Le modèle d'IA BotPsy de Tether surpasse les modèles plus grands dans les tests : ce qu'il faut savoir

Le modèle d'IA BotPsy de Tether surpasse les modèles plus grands dans les tests : ce qu'il faut savoir

Image personnalisée
Tether, l'émetteur de la stablecoin USDT, a élargi sa recherche en intelligence artificielle avec le lancement de QVAC BotPsy-0.8B, un modèle IA compact qui aurait surpassé des concurrents plus volumineux sur plusieurs benchmarks agentic. Annoncé le 11 novembre 2026, le modèle de 800 millions de paramètres a dépassé Qwen3.5-2B d'Alibaba sur cinq des six tests sélectionnés, selon les évaluations de Tether. Les résultats mettent en lumière un intérêt croissant pour des systèmes d'IA plus petits et spécialisés capables d'exécuter des commandes logicielles et de gérer des tâches en plusieurs étapes. Toutefois, des questions persistent concernant la comparabilité des benchmarks, la fiabilité en conditions réelles et la sécurité. Comprendre l'architecture de BotPsy, ses méthodes d'entraînement, ses résultats de performance et son lien avec la stratégie plus large de Tether autour de QVAC permet d'appréhender plus clairement son potentiel.

Points clés

  • Tether AI Research a lancé QVAC BotPsy-0.8B le 11 novembre 2026, en introduisant un modèle d'intelligence artificielle de 800 millions de paramètres conçu pour l'appel d'outils et l'automatisation de tâches en plusieurs étapes.
  • BotPsy a surpassé le modèle plus grand Qwen3.5-2B sur cinq des six benchmarks agentic dans les évaluations de Tether, démontrant des avantages dans les tâches d'IA spécialisées.
  • Le modèle utilise un raffinement supervisé, une distillation de connaissance et l'apprentissage par renforcement pour améliorer le suivi des instructions, l'appel de fonctions et l'exécution des tâches.
  • BotPsy prend en charge le déploiement local d'IA via des formats de modèles téléchargeables et quantifiés, réduisant potentiellement la dépendance à l'infrastructure cloud centralisée.
  • Malgré ses performances de référence, BotPsy présente des limites en matière de raisonnement complexe, de tâches multilingues, de recherche d'informations et d'applications sensibles en matière de sécurité.
  • L'initiative QVAC plus large de Tether vise à étendre les capacités d'IA décentralisées et axées sur la confidentialité, bien que l'adoption commerciale et la fiabilité dans le monde réel restent incertaines.

Qu'est-ce que le modèle d'IA BotPsy de Tether et comment fonctionne-t-il ?

Le modèle d'intelligence artificielle BotPsy de Tether, officiellement nommé QVAC BotPsy-0.8B, est un système d'IA à poids ouvert conçu pour effectuer des tâches quotidiennes grâce à l'appel d'outils et à l'automatisation multi-étapes. Annoncé par Tether AI Research le 11 novembre 2026, le modèle contient 800 millions de paramètres et s'appuie sur l'architecture Qwen3.5-0.8B d'Alibaba. Contrairement aux chatbots classiques qui se limitent principalement à générer des réponses textuelles, BotPsy est conçu pour interagir avec des applications, exécuter des commandes et accomplir des tâches impliquant des calendriers, des e-mails, des fichiers et les paramètres des appareils. Dans les évaluations publiées par Tether, BotPsy a surpassé le modèle plus volumineux Qwen3.5-2B sur cinq des six benchmarks agentic, mettant en évidence le potentiel des petits modèles d'IA spécialisés pour un déploiement local.

Comment BotPsy utilise l'appel d'outils IA pour accomplir les tâches quotidiennes

BotPsy fonctionne via un processus appelé appel d'outils IA, qui permet à un modèle de langage de sélectionner et de demander des actions à des applications logicielles plutôt que de simplement répondre à des questions. Lorsqu'un utilisateur demande à un assistant de planifier une réunion, par exemple, BotPsy peut identifier la fonction de calendrier appropriée, générer les arguments requis et interpréter les résultats renvoyés par l'application. Des demandes plus complexes peuvent impliquer plusieurs actions connectées, telles que vérifier la disponibilité, résoudre les conflits d'agenda, mettre à jour les rendez-vous et créer des rappels. Le modèle peut également travailler avec des fonctions prises en charge pour la messagerie, la gestion de documents, les recherches web et le contrôle des appareils. Des capacités similaires basées sur des outils sont actuellement explorées via AI agents in crypto, bien que les applications documentées de BotPsy se concentrent sur des tâches logicielles générales plutôt que sur des transactions blockchain. Toutefois, l'application hôte doit fournir les outils, les autorisations et l'environnement d'exécution avant que BotPsy ne puisse effectuer ces actions.
 
Une caractéristique distinctive est la capacité de BotPsy à réagir lorsqu'une action tentée échoue. Dans une évaluation ACEBench décrite par Tether, le modèle a été invité à envoyer un rappel de réunion, mais a rencontré deux problèmes : le Wi-Fi était désactivé et la boîte de réception était pleine. Au lieu de réessayer en boucle l'opération échouée, BotPsy a activé le Wi-Fi, libéré de l'espace dans la boîte de réception et terminé l'envoi du message. Le modèle sous-jacent Qwen3.5-0.8B a continué à réessayer sans succès dans le même scénario. Cet exemple illustre pourquoi le raisonnement en plusieurs étapes et la récupération d'erreurs sont essentiels pour les agents IA qui interagissent avec des applications. Toutefois, le comportement démontré provient d'un benchmark contrôlé et ne garantit pas une performance fiable dans toutes les applications du monde réel.

Architecture de Qwen3.5 de BotPsy et capacités d'IA sur appareil

BotPsy s'appuie sur Qwen3.5-0.8B d'Alibaba, conservant une architecture compacte tout en spécialisant son comportement pour les flux de travail agentic. Sa taille de 800 millions de paramètres réduit les exigences mémoire associées au stockage des poids du modèle par rapport aux modèles de langage beaucoup plus volumineux, ce qui le rend adapté à un déploiement sur smartphones, ordinateurs portables et ordinateurs personnels. Tether a publié les poids du modèle via Hugging Face sous licence Apache 2.0, permettant aux développeurs d'intégrer le modèle dans des applications compatibles. Des versions quantifiées GGUF sont également disponibles, notamment un fichier modèle Q4_K_M d'environ 0,53 Go. Ces formats plus compacts peuvent réduire les besoins en stockage et en mémoire, bien que la vitesse d'inférence réelle et la compatibilité matérielle dépendent de l'appareil et de la configuration logicielle.
 
La version prend également en charge l'initiative plus large QVAC (QuantumVerse Automatic Computer) de Tether, qui se concentre sur le développement de systèmes d'IA spécialisés pouvant fonctionner sur du matériel contrôlé par l'utilisateur. L'inférence locale peut réduire la nécessité d'envoyer les demandes des utilisateurs à des fournisseurs d'IA centralisés, offrant potentiellement aux individus un meilleur contrôle sur les informations sensibles et les données des applications. Toutefois, des fonctions externes telles que les recherches web, les messages et les réservations en ligne peuvent toujours nécessiter des connexions réseau et l'accès à des services tiers. BotPsy est actuellement distribué comme un modèle orienté développeurs plutôt qu'un assistant complet destiné aux consommateurs, et la vision à plus long terme de Tether inclut la connexion de smartphones, d'ordinateurs personnels et d'une infrastructure peer-to-peer fiable. Son importance pratique réside dans la démonstration de la manière dont des modèles d'IA compacts et axés sur des tâches spécifiques pourraient soutenir des assistants personnels plus performants sans dépendre entièrement de grands modèles linguistiques hébergés dans le cloud.

Tether BotPsy contre Qwen3.5-2B : Résultats de benchmark et comparaison des performances

Le modèle d'IA BotPsy de Tether a démontré une performance supérieure à celle du modèle plus volumineux Qwen3.5-2B-Think d'Alibaba sur cinq des six benchmarks agentic publiés le 11 novembre 2026. Malgré seulement 800 millions de paramètres contre 2 milliards pour Qwen, BotPsy a obtenu des scores plus élevés en appel de fonctions, exécution de tâches en plusieurs étapes et résolution de problèmes basée sur des outils. Selon l'évaluation technique de Tether AI Research, BotPsy a enregistré une moyenne non pondérée de 45,0, contre 38,8 pour Qwen3.5-2B-Think et 24,7 pour son modèle sous-jacent Qwen3.5-0.8B. Ces résultats démontrent les avantages potentiels d'une formation IA spécialisée, bien que la comparaison reflète des benchmarks sélectionnés et non les capacités globales d'intelligence artificielle.

Scores de benchmark et performance d'appel d'outils de BotPsy contre Qwen3.5-2B

BotPsy a obtenu ses meilleurs résultats dans les tests mesurant l'efficacité avec laquelle les agents IA sélectionnent des outils, exécutent des commandes et accomplissent des tâches à travers plusieurs interactions. Sur le classement Berkeley Function Calling (BFCL v4), BotPsy a obtenu 44,0 contre 37,7 pour Qwen3.5-2B-Think, tandis que son score ACEBench a atteint 58,7 contre 55,4. Le modèle plus petit a également été en tête sur τ-bench, avec un score de 51,5 contre 46,5, et sur ToolSandbox, où il a enregistré 64,6 contre 41,2. Les résultats de BrowseComp-Plus ont favorisé BotPsy avec 4,5 contre 2,8, bien que les deux scores indiquent une difficulté substantielle avec la récupération d'informations complexes. Qwen3.5-2B-Think a conservé un avantage sur Claw-Eval, avec un score de 48,9 contre 46,5 pour BotPsy. Sur les six tests, la moyenne de BotPsy était environ 16 % supérieure à celle du modèle plus grand, selon les chiffres de référence non pondérés de Tether.
 
L'écart de performance a été particulièrement notable dans les workflows agentic à plusieurs tours, qui exigent des modèles d'IA de maintenir le contexte, d'interpréter les conditions changeantes et de coordonner des actions successives. Dans l'évaluation à plusieurs tours de BFCL v4, BotPsy a obtenu 46,1, contre 23,8 pour Qwen3.5-2B-Think et seulement 7,5 pour son modèle de base original de 0,8 Go. Sur les tâches de télécommunications du τ²-bench, BotPsy a atteint 82,5 contre 69,3 pour le modèle Qwen plus grand, ce qui suggère une meilleure performance dans les interactions simulées de support client impliquant le dépannage et les contraintes de politique. BotPsy a également obtenu 86,1 sur les tests de BFCL axés sur les hallucinations, qui évaluent si un modèle évite les appels de fonction inappropriés lorsqu'aucun outil adapté n'est disponible. Ces résultats suggèrent qu'un post-entraînement spécialisé peut améliorer les décisions d'un agent d'IA sur le moment et la manière d'utiliser des outils logiciels, bien que le succès sur les benchmarks ne garantisse pas la même fiabilité dans des environnements du monde réel non restreints.

Où Qwen3.5-2B se distingue et pourquoi la méthodologie de référence est importante

Malgré l'avantage de BotPsy sur les benchmarks d'utilisation d'outils sélectionnés, Qwen3.5-2B-Think reste nettement plus fort dans les évaluations de connaissances générales. Dans les évaluations de Tether, le modèle plus grand a obtenu 59,9 sur GPQA Diamond, contre 38,1 pour BotPsy, et a atteint 65,5 sur MMLU-Pro contre 48,9. Ces tests examinent le raisonnement exigeant en connaissances et la réponse à des questions complexes, démontrant que la formation spécialisée d'agents n'élimine pas les avantages d'une capacité de modèle accrue.
 
Un autre point important à considérer est la différence entre les méthodologies d'évaluation. Tether a rapporté un score BFCL v4 de 37,7 pour Qwen3.5-2B-Think, tandis que la documentation officielle du modèle Qwen3.5-2B d'Alibaba liste 43,6 dans sa propre configuration de test. Des paramètres d'échantillonnage, des méthodes de invite et des procédures d'évaluation différents peuvent affecter les résultats des benchmarks, ce qui signifie que les scores générés dans des conditions distinctes ne doivent pas être comparés comme des mesures équivalentes. Le score BotPsy rapporté par Tether de 44,0 ne doit donc pas être considéré comme une victoire directe sur les 43,6 rapportés séparément par Alibaba. L'implication plus large est qu'un entraînement ciblé peut permettre à des modèles d'IA plus petits de surpasser des alternatives plus grandes sur des tâches spécifiques, tandis que la performance globale dépend toujours de la charge de travail, des conditions d'évaluation et des capacités du modèle mesurées.

Comment Tether a formé BotPsy pour l'appel d'outils IA et les applications sur appareil

Tether AI Research a développé BotPsy à travers un processus de post-entraînement en quatre étapes conçu pour améliorer l'appel d'outils IA, le suivi des instructions et l'efficacité du raisonnement sans augmenter le nombre de paramètres du modèle. Détailé dans son rapport technique du 11 novembre 2026, le pipeline d'entraînement combine un fine-tuning supervisé, une distillation de connaissance multi-enseignants et deux cycles d'apprentissage par renforcement. Cette approche vise à aider les modèles IA compacts à exécuter des commandes structurées tout en conservant des capacités générales utiles. Le développement soutient également l'initiative plus large QVAC de Tether, qui vise à réduire la dépendance à l'infrastructure IA centralisée grâce à des modèles spécialisés fonctionnant sur des appareils personnels.

Comment le raffinement supervisé, la distillation de connaissance et l'apprentissage par renforcement ont amélioré BotPsy

La première étape de formation a impliqué un raffinement supervisé (SFT) en utilisant des exemples d'interactions réussies avec des outils, incluant des commandes individuelles, des appels de fonctions parallèles, des opérations en plusieurs étapes et des situations où un assistant IA devrait éviter les actions inutiles. Tether a ensuite appliqué une distillation on-policy à plusieurs enseignants, permettant à BotPsy d'apprendre à partir de trois modèles enseignants spécialisés Qwen3.5-4B formés pour l'utilisation d'outils, le raisonnement général et le suivi des instructions. Pendant ce processus, le modèle plus petit générait ses propres réponses tandis que l'enseignant approprié fournissait un retour au niveau des jetons. Cela a aidé à résoudre un défi courant dans le développement d'IA spécialisée : améliorer les performances sur des tâches ciblées sans affaiblir excessivement les capacités plus larges de raisonnement et de connaissance. Le rapport technique de Tether indique que l'étape de distillation a permis de récupérer les capacités générales qui s'étaient dégradées lors du raffinement initial.
 
Les deux dernières étapes ont utilisé l'apprentissage par renforcement basé sur DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization), avec des récompenses déterminées par des règles prédéfinies et une vérification automatisée. Le premier tour a mis l'accent sur l'appel de fonctions précis, notamment sur le fait que BotPsy ait sélectionné le bon outil, fourni des arguments valides et respecté le format de sortie requis. Plutôt que de traiter chaque réponse incorrecte de la même manière, le mécanisme de récompense a accordé une partie des points pour la correspondance des noms d'outils et des valeurs d'arguments, offrant ainsi au modèle des retours plus détaillés sur ses erreurs. Le deuxième tour a élargi la formation à la mathématique, à la programmation, aux questions de connaissance, aux sorties structurées et aux tâches simulées en milieu professionnel. Cette approche plus large a aidé à équilibrer le comportement spécialisé de l'agent avec sa capacité de raisonnement général. Selon les évaluations de Tether, le score de suivi des instructions IFEval de BotPsy est passé de 59,7 pour le modèle de base à 90,8 après la formation, bien que ces résultats restent des benchmarks rapportés par les développeurs.

Efficacité de l'IA sur appareil, opportunités de déploiement et développement futur de QVAC

Un résultat significatif de la formation de BotPsy est la réduction signalée de son raisonnement inutile, ce qui pourrait améliorer l'efficacité des réponses sur les appareils aux ressources informatiques limitées. Sur les questions GPQA Diamond correctement répondues par les cinq modèles dans la comparaison de Tether, BotPsy a généré en moyenne 3 690 jetons de raisonnement, contre 11 563 pour son modèle sous-jacent Qwen, soit une réduction d'environ 68 %. Son taux de raisonnement répétitif sur IFBench est également passé de 22,9 % à 1,4 %. Générer moins de jetons peut réduire la charge de calcul et potentiellement améliorer la latence, bien que l'entreprise n'ait pas établi des gains de performance équivalents sur les smartphones grand public. Les évaluations GGUF publiées par Tether, effectuées les 6 et 7 novembre 2026 sur du matériel NVIDIA H100, fournissent des éléments sur la performance des modèles compressés, et non sur la vitesse quotidienne des appareils mobiles. Pour les développeurs, ces améliorations d'efficacité ouvrent la voie à l'exploration d'assistants IA locaux qui dépendent moins de l'inférence cloud, des prix des API externes et de la connectivité internet continue.
 
BotPsy représente également une étape supplémentaire dans l'expansion de Tether vers une infrastructure décentralisée d'intelligence artificielle, suite au lancement de son SDK QVAC le 9 avril 2026. Les projets futurs de l'entreprise incluent une personnalisation locale approfondie grâce à QVAC Fabric, des capacités de recherche peer-to-peer chiffrées via Hypersearch, et la délégation de tâches entre smartphones, ordinateurs domestiques et nœuds de réseau fiables. Ces développements pourraient éventuellement soutenir des applications combinant des modèles linguistiques compacts avec des systèmes spécialisés en parole, vision et traduction. Toutefois, Tether n'a pas établi de calendrier de lancement commercial confirmé pour un assistant BotPsy entièrement intégré, ni révélé de prévisions de revenus ou de bénéfices financiers mesurables issus du modèle. Les implications potentielles sur le marché incluent une concurrence accrue dans le logiciel edge AI, une dépendance réduite aux fournisseurs centralisés d'inférence, et de nouvelles opportunités pour les développeurs créant des applications axées sur la confidentialité. Que ces avantages se traduisent par une adoption généralisée dépendra de la vérification indépendante des performances, de la compatibilité matérielle, des contrôles de sécurité et de la fiabilité pratique des intégrations futures de QVAC.

Limitations du bot Tether BotPsy, risques sécuritaires et perspective d'avenir pour QVAC AI

Malgré ses performances solides sur certains benchmarks d'agents IA, Tether's BotPsy-0.8B présente des limites importantes en matière d'exécution de tâches complexes, de récupération d'informations, de sécurité et de fiabilité dans le monde réel. Le modèle est principalement conçu pour des tâches de faible à moyenne difficulté, ce qui le rend moins adapté aux flux de travail exigeants nécessitant un raisonnement approfondi, la manipulation d'informations sensibles ou une prise de décision autonome. Le rapport de recherche de Tether du 11 novembre 2026 reconnaît ces faiblesses tout en décrivant des plans pour étendre son écosystème QVAC. L'importance à plus long terme du modèle dépendra de la capacité de ses avantages en efficacité à se traduire par des applications fiables sur les appareils grand public.

Limitations dans les tâches complexes d'IA et la performance multilingue

Les performances de BotPsy diminuent à mesure que les tâches deviennent plus complexes, notamment lorsque plusieurs outils, instructions ou sources d'information doivent être coordonnées. Dans les évaluations au niveau application de Tether, le modèle a obtenu un score global de 75 dans les scénarios simples utilisant un seul outil, mais seulement 39,5 pour les flux de travail complexes. La récupération d'informations en plusieurs étapes s'est révélée particulièrement difficile, avec un score de seulement 15 contre 79 pour les tâches de récupération plus simples. Ses performances en suivi d'instructions se sont également affaiblies au cours de conversations plus longues, tandis que les tests multilingues ont révélé des résultats nettement inférieurs en hindi qu'en anglais et dans plusieurs autres langues prises en charge. Ces résultats suggèrent que les applications pratiques peuvent nécessiter des limites de complexité des tâches, des mécanismes de secours et une supervision humaine, plutôt qu'une automatisation sans restriction.

Vulnérabilités de sécurité et défis de confidentialité pour les agents IA

La sécurité reste un obstacle majeur pour les assistants IA autonomes, car les modèles d'appel d'outils peuvent interagir avec des informations externes et effectuer potentiellement des actions importantes. Dans les évaluations automatisées de sécurité de Tether, BotPsy a généré des réponses non sécurisées dans 21 % des tests d'requests nuisibles et 31 % des tests d'injection de prompts, démontrant que la formation spécialisée n'a pas éliminé les vulnérabilités de sécurité. L'injection de prompt est particulièrement préoccupante lorsqu'un agent IA interprète des instructions malveillantes intégrées dans des e-mails, des pages web ou d'autres contenus non fiables comme des commandes légitimes. Bien que le traitement local puisse limiter la dépendance à l'infrastructure cloud, il ne prévient pas automatiquement les actions d'outils non autorisées, l'exposition des données ou les intégrations compromises. Les déploiements en production nécessiteraient des contrôles d'autorisation, un accès restreint aux outils, une gestion sécurisée des identifiants et la confirmation de l'utilisateur avant les opérations sensibles. Tether conseille explicitement contre l'utilisation de BotPsy pour des décisions financières, médicales ou autres sensibles à haut risque.

Développement futur de QVAC AI et implications potentielles sur le marché

La stratégie QVAC à plus long terme de Tether consiste à développer les capacités locales d'IA grâce à des technologies telles que QVAC Fabric, qui permet la personnalisation des modèles sur appareil, et Hypersearch, conçue pour renforcer la récupération d'informations décentralisée. Le développement futur prévoit également une coordination entre smartphones, ordinateurs personnels et ressources informatiques peer-to-peer fiables, permettant potentiellement aux petits appareils de déléguer des charges de travail exigeantes sans dépendre exclusivement des services d'IA centralisés. Ces capacités pourraient ouvrir la voie à des logiciels de productivité axés sur la vie privée, à l'automatisation d'entreprise et aux développeurs cherchant des alternatives aux inférences basées sur le cloud. La convergence plus large entre l'IA et la crypto génère également un intérêt pour le calcul décentralisé et les modèles d'affaires numériques alternatifs, bien que BotPsy n'ait pas annoncé d'intégration de jeton. Toutefois, Tether n'a pas communiqué de calendrier confirmé pour un assistant consommateur BotPsy entièrement intégré ni révélé de prévisions de revenus liées à son adoption. Les progrès futurs dépendront des évaluations indépendantes, des performances du matériel mobile, de l'intégration logicielle sécurisée, de la participation des développeurs et de la capacité à maintenir la fiabilité alors que les flux de travail des agents deviendront plus complexes.

Conclusion

Le BotPsy-0.8B de Tether démontre comment un entraînement spécialisé peut permettre à des modèles d'IA plus petits de rivaliser avec des alternatives plus grandes en matière d'appel d'outils, de suivi d'instructions et d'automatisation multi-étapes. Ses victoires rapportées sur cinq des six benchmarks agentic mettent en lumière des progrès dans le développement efficace de l'IA, tandis que son architecture compacte soutient les ambitions plus larges de Tether en matière d'intelligence artificielle sur appareil et décentralisée. Néanmoins, les réalisations du BotPsy sur les benchmarks n'établissent pas une supériorité dans toutes les tâches d'IA ni ne garantissent une fiabilité dans le monde réel. Les vulnérabilités de sécurité, les limites des flux de travail complexes et l'absence de performances vérifiées indépendamment sur des appareils grand public restent des défis importants. Alors que Tether continue de développer son écosystème QVAC, la signification à plus long terme du modèle dépendra de la capacité de ces avantages expérimentaux à se traduire en applications d'IA sécurisées, pratiques et largement utilisables.

FAQ

Où les utilisateurs peuvent-ils télécharger le modèle d'IA BotPsy de Tether ?

Le bot Tether's BotPsy-0.8B est disponible publiquement sur Hugging Face au format de poids de modèle standard et au format GGUF. Les développeurs peuvent télécharger le modèle, consulter sa documentation et l'intégrer dans des applications locales compatibles sans dépendre d'une API de modèle propriétaire.

Tether BotPsy est-il gratuit à utiliser pour des projets commerciaux ?

BotPsy est publié sous la licence Apache 2.0, qui permet généralement l'utilisation commerciale, la modification et la redistribution, sous réserve des conditions de la licence. Les développeurs restent responsables du respect des licences tierces applicables, des exigences en matière de protection des données et des autres lois pertinentes.

Quels logiciels prennent en charge l'exécution de BotPsy en local ?

BotPsy prend en charge les cadres d'inférence IA courants, notamment Hugging Face Transformers, llama.cpp, vLLM et les déploiements GGUF compatibles Ollama. Les développeurs doivent configurer le runtime approprié et les intégrations d'outils, tandis que les performances dépendent du matériel disponible et des paramètres du modèle.

Quelle quantité de stockage et de mémoire BotPsy nécessite-t-il ?

Les fichiers BotPsy GGUF publiés varient d'environ 0,53 Go à 1,52 Go, selon la précision. Toutefois, il s'agit de la taille des fichiers modèle et non des besoins totaux en RAM. La consommation mémoire réelle dépend également du moteur d'inférence, de la longueur du contexte et de la surcharge d'exécution.

BotPsy nécessite-t-il une connexion Internet pour fonctionner ?

BotPsy peut générer des réponses localement sans connexion Internet continue une fois le modèle et les logiciels nécessaires installés. Toutefois, les opérations impliquant des recherches en ligne, des applications cloud ou des services distants nécessitent toujours un accès réseau. L'inférence hors ligne ne rend pas automatiquement tous les flux connectés hors ligne.
 
Clause de non-responsabilité : Ces informations générales sur le marché, provenant éventuellement de sources tierces, commerciales ou sponsorisées, sont fournies à titre de référence et éducatif uniquement et ne constituent ni un conseil financier ni un conseil en investissement, ni une offre, une sollicitation ou une garantie. Nous déclinons toute responsabilité quant à leur exactitude, intégralité, fiabilité et aux pertes résultantes. Les investissements/le trading comportent des risques ; les performances passées ne garantissent pas les résultats futurs. Les utilisateurs doivent effectuer leurs propres recherches, juger avec prudence et assumer pleine responsabilité. Pour plus de détails, veuillez consulter les Conditions d'utilisation et les Divulgation des risques de KuCoin.

Avertissement : Pour votre confort, cette page a été traduite à l'aide de la technologie IA. Pour obtenir les informations à la source, consultez la version anglaise originale.