نموذج BotPsy الذكي لـ Tether يتفوق على النماذج الأكبر في المعايير: ما يجب معرفته

تETHER، مُصدر العملة المستقرة USDT، قد وسّعت بحثها في الذكاء الاصطناعي بإطلاق QVAC BotPsy-0.8B، وهو نموذج ذكاء اصطناعي مضغوط يُزعم أنه تفوّق على منافسين أكبر في عدة مقاييس تابعة للوكلاء. وأُعلن عن هذا النموذج الذي يحتوي على 800 مليون معلمة في 11 نوفمبر 2026، حيث تفوّق على Qwen3.5-2B التابع لعلي بابا في خمسة من ستة اختبارات مختارة، وفقًا لتقييمات Tether. وتُبرز النتائج الاهتمام المتزايد بالنماذج الصغيرة والمتخصصة في الذكاء الاصطناعي القادرة على تنفيذ أوامر البرمجيات ومعالجة المهام متعددة الخطوات. ومع ذلك، لا تزال هناك أسئلة حول قابلية المقارنة بين المقاييس، والموثوقية في العالم الحقيقي، والأمان. وفهم بنية BotPsy، وطرق تدريبها، ونتائج أدائها، وعلاقتها باستراتيجية Tether الأوسع QVAC، يوفر صورة أوضح لأهميتها المحتملة.
النقاط الرئيسية
-
أطلقت Tether AI Research QVAC BotPsy-0.8B في 11 نوفمبر 2026، مقدمةً نموذجًا ذكيًا بـ 800 مليون معلمة مصمم لاستدعاء الأدوات وأتمتة المهام متعددة الخطوات.
-
تفوق BotPsy على نموذج Qwen3.5-2B الأكبر في خمسة من ستة معايير وكيلية في تقييمات Tether، مما يُظهر مزايا في مهام الذكاء الاصطناعي المتخصصة.
-
يستخدم النموذج التهذيب الخاضع للإشراف، وتقطير المعرفة، والتعلم المعزز لتحسين اتباع التعليمات، واستدعاء الوظائف، وتنفيذ المهام.
-
يدعم BotPsy النشر المحلي للذكاء الاصطناعي من خلال تنسيقات نماذج قابلة للتنزيل ومُكمّمة، مما قد يقلل الاعتماد على البنية التحتية السحابية المركزية.
-
على الرغم من أدائها القياسي، فإن BotPsy تواجه قيودًا في الاستدلال المعقد، والمهام متعددة اللغات، واسترجاع المعلومات، والتطبيقات الحساسة من حيث الأمان.
-
تهدف مبادرة QVAC الأوسع من Tether إلى توسيع قدرات الذكاء الاصطناعي اللامركزية والمركزة على الخصوصية، على الرغم من أن التبني التجاري والموثوقية في العالم الحقيقي لا تزال غير مؤكدة.
ما هو نموذج BotPsy الذكي لتether وكيف يعمل؟
نموذج BotPsy AI الخاص بـ Tether، الذي يُسمى رسمياً QVAC BotPsy-0.8B، هو نظام ذكاء اصطناعي بوزن مفتوح مصمم لأداء المهام اليومية من خلال استدعاء الأدوات والأتمتة متعددة الخطوات. تم الإعلان عنه من قبل Tether AI Research في 11 نوفمبر 2026، ويحتوي النموذج على 800 مليون معلمة ويبني على بنية Alibaba Qwen3.5-0.8B. على عكس الروبوتات المحادثة التقليدية التي تركز أساساً على توليد ردود نصية، تم تصميم BotPsy للتفاعل مع التطبيقات، وتنفيذ الأوامر، وإكمال المهام التي تشمل التقويمات والبريد الإلكتروني والملفات وإعدادات الأجهزة. في التقييمات التي نشرتها Tether، تفوق BotPsy على نموذج Qwen3.5-2B الأكبر حجماً في خمسة من ستة مقاييس أجنتية، مما يبرز إمكانات النماذج الصغيرة المتخصصة للنشر المحلي.
كيف يستخدم BotPsy استدعاء أدوات الذكاء الاصطناعي لإكمال المهام اليومية
يعمل BotPsy من خلال عملية تُعرف باسم استدعاء أدوات الذكاء الاصطناعي، والتي تسمح لنموذج لغوي باختيار وطلب إجراءات من تطبيقات برمجية بدلاً من الإجابة عن الأسئلة فقط. على سبيل المثال، عندما يطلب المستخدم من المساعد جدولة اجتماع، يمكن لـ BotPsy تحديد وظيفة التقويم المناسبة، وتوليد الوسائط المطلوبة، وتفسير النتائج التي تعيدها التطبيق. قد تتضمن الطلبات الأكثر تعقيدًا عدة إجراءات متصلة، مثل التحقق من التوفر، وحل تعارضات الجدولة، وتحديث المواعيد، وإنشاء تذكيرات. كما يمكن للنموذج العمل مع الوظائف المدعومة للرسائل، وإدارة المستندات، والبحث على الويب، وتحكم الأجهزة. وتُستكشف قدرات مشابهة قائمة على الأدوات من خلال AI agents in crypto، على الرغم من أن التطبيقات الموثقة لـ BotPsy تركز على المهام البرمجية العامة بدلاً من المعاملات البلوكشينية. ومع ذلك، يجب أن يوفر التطبيق المضيف الأدوات والصلاحيات وبيئة التنفيذ قبل أن يتمكن BotPsy من تنفيذ هذه الإجراءات.
ميزة مميزة هي قدرة BotPsy على الاستجابة عندما يفشل محاولة إجراء ما. في تقييم ACEBench الموصوف من قبل Tether، طُلب من النموذج إرسال تذكير باجتماع، لكنه واجه مشكلتين: تم تعطيل الواي فاي، وكان صندوق البريد الوارد ممتلئًا. بدلاً من محاولة العملية الفاشلة مرارًا وتكرارًا، قام BotPsy بتمكين الواي فاي، ومسح مساحة صندوق البريد، وأكمل مهمة إرسال الرسالة. استمر النموذج الأساسي Qwen3.5-0.8B في المحاولة مرارًا وتكرارًا دون نجاح في نفس السيناريو. يوضح هذا المثال لماذا تعد الاستدلال متعدد الخطوات واسترداد الأخطاء مهمين للوكلاء الذكاء الاصطناعي الذين يتفاعلون مع التطبيقات. ومع ذلك، فإن السلوك المعروض ناتج عن معيار محكم ولا يضمن أداءً موثوقًا عبر جميع التطبيقات الواقعية.
بنية BotPsy's Qwen3.5 وقدرات الذكاء الاصطناعي على الجهاز
يستخدم BotPsy نموذج Alibaba's Qwen3.5-0.8B كأساسه، مع الحفاظ على بنية مدمجة وتأهيل سلوكه لسير العمل الوكيلية. يقلل حجم النموذج البالغ 800 مليون معلمة متطلبات الذاكرة المرتبطة بتخزين أوزان النموذج مقارنةً بالنماذج اللغوية الأكبر بكثير، مما يجعله مناسبًا لاستكشاف نشره على الهواتف الذكية وأجهزة الكمبيوتر المحمولة وأجهزة الكمبيوتر الشخصية. وقد أطلقت Tether أوزان النموذج عبر Hugging Face بموجب ترخيص Apache 2.0، مما يسمح للمطورين بدمج النموذج في التطبيقات المتوافقة. كما تتوفر إصدارات GGUF المُكمَّمة، بما في ذلك ملف نموذج Q4_K_M بحجم حوالي 0.53 جيجابايت. يمكن لهذه التنسيقات الأصغر تقليل متطلبات التخزين والذاكرة، على الرغم من أن سرعة الاستدلال الفعلية وتوافق الأجهزة تعتمد على الجهاز والتكوين البرمجي.
يدعم الإصدار أيضًا مبادرة Tether الأوسع نطاقًا QVAC (QuantumVerse Automatic Computer)، والتي تركز على تطوير أنظمة ذكاء اصطناعي متخصصة يمكنها العمل على أجهزة يتحكم بها المستخدمون. يمكن أن يقلل الاستنتاج المحلي من الحاجة إلى إرسال طلبات المستخدمين إلى مزودي ذكاء اصطناعي مركزيين، مما قد يمنح الأفراد سيطرة أكبر على المعلومات الحساسة وبيانات التطبيقات. ومع ذلك، قد تتطلب الوظائف الخارجية مثل عمليات البحث على الويب والمراسلة والحجوزات عبر الإنترنت اتصالات بالشبكة ووصولًا إلى خدمات طرف ثالث. يُوزع BotPsy حاليًا كنموذج موجه للمطورين بدلاً من مساعد استهلاكي كامل، وتشمل رؤية Tether على المدى الطويل ربط الهواتف الذكية وأجهزة الكمبيوتر الشخصية والبنية التحتية النظيرية الموثوقة. تكمن أهميته العملية في إظهار كيفية قدرة نماذج الذكاء الاصطناعي المدمجة والمركزة على المهام على دعم مساعدين شخصيين أكثر قدرة دون الاعتماد الكامل على نماذج لغوية ضخمة مستضافة في السحابة.
بوت Tether BotPsy مقابل Qwen3.5-2B: نتائج المعيار ومقارنة الأداء
أظهر نموذج BotPsy الخاص بـ Tether أداءً أقوى من نموذج Qwen3.5-2B-Think الأكبر حجمًا من Alibaba في خمسة من ستة معايير وكيلية نُشرت في 11 نوفمبر 2026. وعلى الرغم من امتلاكه فقط 800 مليون معلمة مقارنة بـ 2 مليار معلمة لنموذج Qwen، حقق BotPsy درجات أعلى في استدعاء الوظائف، وتنفيذ المهام متعددة الخطوات، وحل المشكلات القائمة على الأدوات. وفقًا للتقييم الفني لبحث الذكاء الاصطناعي في Tether، سجل BotPsy متوسط درجة غير موزون قدره 45.0، مقارنة بـ 38.8 لنموذج Qwen3.5-2B-Think و24.7 لنموذج Qwen3.5-0.8B الأساسي. تُظهر هذه النتائج الفوائد المحتملة للتدريب المتخصص للذكاء الاصطناعي، على الرغم من أن المقارنة تعكس معايير مختارة وليست قدرات الذكاء الاصطناعي العامة.
نتائج مقارنة BotPsy و Qwen3.5-2B وأداء استدعاء الأدوات
حقق BotPsy أفضل نتائجه في الاختبارات التي قيّمت فعالية وكلاء الذكاء الاصطناعي في اختيار الأدوات، وتنفيذ الأوامر، وإكمال المهام عبر تفاعلات متعددة. على قائمة تصدر دالة بيركلي (BFCL v4)، حصل BotPsy على درجة 44.0، مقارنة بـ 37.7 لـ Qwen3.5-2B-Think، بينما وصلت درجته على ACEBench إلى 58.7 مقابل 55.4. كما تصدر النموذج الأصغر على τ-bench، حيث حصل على 51.5 مقابل 46.5، وعلى ToolSandbox، حيث سجل 64.6 مقابل 41.2. وتأيدت نتائج BrowseComp-Plus BotPsy عند 4.5 مقابل 2.8، على الرغم من أن كلا الدرجتين تشيران إلى صعوبة كبيرة في استرجاع المعلومات المعقدة. وحافظ Qwen3.5-2B-Think على ميزة على Claw-Eval، حيث حصل على 48.9 مقابل 46.5 لـ BotPsy. عبر الاختبارات الستة، كان متوسط BotPsy أعلى بحوالي 16% من النموذج الأكبر، بناءً على أرقام المعيار غير المرجح لـ Tether.
كان الفرق في الأداء ملحوظًا بشكل خاص في سير العمل متعددة المراحل التي تتطلب من نماذج الذكاء الاصطناعي الحفاظ على السياق، وتفسير الظروف المتغيرة، وتنسيق الإجراءات المتتالية. في تقييم BFCL v4 متعدد المراحل، حصل BotPsy على 46.1، مقارنة بـ 23.8 لـ Qwen3.5-2B-Think و7.5 فقط لنموذجه الأساسي الأصلي 0.8B. وفي مهام τ²-bench للاتصالات، حقق BotPsy 82.5 مقابل 69.3 للنموذج الأكبر Qwen، مما يشير إلى أداء أقوى في تفاعلات دعم العملاء المحاكاة التي تتضمن استكشاف الأخطاء وحلها والقيود المتعلقة بالسياسات. كما حصل BotPsy على 86.1 في اختبارات BFCL المركزة على الوهم، والتي تقيس ما إذا كان النموذج يتجنب عمليات الدعوة غير المناسبة عندما لا تتوفر أداة مناسبة. تشير هذه النتائج إلى أن التدريب المتخصص بعد التدريب الأولي يمكن أن يحسن قرارات وكيل الذكاء الاصطناعي بشأن متى وكيف يستخدم أدوات البرمجيات، على الرغم من أن النجاح في المعايير لا يضمن نفس الموثوقية في بيئات العالم الحقيقي غير المقيدة.
أين يتفوق Qwen3.5-2B ولماذا تهم منهجية المعايير
على الرغم من ميزة BotPsy في مقاييس استخدام الأدوات المختارة، يظل Qwen3.5-2B-Think أقوى بكثير في تقييمات المعرفة الأوسع. في تقييمات Tether، حصل النموذج الأكبر على 59.9 في GPQA Diamond، مقارنة بـ 38.1 لـ BotPsy، وحقق 65.5 في MMLU-Pro مقابل 48.9. هذه الاختبارات تفحص الاستدلال القائم على المعرفة والإجابة عن الأسئلة المعقدة، مما يُظهر أن التدريب المتخصص للوكلاء لا يلغي مزايا السعة الإضافية للنموذج.
اعتبار آخر مهم هو الفرق بين مناهج التقييم. أبلغت تيتر عن درجة BFCL v4 قدرها 37.7 لـ Qwen3.5-2B-Think، في حين تسرد وثائق نموذج Qwen3.5-2B الرسمي من علي بابا درجة 43.6 ضمن تكوين الاختبار الخاص بها. يمكن أن تؤثر معلمات العينة المختلفة، وطرق التحفيز، وإجراءات التقييم على نتائج المعايير، مما يعني أنه لا ينبغي مقارنة الدرجات المولدة تحت ظروف منفصلة كقياسات متكافئة. لذلك لا ينبغي اعتبار درجة BotPsy التي أبلغ عنها تيتر والبالغة 44.0 انتصارًا مباشرًا على درجة 43.6 التي أبلغ عنها علي بابا بشكل منفصل. التأثير الأوسع هو أن التدريب المركّز يمكن أن يساعد النماذج الصغيرة للذكاء الاصطناعي على تفوق النماذج الأكبر على مهام محددة، بينما يستمر الأداء العام في الاعتماد على عبء العمل، وظروف التقييم، وقدرات النموذج التي يتم قياسها.
كيف درّب تيثر BotPsy لاستدعاء أدوات الذكاء الاصطناعي والتطبيقات على الجهاز
طورت Tether AI Research BotPsy من خلال عملية تدريب بعدية على أربع مراحل مصممة لتحسين استدعاء أدوات الذكاء الاصطناعي، واتباع التعليمات، وكفاءة الاستدلال دون زيادة عدد معلمات النموذج. وقد ورد تفصيل ذلك في تقريرها التقني المؤرخ 11 نوفمبر 2026، حيث يجمع خط أنابيب التدريب بين الدقة الخاضعة للإشراف، وترشيح المعرفة من عدة معلمين، ودورتين من التعلم المعزز. يركز هذا النهج على مساعدة نماذج الذكاء الاصطناعي المضغوطة على تنفيذ الأوامر المنظمة مع الحفاظ على القدرات العامة المفيدة. كما يدعم هذا التطوير مبادرة QVAC الأوسع لـ Tether، التي تهدف إلى تقليل الاعتماد على البنية التحتية المركزية للذكاء الاصطناعي من خلال نماذج متخصصة تعمل على الأجهزة الشخصية.
كيف ساعدت الدقة المُصغَّرة الخاضعة للإشراف، وتقليل المعرفة، والتعلم المعزز في تحسين BotPsy
شملت المرحلة الأولى من التدريب التهذيب الخاضع للإشراف (SFT) باستخدام أمثلة على تفاعلات أدوات ناجحة، بما في ذلك الأوامر الفردية، واستدعاءات الوظائف المتوازية، والعمليات متعددة الخطوات، والحالات التي ينبغي فيها لمساعد ذكي تجنب الإجراءات غير الضرورية. ثم طبقت Tether عملية تقطيع على السياسة متعددة المعلمين، مما سمح لـ BotPsy بالتعلم من ثلاثة نماذج معلمين متخصصة من Qwen3.5-4B تم تدريبها لاستخدام الأدوات، والتفكير العام، واتباع التعليمات. خلال هذه العملية، أنشأ النموذج الأصغر ردوده الخاصة بينما قدم المعلم المناسب ملاحظات على مستوى الرموز. وقد ساعد هذا في معالجة تحدي شائع في تطوير الذكاء الاصطناعي المتخصص: تحسين الأداء في المهام المستهدفة دون إضعاف مفرط لقدرات التفكير العامة والمعرفة. ويشير التقرير الفني لـ Tether إلى أن مرحلة التقطيع استعادت القدرات العامة التي تدهورت أثناء التهذيب الأولي.
استُخدمت المرحلتان النهائيتان التعلم المعزز بناءً على DAPO (تحسين سياسة العينات الديناميكية والتقسيم المنفصل)، مع تحديد المكافآت وفقًا لقواعد محددة مسبقًا والتحقق التلقائي. ركزت الجولة الأولى على استدعاء الوظائف بدقة، بما في ذلك ما إذا كان BotPsy قد حدد الأداة الصحيحة، وقدم معلمات صالحة، واتبع تنسيق الإخراج المطلوب. بدلاً من معاملة كل استجابة خاطئة على قدم المساواة، قدمت آلية المكافأة ائتمانًا جزئيًا لمطابقة أسماء الأدوات وقيم المعلمات، مما منح النموذج تغذية راجعة أكثر تفصيلًا حول الأخطاء. ووسعَت الجولة الثانية التدريب ليشمل الرياضيات، والبرمجة، وأسئلة المعرفة، والمخرجات المنظمة، ومهمات محاكاة بيئة العمل. ساعد هذا النهج الأوسع في تحقيق توازن بين سلوك الوكيل المتخصص وقدرة الاستدلال العامة. وفقًا لتقييمات Tether، ارتفع درجة اتباع تعليمات BotPsy في IFEval من 59.7 للنموذج الأساسي إلى 90.8 بعد التدريب، على الرغم من أن هذه النتائج لا تزال مرجعية مُبلغ عنها من قبل المطورين.
كفاءة الذكاء الاصطناعي على الجهاز، فرص النشر، وتطوير QVAC المستقبلي
إحدى النتائج المهمة لتدريب BotPsy هي التقليل المبلغ عنه في التفكير غير الضروري، مما قد يحسن كفاءة الاستجابة على الأجهزة ذات الموارد الحسابية المحدودة. في أسئلة GPQA Diamond التي أجاب عليها جميع النماذج الخمسة بشكل صحيح في مقارنة Tether، أنشأ BotPsy متوسط 3,690 رمز تفكير، مقارنة بـ 11,563 للنموذج الأساسي Qwen، ما يمثل تقليلًا بنسبة حوالي 68%. كما انخفض معدل التفكير المتكرر الخاص به على IFBench من 22.9% إلى 1.4%. إن توليد رموز أقل يمكن أن يقلل من العمل الحسابي وربما يحسن زمن الاستجابة، على الرغم من أن الشركة لم تثبت مكاسب أداء مكافئة عبر الهواتف الذكية الاستهلاكية. توفر تقييمات GGUF التي نشرتها Tether، والتي أُجريت في 6–7 نوفمبر 2026 باستخدام أجهزة NVIDIA H100، أدلة حول أداء النموذج المضغوط وليس السرعة اليومية للأجهزة المحمولة. بالنسبة للمطورين، تخلق هذه التحسينات في الكفاءة فرصًا لاستكشاف مساعدين ذكيين محليين يعتمدون أقل على الاستنتاج السحابي وتكاليف واجهات برمجة التطبيقات الخارجية والاتصال المستمر بالإنترنت.
يمثل BotPsy أيضًا خطوة إضافية في توسع Tether نحو البنية التحتية الموزعة للذكاء الاصطناعي بعد إطلاق SDK الخاص بها QVAC في 9 أبريل 2026. تشمل خطط التطوير المستقبلية للشركة تخصيصًا محليًا أعمق من خلال QVAC Fabric، وقدرات بحث مشفرة بين نظير إلى نظير من خلال Hypersearch، وتفويض المهام بين الهواتف الذكية وأجهزة الكمبيوتر المنزلية وعقد الشبكة الموثوقة. يمكن أن تدعم هذه التطورات في النهاية تطبيقات تجمع بين نماذج لغوية مدمجة وأنظمة متخصصة للصوت والرؤية والترجمة. ومع ذلك، لم تحدد Tether جدولًا زمنيًا مؤكدًا لإطلاق مساعد BotPsy المتكامل بالكامل، ولم تكشف عن توقعات إيرادات أو فوائد مالية قابلة للقياس من النموذج. تشمل التداعيات السوقية المحتملة زيادة المنافسة في برامج الذكاء الاصطناعي الحافة، وتقليل الاعتماد على مزودي الاستنتاج المركزي، وفرص جديدة للمطورين الذين يبنون تطبيقات تركز على الخصوصية. سيعتمد ما إذا كانت هذه المزايا ستتحول إلى اعتماد واسع النطاق على التحقق المستقل من الأداء، والتوافق مع الأجهزة، وضوابط الأمان، ومدى موثوقية التكاملات المستقبلية لـ QVAC.
قيود Tether BotPsy، المخاطر الأمنية، والتوقعات المستقبلية لـ QVAC AI
على الرغم من أدائه القوي في مقاييس وكلاء الذكاء الاصطناعي المختارة، فإن Tether's BotPsy-0.8B يواجه قيودًا مهمة تتعلق بتنفيذ المهام المعقدة، واسترجاع المعلومات، والأمان، والموثوقية في العالم الحقيقي. تم تصميم النموذج أساسًا للمهام من صعوبة منخفضة إلى متوسطة، مما يجعله أقل ملاءمة للسير الذاتية المطلوبة التي تتطلب تفكيرًا مكثفًا، أو معلومات حساسة، أو اتخاذ قرارات ذاتية. ويُقر تقرير بحثي صادر عن Tether في 11 نوفمبر 2026 بهذه النقاط الضعيفة مع توضيح خطط لتوسيع نظام QVAC الخاص به. وسيعتمد أهمية النموذج على المدى الطويل على ما إذا كانت مزاياه في الكفاءة ستتحول إلى تطبيقات موثوقة عبر أجهزة المستهلكين.
القيود في المهام المعقدة للذكاء الاصطناعي وأداء متعدد اللغات
تنخفض أداء BotPsy مع تعقيد المهام، خاصة عندما يجب تنسيق عدة أدوات أو تعليمات أو مصادر معلومات. في تقييمات Tether على مستوى التطبيق، حقق النموذج درجة إجمالية قدرها 75 في السيناريوهات البسيطة ذات الأداة الواحدة، لكنه حقق فقط 39.5 في سير العمل المعقدة. كان استرجاع المعلومات متعدد الخطوات صعبًا بشكل خاص، حيث أنتج درجة قدرها 15 فقط مقارنة بـ 79 في مهام الاسترجاع الأبسط. كما تدهور أداء النموذج في اتباع التعليمات عبر المحادثات الأطول، بينما أظهر اختبار متعدد اللغات نتائج أقل بكثير باللغة الهندية مقارنة بالإنجليزية وعدة لغات أخرى مدعومة. تشير هذه النتائج إلى أن التطبيقات العملية قد تتطلب حدودًا لتعقيد المهام وآليات احتياطية وإشراف بشري بدلاً من الأتمتة غير المقيدة.
ثغرات أمنية وتحديات خصوصية لوكالات الذكاء الاصطناعي
لا يزال الأمان عقبة كبيرة أمام المساعدين الذكاء الاصطناعي المستقلين، لأن نماذج استدعاء الأدوات يمكنها التفاعل مع المعلومات الخارجية وتنفيذ إجراءات ذات عواقب محتملة. في تقييمات السلامة الآلية التي أجرتها Tether، أنتج BotPsy ردودًا غير آمنة في 21% من اختبارات الطلبات الضارة و31% من اختبارات حقن الأوامر، مما يدل على أن التدريب المتخصص لم يُزِل الثغرات الأمنية. إن حقن الأوامر مقلق بشكل خاص عندما يفسر وكيل الذكاء الاصطناعي تعليمات خبيثة مدمجة في رسائل البريد الإلكتروني أو صفحات الويب أو مواد أخرى غير موثوقة كأوامر مشروعة. على الرغم من أن المعالجة المحلية يمكن أن تقلل الاعتماد على البنية التحتية السحابية، إلا أنها لا تمنع تلقائيًا الإجراءات غير المصرح بها للأدوات أو كشف البيانات أو التكاملات المخترقة. ستتطلب عمليات الإنتاج ضوابط إذن، ووصولًا محدودًا إلى الأدوات، ومعالجة آمنة للبيانات الاحتفاظية، وتأكيد المستخدم قبل العمليات الحساسة. تنصح Tether صراحة بعدم استخدام BotPsy لاتخاذ قرارات مالية أو طبية أو قرارات حساسة أخرى ذات أهمية عالية.
تطوير QVAC AI المستقبلي والآثار المحتملة على السوق
تشمل استراتيجية QVAC على المدى الطويل لـ Tether توسيع القدرات المحلية للذكاء الاصطناعي من خلال تقنيات مثل QVAC Fabric، التي تدعم تخصيص النماذج على مستوى الأجهزة، وHypersearch، التي تهدف إلى تعزيز استرجاع المعلومات اللامركزية. كما يتصور التطور المستقبلي تنسيقًا بين الهواتف الذكية وأجهزة الكمبيوتر الشخصية وموارد الحوسبة النظيرية الموثوقة، مما قد يسمح للأجهزة الأصغر بتفويض أحمال العمل الثقيلة دون الاعتماد حصريًا على خدمات الذكاء الاصطناعي المركزية. يمكن أن تخلق مثل هذه القدرات فرصًا لبرمجيات إنتاجية تركز على الخصوصية، وأتمتة المؤسسات، والمطورين الباحثين عن بدائل للاستنتاج القائم على السحابة. كما أن التقارب الأوسع بين الذكاء الاصطناعي والعملات المشفرة يولد اهتمامًا بالحوسبة اللامركزية ونماذج الأعمال الرقمية البديلة، على الرغم من أن BotPsy لم تعلن عن دمج رموز. ومع ذلك، لم تعلن Tether عن جدول زمني مؤكد لمساعد مستهلك BotPsy متكامل بالكامل أو كشف عن توقعات إيرادات مرتبطة بتبنيه. سيتوقف التقدم المستقبلي على التقييمات المستقلة وأداء الأجهزة المحمولة وتكامل البرمجيات الآمن ومشاركة المطورين وقدرة النظام على الحفاظ على الموثوقية مع تعقيد سير عمل الوكلاء.
الاستنتاج
يُظهر BotPsy-0.8B الخاص بـ Tether كيف يمكن للتدريب المتخصص أن يساعد النماذج الصغيرة للذكاء الاصطناعي على المنافسة مع النماذج الأكبر في استدعاء الأدوات، واتباع التعليمات، والتشغيل متعدد الخطوات. وتشير انتصاراته المبلغ عنها عبر خمسة من ستة معايير تابعة للوكلاء إلى تقدم في تطوير الذكاء الاصطناعي الفعّال، بينما يدعم هيكله المدمج طموحات Tether الأوسع في الذكاء الاصطناعي على الأجهزة واللامركزي. ومع ذلك، لا تُثبت إنجازات BotPsy في المعايير تفوقه في جميع مهام الذكاء الاصطناعي أو تضمن موثوقيته في العالم الحقيقي. ولا تزال الثغرات الأمنية، وقيود سير العمل المعقدة، وغياب أداء مُحقق مستقلًا على الأجهزة الاستهلاكية تحديات مهمة. وبينما تواصل Tether تطوير نظامها البيئي QVAC، سيتوقف أهمية النموذج على المدى الطويل على ما إذا كانت هذه الميزات التجريبية ستتحول إلى تطبيقات ذكاء اصطناعي آمنة وعملية وقابلة للاستخدام على نطاق واسع.
الأسئلة الشائعة
أين يمكن للمستخدمين تنزيل نموذج BotPsy AI الخاص بـ Tether؟
متاح BotPsy-0.8B الخاص بـ Tether علنًا عبر Hugging Face بتنسيقات وزن النموذج القياسية وGGUF. يمكن للمطورين تنزيل النموذج، ومراجعة وثائقه، ودمجه في تطبيقات الذكاء الاصطناعي المحلية المتوافقة دون الاعتماد على واجهة برمجة تطبيقات نموذج حصرية.
هل يمكن استخدام Tether BotPsy مجانًا للمشاريع التجارية؟
تم إصدار BotPsy بموجب ترخيص Apache 2.0، الذي يسمح عادةً بالاستخدام التجاري والتعديل وإعادة التوزيع، شريطة الامتثال لشروط الترخيص. يظل المطورون مسؤولين عن الامتثال للترخيصات الخارجية ذات الصلة ومتطلبات حماية البيانات والقوانين الأخرى ذات الصلة.
ما البرمجيات التي تدعم تشغيل BotPsy محليًا؟
يدعم BotPsy أطر عمل الاستنتاج الذكي الشائعة، بما في ذلك Hugging Face Transformers و llama.cpp و vLLM ونشرات GGUF المتوافقة مع Ollama. يجب على المطورين تكوين وقت التشغيل المناسب وتكاملات الأدوات، بينما يعتمد الأداء على الأجهزة المتاحة وإعدادات النموذج.
كم التخزين والذاكرة المطلوبان لـ BotPsy؟
تتراوح ملفات BotPsy GGUF المنشورة بين حوالي 0.53 جيجابايت و1.52 جيجابايت، حسب الدقة. ومع ذلك، فإن هذه أحجام ملفات النموذج وليست متطلبات إجمالية للذاكرة العشوائية. يعتمد استهلاك الذاكرة الفعلي أيضًا على محرك الاستنتاج، وطول السياق، والتحميل التشغيلي.
هل يتطلب BotPsy اتصالاً بالإنترنت للعمل؟
يمكن لـ BotPsy توليد ردود محليًا دون اتصال مستمر بالإنترنت بعد تثبيت النموذج والبرمجيات اللازمة. ومع ذلك، فإن العمليات التي تتضمن عمليات بحث عبر الإنترنت أو تطبيقات سحابية أو خدمات عن بُعد لا تزال تتطلب وصولاً إلى الشبكة. لا يعني الاستدلال دون اتصال تلقائيًا جعل كل سير عمل متصل دون اتصال.
إخلاء المسؤولية: يتم تقديم هذه المعلومات العامة عن السوق، والتي قد تكون من مصادر خارجية أو تجارية أو راعية، لأغراض المرجعية والتعليم فقط ولا تشكل نصيحة مالية أو استثمارية، أو عرضًا أو دعوة للشراء أو ضمانًا. نحن ننفي أي مسؤولية عن دقتها أو اكتمالها أو موثوقيتها وأي خسائر ناتجة عنها. الاستثمار/التداول محفوف بالمخاطر؛ الأداء السابق لا يضمن نتائج مستقبلية. يجب على المستخدمين إجراء البحث، واتخاذ قرارات حكيمة، وتحمل المسؤولية الكاملة. لمزيد من التفاصيل، يرجى الرجوع إلى شروط الاستخدام وإخلاء المسؤولية عن المخاطر الخاصين بـ KuCoin.
اخلاء المسؤوليه: تُرجمت هذه الصفحة باستخدام تقنية الذكاء الاصطناعي لراحتك. للحصول على المعلومات الأكثر دقة، ارجع إلى النسخة الإنجليزية الأصلية.
