Tether、個人デバイスでツールを利用するAI「QVAC BotPsy」を公開

Tether AI Researchは2026年11月11日、個人用デバイスでのツール呼び出し向けモデルQVAC BotPsy-0.8Bのリリースを発表し、オープンウェイトでパラメーター数8億のこのモデルが、6つのエージェント型ベンチマークで、テスト対象となった最大12億パラメーターのモデルすべてを上回ったと報告した。

AlibabaのQwen3.5-0.8BをベースとするBotPsyは、ローカル環境での実行を想定し、関数呼び出しや複数段階にわたるエージェント型ワークフローに特化している。対象タスクは、カレンダー、メッセージ、ファイル、デバイス設定、ウェブ調査、旅行、商取引、顧客対応業務に及び、最も適しているのは難易度が低～中程度の作業とされる。サービスへの接続、権限、実行制御は、BotPsyを組み込むアプリケーションが担う。

Tetherが示したACEBenchの例では、Wi-Fiがオフで受信トレイもいっぱいだったため、メッセージの送信に失敗した。BotPsyはWi-Fiを有効にし、受信トレイの空き容量を確保してからメッセージを送信したが、ベースモデルは失敗した操作を繰り返した。また、利用可能なツールの中にリクエストに適したものがないと判断することもできる。これは、実際のアプリケーション内で動作するアシスタントにとって重要な振る舞いだ。

特化した設計がベンチマークの成績向上を後押し

Tetherのモデルカードの評価では、BFCL v4のスコアはベースのQwen3.5-0.8B-Thinkの23.4からBotPsyの44.0に上昇した。ACEBenchでは30.1から58.7に、ToolSandboxでは30.5から64.6に伸びた。BotPsyはエージェント型AIの6つのベンチマークのうち5つでQwen3.5-2B-Thinkを上回った。一方、Claw-Evalでは大型モデルが優位に立ち、スコアは48.9対46.5だった。5つのモデルはいずれも共通の評価基盤を使い、思考モードで評価されており、スコアはパーセントで示されている。

最も大きく向上したのは、複数のターンにわたる処理の継続性だ。Tetherによると、BFCL v4の複数ターン評価でBotPsyは46.1を記録し、ベースモデルの7.5、Qwen3.5-2B-Thinkの23.8を上回った。このテストでは、空き状況の確認、競合への対処、カレンダーの更新など、新しい情報が加わるなかでエージェントが作業を継続できるかを測定する。BFCLのハルシネーションテストにおけるBotPsyの86.1は、利用可能なツールの中に適切なものがない場合にツールを呼び出さない、という別の要件を測るものだ。

Tetherが示した幅広い評価結果から、BotPsyが全般的に優れているとは言えない。BotPsyのGPQA DiamondとMMLU-Proのスコアはそれぞれ38.1と48.9で、2Bモデルの59.9と65.5を大きく下回る。BrowseComp-PlusではBotPsyが5モデル中トップの4.5を記録したものの、絶対値は低く、自由度の高い調査タスクでの性能の弱さが表れている。そのためBotPsyは、自ら知らない事実についてツールを呼び出すよう設計されている。

トレーニングとデバイス上での実行

技術解説によると、事後学習は4段階で構成される。教師ありファインチューニング、複数教師によるオンポリシー蒸留、そして2段階の強化学習だ。蒸留では、ツールの使用、一般的な推論、指示への追従をそれぞれ担当する3つの専門特化型Qwen3.5-4Bモデルが教師として使われた。強化学習では、ルールベースで検証可能な報酬を用い、第1段階ではツール呼び出しを重視し、第2段階では数学、コーディング、知識、構造化出力に関するタスクを追加した。今回の公開には、トレーニング用コードとデータは含まれていない。

完成したモデルは、ベースモデルより短い推論過程も生成する。5つのモデルすべてが正解したGPQA Diamondの問題では、Tetherの測定によると、BotPsyの推論トークン数は3,690で、ベースモデルの11,563を下回った。MMLU-Proではそれぞれ1,912と5,105だった。どのモデルもこれらの問題を解いているため、この比較では問題の難易度ではなく推論の長さを切り分けて測定でき、ローカル推論の効率を示す有用な指標となる。

GGUF版には、llama.cppとQVAC SDK向けに3つのファイルが用意されている。容量はBF16が約1.52 GB、Q8_0が約0.81 GB、Q4_K_Mが約0.53 GBだ。Tetherは、10個のベンチマークで平均50.7を記録したQ8_0を推奨している。このスコアはBF16のGGUF版の50.4に近く、ファイルサイズは約半分だ。Q4_K_Mの平均スコアは48.9で、メモリ容量に厳しい制約がある環境を想定している。メインリポジトリでは、Apache 2.0ライセンスの下でBF16のsafetensors形式の重みを公開している。

安全性の限界とQVACの構想

モデルカードに記載された用途の制限は多岐にわたる。BotPsyは主に英語でトレーニングとテストが行われており、推奨言語も英語だ。Multi-IFの評価では英語以外に7言語が対象となったが、ヒンディー語とロシア語では指示への追従性能が大幅に低かった。BotPsyは誤りを犯すことがあり、安全性が極めて重要な用途や重大な結果を伴う自動意思決定、また金銭、個人情報、健康などの機微な話題に関わる用途を想定していない。

Tetherが6つの有害カテゴリを対象に自動レッドチーム評価を行ったところ、BotPsyは21%の割合で安全でない応答を生成した。ベースモデルでは36%だった。信頼できないツール出力を読み取るエージェントにとって特に懸念されるプロンプトインジェクション攻撃では、安全でない応答の割合はそれぞれ31%と46%だった。小型モデルのBotPsyは両方のテストで改善を示したものの、依然として安全でない応答を生成している。

BotPsyはQVACの画像、音声、健康、翻訳モデルに加わるもので、今後の開発ではそれぞれの専門的な能力を組み合わせることが目指されている。「アシスタントが何にアクセスできるのか、どの外部サービスに接続できるのかは、ユーザー自身が決められるべきです」と、TetherのCEOであるPaolo Ardoinoは述べた。

Tetherが描く長期的な設計では、日常的なやり取りにはAndroidまたはiPhoneのインターフェースを使い、負荷の高いタスクは自宅のPCまたは信頼できるピアツーピアノードに委ね、ウェブへの問い合わせは暗号化されたピアツーピア接続経由で行う。これは明示されたビジョンであり、現行リリースで提供されるのはモデルとデプロイ用ファイルだ。

BotPsyについて文書で示されている強みは、日常的なタスクに特化したローカルのアクションレイヤーだ。実用的なパーソナルアシスタントになるかどうかは、アプリケーションレベルの権限と実行制御、そしてTetherが計画する統合とハードウェアへの処理委任によって、このリリースに記された研究上、複雑性、安全性に関する制約に対処できるかにかかっている。