Tether lansează QVAC BotPsy, un model de IA care folosește instrumente pe dispozitive personale

Tether AI Research a anunțat lansarea QVAC BotPsy-0.8B pe 11 noiembrie 2026, un model cu ponderi deschise, cu 0,8 miliarde de parametri, destinat apelării instrumentelor pe dispozitive personale, și a raportat că acesta a depășit toate modelele testate cu cel mult 1,2 miliarde de parametri în șase benchmarkuri pentru agenți.

Bazat pe Qwen3.5-0.8B de la Alibaba, BotPsy este specializat în apelarea funcțiilor și în fluxuri de lucru agentice cu mai mulți pași, pentru implementare locală. Sarcinile vizate includ calendare, mesagerie, fișiere, setările dispozitivului, cercetare pe web, călătorii, comerț și operațiuni pentru clienți, iar activitățile cu dificultate mică spre medie sunt considerate cele mai potrivite. Aplicația din jurul modelului furnizează conexiunile la servicii, permisiunile și controalele de execuție.

În exemplul ACEBench prezentat de Tether, un mesaj nu a putut fi trimis deoarece Wi-Fi era dezactivat, iar căsuța de mesaje primite era plină. BotPsy a activat Wi-Fi și a eliberat spațiu în căsuța de mesaje înainte de a trimite mesajul, în timp ce modelul de bază a repetat acțiunea eșuată. Modelul poate recunoaște și situațiile în care niciunul dintre instrumentele disponibile nu este potrivit pentru o solicitare, un comportament important pentru un asistent care operează în aplicații reale.

Specializarea determină creșterea scorurilor în benchmarkuri

În evaluarea din fișa modelului realizată de Tether, scorul BFCL v4 a crescut de la 23,4 pentru modelul de bază Qwen3.5-0.8B-Think la 44,0 pentru BotPsy, cel ACEBench de la 30,1 la 58,7, iar cel ToolSandbox de la 30,5 la 64,6. BotPsy l-a depășit și pe Qwen3.5-2B-Think în cinci dintre cele șase benchmarkuri pentru agenți; modelul mai mare a obținut un scor superior la Claw-Eval, 48,9 față de 46,5. Toate cele cinci modele au fost evaluate în modul de raționare, folosind același cadru de testare, iar scorurile sunt exprimate în procente.

Cel mai mare progres privește continuitatea între ture. Tether raportează un scor de 46,1 pentru BotPsy la testul BFCL v4 cu mai multe ture, față de 7,5 pentru modelul său de bază și 23,8 pentru Qwen3.5-2B-Think. Testul măsoară dacă un agent poate continua să lucreze pe măsură ce primește informații noi, de exemplu verificând disponibilitatea, gestionând un conflict și actualizând un calendar. Scorul de 86,1 obținut de BotPsy la testul de halucinații BFCL măsoară o cerință distinctă: să nu apeleze la un instrument atunci când niciunul dintre instrumentele disponibile nu este potrivit.

Rezultatele mai ample ale Tether nu demonstrează o superioritate generală. Scorurile BotPsy la GPQA Diamond și MMLU-Pro, de 38,1 și, respectiv, 48,9, sunt mult sub cele ale modelului 2B, de 59,9 și 65,5. Scorul BotPsy de 4,5 la BrowseComp-Plus a fost cel mai mare dintre cele cinci modele, dar rămâne scăzut în termeni absoluți, evidențiind performanța slabă în cercetarea deschisă. Prin urmare, BotPsy este conceput să apeleze la instrumente pentru a afla fapte pe care nu le cunoaște.

Antrenare și implementare pe dispozitiv

O prezentare tehnică detaliată descrie patru etape de post-antrenare: ajustarea fină supravegheată, distilarea on-policy de la mai mulți profesori și două runde de învățare prin întărire. În timpul distilării, trei modele Qwen3.5-4B specializate au gestionat utilizarea instrumentelor, raționamentul general și urmarea instrucțiunilor. Etapele de învățare prin întărire au folosit recompense bazate pe reguli și verificabile, punând mai întâi accentul pe apelarea instrumentelor, apoi adăugând mai multe sarcini de matematică, programare, cunoștințe și generare de ieșiri structurate. Lansarea nu include codul de antrenare sau datele de antrenare.

Modelul rezultat produce și raționamente mai scurte decât modelul său de bază. Pentru întrebările GPQA Diamond la care toate cele cinci modele au răspuns corect, Tether a măsurat 3.690 de tokenuri de raționare pentru BotPsy, față de 11.563 pentru modelul său de bază; la MMLU-Pro, valorile au fost 1.912 și 5.105. Deoarece toate modelele au rezolvat întrebările respective, comparația izolează lungimea raționamentului, nu dificultatea întrebărilor, oferind un indicator util al eficienței pentru inferența locală.

Lansarea în format GGUF pune la dispoziție trei fișiere pentru llama.cpp și QVAC SDK: BF16, de aproximativ 1,52 GB; Q8_0, de aproximativ 0,81 GB; și Q4_K_M, de aproximativ 0,53 GB. Tether recomandă Q8_0, care a obținut o medie de 50,7 în zece benchmarkuri, apropiată de media de 50,4 a fișierului GGUF BF16, la o dimensiune de aproximativ jumătate. Q4_K_M a obținut o medie de 48,9 și este destinat situațiilor în care memoria disponibilă este mai limitată. Depozitul principal oferă ponderi safetensors în format BF16, sub licența Apache 2.0.

Limitele de siguranță și planul QVAC

Limitele de utilizare prevăzută, descrise în fișa modelului, sunt substanțiale. BotPsy a fost antrenat și testat în principal în limba engleză, care este limba recomandată. Evaluarea Multi-IF a acoperit alte șapte limbi și a evidențiat rezultate mult mai slabe în urmarea instrucțiunilor în hindi și rusă. BotPsy poate face greșeli și nu este destinat deciziilor automatizate critice pentru siguranță sau cu consecințe importante, nici aplicațiilor care implică bani, informații personale, sănătate și alte subiecte sensibile.

În testele automate de tip red teaming realizate de Tether în șase categorii de prejudicii, BotPsy a generat răspunsuri nesigure în 21% din cazuri, față de 36% pentru modelul său de bază. În cazul atacurilor de tip prompt injection, o preocupare deosebită pentru agenții care citesc rezultate neverificate ale instrumentelor, ratele raportate ale răspunsurilor nesigure au fost de 31% și, respectiv, 46%. Modelul mai mic a obținut rezultate mai bune la ambele teste, dar a continuat să genereze răspunsuri nesigure.

BotPsy se alătură modelelor QVAC de vedere computerizată, vorbire, sănătate și traducere, iar dezvoltarea viitoare urmărește să le combine capacitățile specializate. „Utilizatorii ar trebui să decidă la ce poate avea acces asistentul lor și la ce servicii externe se poate conecta”, a declarat Paolo Ardoino, CEO-ul Tether.

Viziunea de proiectare pe termen lung a Tether folosește o interfață Android sau iPhone pentru interacțiunile de zi cu zi, delegă sarcinile solicitante unui PC de acasă sau unor noduri peer-to-peer de încredere și direcționează interogările web prin conexiuni peer-to-peer criptate. Acest sistem este o viziune declarată; versiunea actuală pune la dispoziție modelul și fișierele necesare implementării.

Punctul forte documentat al BotPsy este un nivel local specializat pentru executarea acțiunilor necesare sarcinilor de rutină. Utilitatea sa ca asistent personal depinde de permisiunile la nivel de aplicație și de mecanismele de control al execuției, precum și de măsura în care integrarea planificată de Tether și delegarea către hardware vor aborda limitele legate de cercetare, complexitate și siguranță documentate în această versiune.