Tether lanserer QVAC BotPsy for KI som bruker verktøy på personlige enheter

Tether AI Research kunngjorde lanseringen av QVAC BotPsy-0.8B 11. november 2026, en modell med åpne vekter og 0,8 milliarder parametere for verktøykall på personlige enheter. Selskapet rapporterte at modellen overgikk alle testede modeller med opptil 1,2 milliarder parametere på seks referansetester for agentbasert KI.

BotPsy er basert på Alibaba Qwen3.5-0.8B og er spesialisert på funksjonskall og agentbaserte arbeidsflyter med flere trinn for lokal kjøring. Oppgavene modellen er laget for, omfatter kalendere, meldinger, filer, enhetsinnstillinger, nettsøk, reiser, handel og kundebehandling, og oppgaver med lav til middels vanskelighetsgrad pekes ut som det beste bruksområdet. Applikasjonen rundt modellen sørger for tilkoblinger til tjenester, tillatelser og kontroll over utførelsen.

I Tethers eksempel fra ACEBench ble en melding ikke sendt fordi Wi-Fi var slått av og innboksen var full. BotPsy slo på Wi-Fi og frigjorde plass i innboksen før meldingen ble sendt, mens grunnmodellen gjentok den mislykkede handlingen. Modellen kan også oppdage når ingen av de tilgjengelige verktøyene passer til en forespørsel, en viktig egenskap for en assistent som brukes i faktiske applikasjoner.

Spesialisering gir utslag på referansetestene

I Tethers evaluering i modellkortet økte BFCL v4 fra 23,4 for grunnmodellen 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 slo også Qwen3.5-2B-Think på fem av de seks referansetestene for agentbasert KI; den større modellen gjorde det best på Claw-Eval, med 48,9 mot 46,5. Alle de fem modellene ble evaluert i tenkemodus med samme testoppsett, og resultatene er oppgitt i prosent.

Den største forbedringen gjelder kontinuitet fra én runde til den neste. Tether rapporterer en flerrundescore på BFCL v4 på 46,1 for BotPsy, mot 7,5 for grunnmodellen og 23,8 for Qwen3.5-2B-Think. Testen måler om en agent kan fortsette arbeidet etter hvert som ny informasjon kommer til, for eksempel ved å sjekke tilgjengelighet, håndtere en konflikt og oppdatere en kalender. BotPsys resultat på 86,1 i BFCLs hallusinasjonstest måler en annen egenskap: å avstå fra å kalle på et verktøy når ingen av de tilgjengelige verktøyene passer.

Tethers bredere resultater viser ikke at modellen er best på alle områder. BotPsys resultater på GPQA Diamond og MMLU-Pro, henholdsvis 38,1 og 48,9, ligger godt under 2B-modellens 59,9 og 65,5. BotPsy fikk best resultat i gruppen på fem modeller på BrowseComp-Plus, med 4,5, men resultatet er fortsatt lavt i absolutte tall og viser svak ytelse på åpne forskningsoppgaver. BotPsy er derfor utviklet for å bruke verktøy til å finne fakta den ikke kjenner.

Trening og lokal kjøring på enheten

En teknisk gjennomgang beskriver fire trinn etter forhåndstreningen: veiledet finjustering, on-policy-destillering fra flere lærermodeller og to runder med forsterkningslæring. Tre spesialiserte Qwen3.5-4B-lærermodeller håndterte verktøybruk, generell resonnering og instruksjonsfølging under destilleringen. I trinnene med forsterkningslæring ble det brukt regelbaserte og verifiserbare belønninger: først med vekt på verktøykall, deretter med flere oppgaver innen matematikk, kode, kunnskap og strukturert utdata. Utgivelsen inneholder ikke treningskoden eller treningsdataene.

Den ferdige modellen produserer også kortere resonneringsspor enn grunnmodellen. For spørsmål fra GPQA Diamond som alle de fem modellene besvarte riktig, målte Tether 3 690 resonneringstokener for BotPsy mot 11 563 for grunnmodellen; på MMLU-Pro var antallet 1 912 mot 5 105. Siden alle modellene løste disse spørsmålene, viser sammenligningen lengden på resonneringen snarere enn hvor vanskelige spørsmålene var, og gir dermed en nyttig indikator på effektivitet ved lokal inferens.

GGUF-utgivelsen inneholder tre filer for llama.cpp og QVAC SDK: BF16 på omtrent 1,52 GB, Q8_0 på omtrent 0,81 GB og Q4_K_M på omtrent 0,53 GB. Tether anbefaler Q8_0, som hadde et gjennomsnitt på 50,7 på ti referansetester, nær BF16-GGUF-filens 50,4, men med omtrent halvparten så stor filstørrelse. Q4_K_M hadde et gjennomsnitt på 48,9 og er beregnet på enheter med knappere minnebudsjett. Hovedlageret inneholder BF16-vekter i safetensors-format under Apache 2.0-lisensen.

Sikkerhetsbegrensninger og QVAC-planen

Modellkortet angir betydelige begrensninger for tiltenkt bruk. BotPsy ble hovedsakelig trent og testet på engelsk, som er det anbefalte språket. Evalueringen med Multi-IF omfattet sju andre språk, og resultatene for instruksjonsfølging var langt svakere på hindi og russisk. BotPsy gjør feil og er ikke beregnet på sikkerhetskritiske eller høyrisikopregede automatiserte beslutninger, eller på applikasjoner som omhandler penger, personopplysninger, helse og andre sensitive temaer.

I Tethers automatiserte red team-testing på tvers av seks skadeområder ga BotPsy utrygge svar i 21 % av tilfellene, mot 36 % for grunnmodellen. Ved prompt injection-angrep, som er spesielt bekymringsfulle for agenter som leser ubekreftede resultater fra verktøy, var de rapporterte andelene utrygge svar henholdsvis 31 % og 46 %. Den mindre modellen gjorde det bedre i begge testene, men genererte fortsatt utrygge svar.

BotPsy blir en del av QVACs modeller for syn, tale, helse og oversettelse. Den videre utviklingen skal etter planen kombinere de spesialiserte egenskapene deres. «Brukerne bør selv bestemme hva assistenten deres får tilgang til, og hvilke eksterne tjenester den kan koble seg til», sa Tethers administrerende direktør Paolo Ardoino.

Tethers langsiktige løsning legger opp til et Android- eller iPhone-grensesnitt for daglig bruk, mens krevende oppgaver sendes til en hjemme-PC eller betrodde node-til-node-noder, og nettsøk rutes gjennom krypterte node-til-node-forbindelser. Dette systemet er en uttalt visjon; den nåværende utgivelsen inneholder modellen og distribusjonsfilene.

BotPsys dokumenterte styrke er et spesialisert lokalt handlingslag for rutineoppgaver. Om det blir en nyttig personlig assistent, avhenger av tillatelser og kjørekontroller på applikasjonsnivå, og av om Tethers planlagte integrering og delegering til maskinvare håndterer grensene for forskning, kompleksitet og sikkerhet som er dokumentert i denne utgivelsen.