Tether, Kişisel Cihazlarda Araç Kullanabilen Yapay Zekâ için QVAC BotPsy’yi Piyasaya Sürüyor

Tether AI Research, 11 Kasım 2026’da QVAC BotPsy-0.8B’nin piyasaya sürüldüğünü duyurdu. Kişisel cihazlarda araç çağrıları için geliştirilen, ağırlıkları açık bu 0,8 milyar parametreli modelin, altı ajan tabanlı kıyaslamada test edilen ve parametre sayısı 1,2 milyara kadar çıkan tüm modelleri geride bıraktığı bildirildi.

Alibaba’nın Qwen3.5-0.8B modeli temel alınarak geliştirilen BotPsy, yerel dağıtım için işlev çağırma ve çok adımlı ajan iş akışlarında uzmanlaşmıştır. Hedeflenen görevler arasında takvimler, mesajlaşma, dosyalar, cihaz ayarları, web araştırması, seyahat, ticaret ve müşteri hizmetleri yer alıyor; modelin en uygun olduğu alanın düşük ve orta zorluktaki işler olduğu belirtiliyor. Hizmet bağlantılarını, izinleri ve yürütme denetimlerini çevresindeki uygulama sağlıyor.

Tether’ın ACEBench örneğinde, Wi-Fi kapalı ve gelen kutusu dolu olduğu için bir mesaj gönderilemedi. BotPsy, mesajı göndermeden önce Wi-Fi’yi açıp gelen kutusunda yer açarken temel model başarısız olan işlemi tekrarladı. Model ayrıca mevcut araçlardan hiçbirinin isteğe uygun olmadığını anlayabiliyor; bu, gerçek uygulamalarda çalışan bir asistan için önemli bir davranış.

Uzmanlaşma, kıyaslama sonuçlarındaki kazanımları getiriyor

Tether’ın model kartındaki değerlendirmede BFCL v4 puanı, Qwen3.5-0.8B-Think temel modelinin 23,4 puanından BotPsy’nin 44,0 puanına yükseldi; ACEBench puanı 30,1’den 58,7’ye, ToolSandbox puanı ise 30,5’ten 64,6’ya çıktı. BotPsy, altı ajan tabanlı kıyaslamanın beşinde Qwen3.5-2B-Think’i de geride bıraktı; daha büyük model Claw-Eval’da 48,9’a karşı 46,5 puanla öne geçti. Beş modelin tümü ortak bir değerlendirme altyapısıyla düşünme modunda değerlendirildi ve puanlar yüzde cinsindendir.

En büyük kazanım, turlar arasındaki devamlılıkta görülüyor. Tether, BFCL v4’ün çok turlu değerlendirmesinde BotPsy’nin 46,1 puan aldığını; temel modelinin 7,5, Qwen3.5-2B-Think’in ise 23,8 puanda kaldığını bildiriyor. Bu test, bir ajanın yeni bilgiler geldikçe çalışmayı sürdürüp sürdüremediğini ölçüyor; örneğin uygunluk durumunu kontrol etme, bir çakışmayı ele alma ve takvimi güncelleme gibi. BotPsy’nin BFCL’nin halüsinasyon testinde aldığı 86,1 puan ise ayrı bir gerekliliği ölçüyor: Mevcut araçlardan hiçbiri uygun olmadığında araç çağrısı yapmaktan kaçınmayı.

Tether’ın daha kapsamlı sonuçları, modelin genel olarak üstün olduğunu göstermiyor. BotPsy’nin GPQA Diamond ve MMLU-Pro puanları olan 38,1 ve 48,9, 2B modelinin 59,9 ve 65,5 puanlarının oldukça altında kalıyor. BotPsy, BrowseComp-Plus’ta beş model arasında 4,5 puanla öne çıksa da mutlak puanı düşük; bu da açık uçlu araştırma performansındaki zayıflığı ortaya koyuyor. Bu nedenle BotPsy, bilmediği bilgileri edinmek için araçları çağıracak şekilde tasarlandı.

Eğitim ve Cihaz Üzerinde Dağıtım

Teknik açıklama, eğitim sonrası dört aşamayı anlatıyor: gözetimli ince ayar, birden fazla öğretmenle çevrimiçi damıtma ve iki pekiştirmeli öğrenme turu. Damıtma sırasında araç kullanımı, genel akıl yürütme ve talimatları izleme görevlerini üç uzman Qwen3.5-4B öğretmen modeli üstlendi. Pekiştirmeli öğrenme aşamalarında kural tabanlı ve doğrulanabilir ödüller kullanıldı; ilk aşamada araç çağırmaya ağırlık verilirken ikinci aşamada matematik, kod, bilgi ve yapılandırılmış çıktı görevleri eklendi. Sürümde eğitim kodu ve eğitim verileri yer almıyor.

Ortaya çıkan model, temel modeline kıyasla daha kısa akıl yürütme izleri de üretiyor. Beş modelin tümünün doğru yanıtladığı GPQA Diamond sorularında Tether, BotPsy için 3.690, temel modeli içinse 11.563 akıl yürütme belirteci ölçtü; MMLU-Pro’da bu sayılar sırasıyla 1.912 ve 5.105 oldu. Tüm modeller bu soruları çözdüğünden karşılaştırma, soru zorluğu yerine akıl yürütme uzunluğunu ortaya koyuyor ve yerel çıkarım için kullanışlı bir verimlilik göstergesi sağlıyor.

GGUF sürümü, llama.cpp ve QVAC SDK için üç dosya sunuyor: yaklaşık 1,52 GB boyutunda BF16, yaklaşık 0,81 GB boyutunda Q8_0 ve yaklaşık 0,53 GB boyutunda Q4_K_M. Tether, on kıyaslamada ortalama 50,7 puan alan Q8_0’ı öneriyor; bu sonuç, dosya boyutu yaklaşık yarısı kadar olan BF16 GGUF’nin 50,4 puanına yakın. Q4_K_M’nin ortalaması 48,9 ve bu sürüm daha kısıtlı bellek bütçeleri için tasarlandı. Ana depoda Apache 2.0 lisansı kapsamında BF16 safetensors ağırlıkları sunuluyor.

Güvenlik Sınırları ve QVAC Planı

Model kartında belirtilen kullanım sınırları oldukça kapsamlı. BotPsy öncelikli olarak İngilizce üzerinde eğitildi ve test edildi; önerilen dil de İngilizce. Multi-IF değerlendirmesi yedi ek dili kapsadı ve Hintçe ile Rusçada talimatları izleme sonuçları çok daha zayıf çıktı. BotPsy hata yapabilir; güvenlik açısından kritik veya yüksek riskli otomatik kararlar ya da para, kişisel bilgiler, sağlık ve diğer hassas konuları içeren uygulamalar için tasarlanmamıştır.

Tether’ın altı zarar kategorisinde gerçekleştirdiği otomatik kırmızı takım testlerinde BotPsy, zamanın %21’inde güvenli olmayan yanıtlar üretti; temel modelinde bu oran %36’ydı. Güvenilmeyen araç çıktılarının okunması nedeniyle ajanlar açısından özellikle kaygı verici olan istem enjeksiyonu saldırılarında, bildirilen güvenli olmayan yanıt oranları sırasıyla %31 ve %46 oldu. Küçük model her iki testte de iyileşme gösterse de güvenli olmayan yanıtlar üretmeye devam etti.

BotPsy, QVAC’ın görme, konuşma, sağlık ve çeviri modelleri ailesine katılıyor; gelecekteki geliştirme çalışmalarının bu modellerin uzmanlaşmış yeteneklerini bir araya getirmesi amaçlanıyor. Tether CEO’su Paolo Ardoino, “Asistanlarının nelere erişebileceğine ve hangi harici hizmetlere bağlanabileceğine kullanıcılar karar vermeli,” dedi.

Tether’ın uzun vadeli tasarımı, günlük etkileşim için Android veya iPhone arayüzü kullanıyor, yoğun işlem gerektiren görevleri ev bilgisayarına ya da güvenilir eşler arası düğümlere devrediyor ve web sorgularını şifrelenmiş eşler arası bağlantılar üzerinden yönlendiriyor. Bu sistem, ifade edilmiş bir vizyondur; mevcut sürüm model ve dağıtım dosyalarını sunuyor.

BotPsy’nin belgelenmiş güçlü yanı, rutin görevler için özel olarak tasarlanmış yerel bir eylem katmanıdır. Yararlı bir kişisel asistana dönüşüp dönüşmeyeceği, uygulama düzeyindeki izinlere ve yürütme denetimlerine; ayrıca Tether’ın planladığı entegrasyonun ve donanım görev devrinin, bu sürümde belgelenen araştırma, karmaşıklık ve güvenlik sınırlarını ele alıp almayacağına bağlıdır.