Tether julkaisee QVAC BotPsy -mallin työkalujen käyttöön henkilökohtaisissa laitteissa

Tether AI Research ilmoitti QVAC BotPsy-0.8B:n julkaisusta 11. marraskuuta 2026. Kyseessä on avoimilla painoilla julkaistu 0,8 miljardin parametrin malli työkalukutsuja varten henkilökohtaisissa laitteissa. Tether kertoi mallin päihittäneen kaikki testatut, enintään 1,2 miljardin parametrin mallit kuudessa agenttisuutta mittaavassa vertailutestissä.

Alibaba’s Qwen3.5-0.8B -malliin perustuva BotPsy on erikoistunut funktiokutsuihin ja monivaiheisiin agenttityönkulkuihin paikallista käyttöönottoa varten. Sen tehtäväalueisiin kuuluvat kalenterit, viestit, tiedostot, laitteen asetukset, verkkotiedonhaku, matkailu, kaupankäynti ja asiakaspalvelu. Malli soveltuu parhaiten helpoista keskivaikeisiin tehtäviin. Ympäröivä sovellus huolehtii yhteyksistä palveluihin, käyttöoikeuksista ja suorituksen hallinnasta.

Tetherin ACEBench-esimerkissä viestin lähetys epäonnistui, koska Wi-Fi oli pois päältä ja saapuneiden viestien kansio täynnä. BotPsy kytki Wi-Fin päälle ja vapautti tilaa saapuneiden viestien kansiosta ennen viestin lähettämistä, kun taas sen pohjamalli toisti epäonnistuneen toiminnon. Malli osaa myös tunnistaa, jos mikään käytettävissä olevista työkaluista ei sovellu pyyntöön. Tämä on tärkeä ominaisuus avustajalle, joka toimii oikeissa sovelluksissa.

Erikoistuminen tuottaa paremmat vertailutestitulokset

Tetherin mallikortissa esitetyn arvioinnin mukaan BFCL v4:n tulos nousi Qwen3.5-0.8B-Think-pohjamallin 23,4:stä BotPsyn 44,0:aan, ACEBenchin tulos 30,1:stä 58,7:ään ja ToolSandboxin tulos 30,5:stä 64,6:een. BotPsy päihitti myös Qwen3.5-2B-Thinkin viidessä kuudesta agenttisuutta mittaavasta vertailutestistä; suurempi malli oli parempi Claw-Eval-testissä tuloksin 48,9 vastaan 46,5. Kaikki viisi mallia arvioitiin päättelytilassa samalla testikehikolla, ja tulokset ilmoitetaan prosentteina.

Suurin parannus koskee vuorojen välistä jatkuvuutta. Tether ilmoittaa BotPsyn BFCL v4:n monivuorotestin tulokseksi 46,1, kun sen pohjamallin tulos oli 7,5 ja Qwen3.5-2B-Thinkin 23,8. Testissä mitataan, pystyykö agentti jatkamaan työskentelyä uuden tiedon saapuessa, esimerkiksi tarkistamaan saatavuuden, käsittelemään ristiriidan ja päivittämään kalenterin. BotPsyn tulos 86,1 BFCL:n hallusinaatiotestissä mittaa eri vaatimuksen täyttymistä: työkalukutsusta pidättäytymistä silloin, kun mikään käytettävissä oleva työkalu ei sovellu tehtävään.

Tetherin laajemmat tulokset eivät osoita mallin olevan yleisesti muita parempi. BotPsyn GPQA Diamond- ja MMLU-Pro-tulokset, 38,1 ja 48,9, jäävät selvästi 2B-mallin tuloksista 59,9 ja 65,5. BotPsyn BrowseComp-Plus-tulos 4,5 oli viiden mallin joukon paras, mutta on absoluuttisesti edelleen matala, mikä paljastaa heikkoudet avoimessa tiedonhaussa. Siksi BotPsy on suunniteltu käyttämään työkaluja sellaisten tietojen selvittämiseen, joita se ei itse tiedä.

Koulutus ja käyttöönotto laitteissa

Teknisessä kuvauksessa esitellään neljä jälkikoulutusvaihetta: ohjattu hienosäätö, usean opettajamallin on-policy-tislaus sekä kaksi vahvistusoppimiskierrosta. Tislauksessa työkalujen käyttöä, yleistä päättelyä ja ohjeiden noudattamista käsitteli kolme erikoistunutta Qwen3.5-4B-opettajamallia. Vahvistusoppimisvaiheissa käytettiin sääntöpohjaisia ja todennettavia palkkioita: ensin painotettiin työkalujen käyttöä, minkä jälkeen mukaan lisättiin enemmän matematiikkaa, koodausta, tietämystä ja jäsenneltyä tulostetta. Julkaisupaketti ei sisällä koulutuskoodia eikä koulutusdataa.

Tuloksena syntynyt malli tuottaa myös pohjamalliaan lyhyempiä päättelyketjuja. Kaikkien viiden mallin oikein vastattavissa GPQA Diamond -kysymyksissä Tether mittasi BotPsyn päättelyyn käyttämien tokenien määräksi 3 690 ja pohjamallin määräksi 11 563. MMLU-Prossa vastaavat määrät olivat 1 912 ja 5 105. Koska kaikki mallit ratkaisivat kyseiset kysymykset, vertailu mittaa päättelyn pituutta eikä kysymysten vaikeutta ja antaa hyödyllisen kuvan paikallisen päättelyn tehokkuudesta.

GGUF-julkaisu sisältää kolme tiedostoa llama.cpp:lle ja QVAC SDK:lle: BF16, noin 1,52 Gt; Q8_0, noin 0,81 Gt; ja Q4_K_M, noin 0,53 Gt. Tether suosittelee Q8_0:aa, jonka keskiarvo kymmenessä vertailutestissä oli 50,7. Tulos on lähellä BF16 GGUF:n 50,4:ää, vaikka tiedostokoko on noin puolet pienempi. Q4_K_M:n keskiarvo oli 48,9, ja se on tarkoitettu tilanteisiin, joissa muisti on tiukalla. Päätietovarasto sisältää Apache 2.0 -lisenssin alaiset BF16 safetensors -painot.

Turvallisuuden rajat ja QVAC-suunnitelma

Mallikortissa määritellyt käyttötarkoituksen rajat ovat merkittävät. BotPsy koulutettiin ja testattiin pääasiassa englanniksi, jota suositellaan käyttöön. Multi-IF-arviointi kattoi seitsemän muuta kieltä, mutta ohjeiden noudattamisen tulokset olivat hindiksi ja venäjäksi huomattavasti heikompia. BotPsy tekee virheitä, eikä sitä ole tarkoitettu turvallisuuden kannalta kriittisiin tai suuren riskin automaattisiin päätöksiin eikä sovelluksiin, joissa käsitellään rahaa, henkilötietoja, terveyttä tai muita arkaluonteisia aiheita.

Tetherin automaattisessa red team -testauksessa kuudessa haittakategoriassa BotPsy tuotti turvattomia vastauksia 21 % ajasta, kun pohjamallin vastaava osuus oli 36 %. Kehotteensyöttöhyökkäyksissä, jotka ovat erityinen huolenaihe epäluotettavia työkalujen tulosteita lukevien agenttien kohdalla, ilmoitetut turvattomien vastausten osuudet olivat vastaavasti 31 % ja 46 %. Pienempi malli paransi tulosta molemmissa testeissä, mutta tuotti silti turvattomia vastauksia.

BotPsy täydentää QVACin näkö-, puhe-, terveys- ja käännösmalleja. Tulevassa kehitystyössä on tarkoitus yhdistää niiden erikoistuneet ominaisuudet. ”Käyttäjien pitäisi päättää, mitä heidän avustajansa saa käyttää ja mihin ulkoisiin palveluihin se voi muodostaa yhteyden”, sanoi Tetherin toimitusjohtaja Paolo Ardoino.

Tetherin pidemmän aikavälin suunnitelmassa Android- tai iPhone-käyttöliittymää käytetään päivittäiseen vuorovaikutukseen, vaativat tehtävät annetaan kotitietokoneen tai luotettujen vertaisverkon solmujen hoidettaviksi ja verkkokyselyt reititetään salattujen vertaisyhteyksien kautta. Kyseessä on ilmoitettu visio; nykyinen julkaisu sisältää mallin ja käyttöönottoon tarvittavat tiedostot.

BotPsyn dokumentoitu vahvuus on rutiinitehtäviin tarkoitettu erikoistunut paikallinen toimintakerros. Se, muodostuuko siitä hyödyllinen henkilökohtainen avustaja, riippuu sovellustason käyttöoikeuksista ja suorituksen hallintakeinoista sekä siitä, pystyvätkö Tetherin suunniteltu integrointi ja tehtävien siirtäminen laitteistolle vastaamaan tässä julkaisussa kuvattuihin tutkimukseen, monimutkaisuuteen ja turvallisuuteen liittyviin rajoitteisiin.