation leverer forbindelser til tjenester, tilladelser og styring af udførelse.

I Tethers eksempel fra ACEBench mislykkedes afsendelsen af en besked, fordi Wi-Fi var slået fra, og indbakken var fuld. BotPsy slog Wi-Fi til og frigjorde plads i indbakken, før beskeden blev sendt, mens basismodellen gentog den mislykkede handling. Modellen kan også genkende, når ingen af de tilgængelige værktøjer passer til en anmodning, hvilket er en vigtig egenskab for en assistent, der arbejder i rigtige applikationer.

Specialisering giver bedre benchmarkresultater

I Tethers evaluering i modelkortet steg BFCL v4 fra 23,4 for basismodellen Qwen3.5-0.8B-Think til 44,0 for BotPsy, ACEBench fra 30,1 til 58,7 og ToolSandbox fra 30,5 til 64,6. BotPsy klarede sig også bedre end Qwen3.5-2B-Think på fem af de seks benchmarks for agentbaserede systemer; den større model førte på Claw-Eval med 48,9 mod 46,5. Alle fem modeller blev evalueret i tænketilstand med samme evalueringsramme, og resultaterne er angivet i procent.

Den største forbedring gælder kontinuiteten på tværs af flere ture. Tether angiver en score på 46,1 for BotPsy på BFCL v4’s test med flere ture, mod 7,5 for basismodellen og 23,8 for Qwen3.5-2B-Think. Testen måler, om en agent kan fortsætte arbejdet, efterhånden som der kommer nye oplysninger, for eksempel ved at tjekke tilgængelighed, håndtere en konflikt og opdatere en kalender. BotPsys score på 86,1 i BFCL’s hallucinationstest måler et andet krav: at undlade at kalde et værktøj, når ingen af de tilgængelige værktøjer passer.

Tethers bredere resultater dokumenterer ikke generel overlegenhed. BotPsys resultater på GPQA Diamond og MMLU-Pro, henholdsvis 38,1 og 48,9, ligger betydeligt under 2B-modellens 59,9 og 65,5. BotPsys resultat på 4,5 på BrowseComp-Plus var det bedste i gruppen på fem modeller, men er fortsat lavt i absolutte tal og afslører svagheder i åben research. BotPsy er derfor udviklet til at kalde værktøjer for at finde fakta, den ikke selv kender.

Træning og lokal drift på enheden

En teknisk gennemgang beskriver fire faser eftertræningen: superviseret finjustering, on-policy-destillation fra flere lærere og to runder med forstærkningslæring. Under destillationen stod tre specialiserede Qwen3.5-4B-lærermodeller for henholdsvis værktøjsbrug, generel ræsonnering og instruktionsfølgning. Faserne med forstærkningslæring brugte regelbaserede og verificerbare belønninger, først med fokus på værktøjskald og derefter med yderligere opgaver inden for matematik, kode, viden og struktureret output. Udgivelsen omfatter ikke træningskoden eller træningsdataene.

Den resulterende model producerer også kortere ræsonneringsforløb end basismodellen. På de GPQA Diamond-spørgsmål, som alle fem modeller besvarede korrekt, målte Tether 3.690 ræsonneringstokener for BotPsy mod 11.563 for basismodellen; på MMLU-Pro var antallene henholdsvis 1.912 og 5.105. Da alle modeller løste spørgsmålene, isolerer sammenligningen ræsonneringens længde frem for spørgsmålenes sværhedsgrad og giver dermed et nyttigt mål for effektiviteten ved lokal inferens.

GGUF-udgivelsen indeholder tre filer til llama.cpp og QVAC SDK: BF16 på cirka 1,52 GB, Q8_0 på cirka 0,81 GB og Q4_K_M på cirka 0,53 GB. Tether anbefaler Q8_0, som havde et gennemsnit på 50,7 på tværs af ti benchmarks, tæt på BF16-GGUF-filens 50,4, men med cirka halv filstørrelse. Q4_K_M havde et gennemsnit på 48,9 og er beregnet til mere begrænset hukommelse. Hovedarkivet indeholder BF16-safetensors-vægte under Apache 2.0-licensen.

Sikkerhedsbegrænsninger og QVAC-planen

Begrænsningerne for den tilsigtede brug i modelkortet er omfattende. BotPsy blev primært trænet og testet på engelsk, som er det anbefalede sprog. Evalueringen med Multi-IF omfattede syv yderligere sprog og viste betydeligt svagere resultater for instruktionsfølgning på hindi og russisk. BotPsy begår fejl og er ikke beregnet til sikkerhedskritiske eller højrisikofyldte automatiserede beslutninger eller til applikationer, der involverer penge, personoplysninger, sundhed og andre følsomme emner.

I Tethers automatiserede red team-test på tværs af seks kategorier af skadelighed producerede BotPsy usikre svar i 21 % af tilfældene mod 36 % for basismodellen. Ved promptinjektionsangreb, som er særligt bekymrende for agenter, der læser ubekræftet output fra værktøjer, var de rapporterede andele af usikre svar henholdsvis 31 % og 46 %. Den mindre model forbedrede resultaterne i begge test, men genererede stadig usikre svar.

BotPsy føjer sig til QVACs modeller til syn, tale, sundhed og oversættelse, og den fremtidige udvikling har til hensigt at kombinere deres specialiserede egenskaber. »Brugerne bør selv bestemme, hvad deres assistent kan få adgang til, og hvilke eksterne tjenester den kan oprette forbindelse til,« sagde Tethers administrerende direktør, Paolo Ardoino.

Tethers langsigtede design anvender en Android- eller iPhone-grænseflade til daglig interaktion, overlader krævende opgaver til en hjemme-pc eller betroede peer-to-peer-noder og sender webforespørgsler via krypterede peer-to-peer-forbindelser. Dette system er en erklæret vision; den aktuelle udgivelse indeholder modellen og implementeringsfilerne.

BotPsis dokumenterede styrke er et specialiseret lokalt handlingslag til rutineopgaver. Om det bliver en nyttig personlig assistent, afhænger af tilladelser på applikationsniveau og kontrol af udførelsen samt af, om Tethers planlagte integration og delegering til hardware imødekommer de forskningsmæssige, kompleksitetsmæssige og sikkerhedsmæssige begrænsninger, der er beskrevet i denne udgivelse.