Tether Merilis QVAC BotPsy untuk AI yang Menggunakan Alat di Perangkat Pribadi

Tether AI Research mengumumkan perilisan QVAC BotPsy-0.8B pada 11 November 2026, sebuah model dengan bobot terbuka berparameter 0,8 miliar untuk pemanggilan alat di perangkat pribadi. Tether AI Research melaporkan bahwa model ini mengungguli setiap model yang diuji, dengan jumlah parameter hingga 1,2 miliar, dalam enam tolok ukur agen.

Dikembangkan berdasarkan Qwen3.5-0.8B dari Alibaba, BotPsy dirancang khusus untuk pemanggilan fungsi dan alur kerja agen bertahap yang dijalankan secara lokal. Tugas yang menjadi sasarannya mencakup kalender, pesan, berkas, pengaturan perangkat, riset web, perjalanan, perdagangan, dan layanan pelanggan; model ini dinilai paling sesuai untuk pekerjaan dengan tingkat kesulitan rendah hingga menengah. Aplikasi yang menaunginya menyediakan koneksi ke layanan, izin, dan kontrol eksekusi.

Dalam contoh ACEBench dari Tether, sebuah pesan gagal terkirim karena Wi-Fi nonaktif dan kotak masuk penuh. BotPsy mengaktifkan Wi-Fi dan mengosongkan ruang di kotak masuk sebelum mengirim pesan, sementara model dasarnya mengulangi tindakan yang gagal. Model ini juga dapat mengenali ketika tidak satu pun alat yang tersedia sesuai dengan permintaan—perilaku penting bagi asisten yang bekerja di dalam aplikasi sungguhan.

Spesialisasi Mendorong Peningkatan Hasil Tolok Ukur

Dalam evaluasi kartu model Tether, skor BFCL v4 meningkat dari 23,4 untuk model dasar Qwen3.5-0.8B-Think menjadi 44,0 untuk BotPsy; skor ACEBench naik dari 30,1 menjadi 58,7, dan ToolSandbox dari 30,5 menjadi 64,6. BotPsy juga mengungguli Qwen3.5-2B-Think dalam lima dari enam tolok ukur agen; model yang lebih besar unggul pada Claw-Eval, dengan skor 48,9 dibandingkan 46,5. Kelima model dievaluasi dalam mode berpikir menggunakan perangkat uji yang sama, dan skor tersebut dinyatakan dalam persentase.

Peningkatan terbesar terlihat pada kemampuan mempertahankan kesinambungan antargiliran. Tether melaporkan skor multi-giliran BFCL v4 sebesar 46,1 untuk BotPsy, dibandingkan dengan 7,5 untuk model dasarnya dan 23,8 untuk Qwen3.5-2B-Think. Pengujian ini mengukur apakah agen dapat terus bekerja saat menerima informasi baru, misalnya dengan memeriksa ketersediaan, menangani konflik, lalu memperbarui kalender. Skor BotPsy sebesar 86,1 pada pengujian halusinasi BFCL mengukur persyaratan yang berbeda: menahan diri untuk tidak memanggil alat ketika tidak ada alat yang tersedia dan sesuai.

Hasil Tether yang lebih luas tidak membuktikan bahwa BotPsy unggul secara umum. Skor GPQA Diamond dan MMLU-Pro BotPsy, masing-masing 38,1 dan 48,9, jauh di bawah skor model 2B, yaitu 59,9 dan 65,5. Skor BrowseComp-Plus BotPsy sebesar 4,5 memang tertinggi di antara lima model, tetapi secara absolut masih rendah, menunjukkan kelemahan dalam riset terbuka. Karena itu, BotPsy dirancang untuk memanggil alat guna mencari fakta yang tidak diketahuinya.

Pelatihan dan Penerapan di Perangkat

Sebuah uraian teknis menjelaskan empat tahap pascapelatihan: penyempurnaan terawasi, distilasi dengan beberapa guru secara on-policy, dan dua putaran pembelajaran penguatan. Selama distilasi, tiga model Qwen3.5-4B spesialis menangani penggunaan alat, penalaran umum, dan kepatuhan terhadap instruksi. Tahap pembelajaran penguatan menggunakan imbalan berbasis aturan yang dapat diverifikasi; tahap pertama menitikberatkan pemanggilan alat, lalu tahap berikutnya menambahkan lebih banyak pekerjaan matematika, pemrograman, pengetahuan, dan keluaran terstruktur. Rilis ini tidak menyertakan kode pelatihan maupun data pelatihan.

Model yang dihasilkan juga menghasilkan rangkaian penalaran yang lebih pendek daripada model dasarnya. Untuk soal GPQA Diamond yang dijawab dengan benar oleh kelima model, Tether mengukur 3.690 token penalaran untuk BotPsy, dibandingkan dengan 11.563 token untuk model dasarnya; pada MMLU-Pro, jumlahnya masing-masing 1.912 dan 5.105. Karena semua model berhasil menjawab soal-soal tersebut, perbandingan ini mengukur panjang penalaran, bukan tingkat kesulitan soal, sehingga memberikan indikator efisiensi yang berguna untuk inferensi lokal.

Rilis GGUF menyediakan tiga berkas untuk llama.cpp dan QVAC SDK: BF16 berukuran sekitar 1,52 GB, Q8_0 sekitar 0,81 GB, dan Q4_K_M sekitar 0,53 GB. Tether merekomendasikan Q8_0 karena meraih rata-rata 50,7 dalam sepuluh tolok ukur, mendekati skor 50,4 milik GGUF BF16, dengan ukuran berkas sekitar setengahnya. Q4_K_M meraih rata-rata 48,9 dan ditujukan bagi perangkat dengan anggaran memori lebih terbatas. Repositori utama menyediakan bobot safetensors BF16 di bawah lisensi Apache 2.0.

Batasan Keamanan dan Rencana QVAC

Batasan penggunaan yang ditetapkan dalam kartu model cukup luas. BotPsy terutama dilatih dan diuji dalam bahasa Inggris, yang merupakan bahasa rekomendasi. Evaluasi Multi-IF mencakup tujuh bahasa tambahan dan menunjukkan hasil kepatuhan terhadap instruksi yang jauh lebih lemah dalam bahasa Hindi dan Rusia. BotPsy dapat melakukan kesalahan dan tidak ditujukan untuk keputusan otomatis yang kritis bagi keselamatan atau berisiko tinggi, maupun untuk aplikasi yang melibatkan uang, informasi pribadi, kesehatan, dan topik sensitif lainnya.

Dalam pengujian red-team otomatis Tether yang mencakup enam kategori bahaya, BotPsy menghasilkan respons tidak aman sebanyak 21% dari waktu pengujian, dibandingkan dengan 36% untuk model dasarnya. Dalam serangan injeksi prompt—yang menjadi perhatian khusus bagi agen yang membaca keluaran alat yang tidak tepercaya—tingkat respons tidak aman yang dilaporkan masing-masing adalah 31% dan 46%. Model yang lebih kecil ini menunjukkan peningkatan pada kedua pengujian, tetapi tetap menghasilkan respons tidak aman.

BotPsy melengkapi model QVAC untuk visi, ucapan, kesehatan, dan penerjemahan; pengembangan pada masa mendatang direncanakan untuk menggabungkan kemampuan khusus model-model tersebut. “Pengguna seharusnya menentukan apa yang dapat diakses oleh asisten mereka dan layanan eksternal mana yang dapat dihubungkannya,” kata CEO Tether Paolo Ardoino.

Rancangan jangka panjang Tether menggunakan antarmuka Android atau iPhone untuk interaksi sehari-hari, mengalihkan tugas berat ke PC rumahan atau node peer-to-peer tepercaya, serta merutekan kueri web melalui koneksi peer-to-peer terenkripsi. Sistem tersebut merupakan visi yang telah dinyatakan; rilis saat ini menyediakan model dan berkas penerapannya.

Keunggulan BotPsy yang terdokumentasi adalah lapisan tindakan lokal khusus untuk tugas rutin. Apakah BotPsy dapat menjadi asisten pribadi yang berguna bergantung pada izin tingkat aplikasi dan kontrol eksekusi, serta pada kemampuan integrasi dan pendelegasian perangkat keras yang direncanakan Tether untuk mengatasi batasan riset, kompleksitas, dan keselamatan yang didokumentasikan dalam rilis ini.