Model AI BotPsy Tether Mengungguli Model yang Lebih Besar dalam Uji Coba: Yang Perlu Diketahui

Model AI BotPsy Tether Mengungguli Model yang Lebih Besar dalam Uji Coba: Yang Perlu Diketahui

Gambar Khusus
Tether, penerbit stablecoin USDT, telah memperluas penelitian kecerdasan buatannya dengan peluncuran QVAC BotPsy-0.8B, sebuah model AI kompak yang diklaim unggul dibandingkan pesaing yang lebih besar dalam beberapa benchmark agen. Diumumkan pada 11 November 2026, model dengan 800 juta parameter ini melebihi Qwen3.5-2B dari Alibaba dalam lima dari enam tes yang dipilih, menurut evaluasi Tether. Hasil ini menunjukkan meningkatnya minat terhadap sistem AI kecil dan spesialis yang mampu menjalankan perintah perangkat lunak dan menangani tugas multi-langkah. Namun, pertanyaan tetap ada mengenai kelayakan perbandingan benchmark, keandalan di dunia nyata, dan keamanan. Memahami arsitektur BotPsy, metode pelatihan, hasil kinerja, serta keterkaitannya dengan strategi QVAC yang lebih luas dari Tether memberikan gambaran yang lebih jelas mengenai potensi signifikansinya.

Poin Utama

  • Tether AI Research meluncurkan QVAC BotPsy-0.8B pada 11 November 2026, memperkenalkan model AI dengan 800 juta parameter yang dirancang untuk pemanggilan alat dan otomatisasi tugas multi-langkah.
  • BotPsy unggul dari model Qwen3.5-2B yang lebih besar pada lima dari enam tolok ukur agen dalam evaluasi Tether, menunjukkan keunggulan dalam tugas-tugas AI khusus.
  • Model ini menggunakan fine-tuning terawasi, distilasi pengetahuan, dan pembelajaran penguatan untuk meningkatkan pengikutan instruksi, pemanggilan fungsi, dan eksekusi tugas.
  • BotPsy mendukung penyebaran AI lokal melalui format model terkuantisasi yang dapat diunduh, berpotensi mengurangi ketergantungan pada infrastruktur cloud terpusat.
  • Meskipun memiliki kinerja patokan, BotPsy menghadapi keterbatasan dalam penalaran kompleks, tugas multibahasa, pencarian informasi, dan aplikasi yang sensitif terhadap keamanan.
  • Inisiatif QVAC yang lebih luas dari Tether bertujuan untuk memperluas kemampuan AI yang terdesentralisasi dan berfokus pada privasi, meskipun adopsi komersial dan keandalan di dunia nyata masih belum pasti.

Apa Itu Model AI BotPsy Tether dan Bagaimana Cara Kerjanya?

Model AI BotPsy Tether, secara resmi bernama QVAC BotPsy-0.8B, adalah sistem kecerdasan buatan berbobot terbuka yang dirancang untuk melakukan tugas sehari-hari melalui pemanggilan alat dan otomatisasi multi-langkah. Diumumkan oleh Tether AI Research pada 11 November 2026, model ini memiliki 800 juta parameter dan dibangun di atas arsitektur Qwen3.5-0.8B dari Alibaba. Berbeda dengan chatbot konvensional yang primarily menghasilkan respons teks, BotPsy dirancang untuk berinteraksi dengan aplikasi, mengeksekusi perintah, dan menyelesaikan tugas yang melibatkan kalender, email, file, dan pengaturan perangkat. Dalam evaluasi yang dipublikasikan oleh Tether, BotPsy mengungguli model Qwen3.5-2B yang lebih besar pada lima dari enam benchmark agen, menyoroti potensi model AI kecil spesialis untuk penyebaran lokal.

Bagaimana BotPsy Menggunakan Pemanggilan Alat AI untuk Menyelesaikan Tugas Sehari-hari

BotPsy beroperasi melalui proses yang dikenal sebagai pemanggilan alat AI, yang memungkinkan model bahasa memilih dan meminta tindakan dari aplikasi perangkat lunak daripada hanya menjawab pertanyaan. Ketika pengguna meminta asisten untuk menjadwalkan rapat, misalnya, BotPsy dapat mengidentifikasi fungsi kalender yang tepat, menghasilkan argumen yang diperlukan, dan menafsirkan hasil yang dikembalikan oleh aplikasi. Permintaan yang lebih kompleks dapat melibatkan beberapa tindakan terhubung, seperti memeriksa ketersediaan, menyelesaikan konflik penjadwalan, memperbarui janji temu, dan membuat pengingat. Model ini juga dapat bekerja dengan fungsi yang didukung untuk pesan, manajemen dokumen, pencarian web, dan kontrol perangkat. Kemampuan berbasis alat serupa sedang dieksplorasi melalui AI agents in crypto, meskipun aplikasi terdokumentasi BotPsy berfokus pada tugas perangkat lunak umum daripada transaksi blockchain. Namun, aplikasi host harus menyediakan alat, izin, dan lingkungan eksekusi sebelum BotPsy dapat melakukan tindakan-tindakan ini.
 
Fitur yang membedakan adalah kemampuan BotPsy untuk merespons ketika sebuah tindakan yang dicoba gagal. Dalam evaluasi ACEBench yang dijelaskan oleh Tether, model diminta untuk mengirimkan pengingat rapat tetapi mengalami dua masalah: Wi-Fi dinonaktifkan, dan kotak masuk pesan penuh. Alih-alih terus mencoba operasi yang gagal tersebut, BotPsy mengaktifkan Wi-Fi, membersihkan ruang kotak masuk, dan menyelesaikan tugas pengiriman pesan. Model Qwen3.5-0.8B yang mendasarinya terus mencoba ulang tanpa berhasil dalam skenario yang sama. Contoh ini menggambarkan mengapa penalaran multi-langkah dan pemulihan kesalahan penting bagi agen AI yang berinteraksi dengan aplikasi. Namun, perilaku yang ditunjukkan berasal dari benchmark terkendali dan tidak menjamin kinerja yang andal di setiap aplikasi dunia nyata.

Arsitektur Qwen3.5 dan Kemampuan AI di Perangkat BotPsy

BotPsy menggunakan Alibaba's Qwen3.5-0.8B sebagai dasarnya, mempertahankan arsitektur ringkas sekaligus mengkhususkan perilakunya untuk alur kerja agen. Ukuran 800 juta parameter mengurangi kebutuhan memori terkait penyimpanan bobot model dibandingkan model bahasa yang jauh lebih besar, menjadikannya cocok untuk eksplorasi penyebaran di smartphone, laptop, dan komputer pribadi. Tether telah merilis bobot model melalui Hugging Face di bawah lisensi Apache 2.0, memungkinkan pengembang untuk mengintegrasikan model ke dalam aplikasi yang kompatibel. Versi GGUF yang dikuantisasi juga tersedia, termasuk file model Q4_K_M sekitar 0,53 GB. Format yang lebih kecil ini dapat mengurangi permintaan penyimpanan dan memori, meskipun kecepatan inferensi aktual dan kompatibilitas perangkat keras bergantung pada perangkat dan konfigurasi perangkat lunak.
 
Rilis ini juga mendukung inisiatif luas Tether untuk QVAC (QuantumVerse Automatic Computer), yang berfokus pada pengembangan sistem AI khusus yang dapat beroperasi pada perangkat yang dikendalikan pengguna. Inferensi lokal dapat mengurangi kebutuhan untuk mengirim permintaan pengguna ke penyedia AI terpusat, berpotensi memberikan individu kendali lebih besar atas informasi sensitif dan data aplikasi. Namun, fungsi eksternal seperti pencarian web, pesan, dan pemesanan online mungkin masih memerlukan koneksi jaringan dan akses ke layanan pihak ketiga. BotPsy saat ini didistribusikan sebagai model yang berorientasi pengembang, bukan asisten konsumen lengkap, dan visi jangka panjang Tether mencakup menghubungkan smartphone, komputer pribadi, dan infrastruktur peer-to-peer yang terpercaya. Signifikansi praktisnya terletak pada menunjukkan bagaimana model AI kompak dan berfokus pada tugas dapat mendukung asisten pribadi yang lebih mampu tanpa bergantung sepenuhnya pada model bahasa besar yang dihosting di cloud.

Tether BotPsy vs Qwen3.5-2B: Hasil Benchmark dan Perbandingan Kinerja

Model AI BotPsy Tether menunjukkan kinerja yang lebih kuat daripada Qwen3.5-2B-Think milik Alibaba pada lima dari enam benchmark agen yang dipublikasikan pada 11 November 2026. Meskipun hanya memiliki 800 juta parameter dibandingkan 2 miliar milik Qwen, BotPsy mencapai skor lebih tinggi dalam pemanggilan fungsi, eksekusi tugas multi-langkah, dan pemecahan masalah berbasis alat. Menurut evaluasi teknis Tether AI Research, BotPsy mencatat skor rata-rata tak terbobot sebesar 45,0, dibandingkan 38,8 untuk Qwen3.5-2B-Think dan 24,7 untuk model dasarnya Qwen3.5-0.8B. Hasil ini menunjukkan potensi manfaat dari pelatihan AI yang spesifik, meskipun perbandingan ini mencerminkan benchmark terpilih daripada kemampuan kecerdasan buatan secara keseluruhan.

Skor Benchmark BotPsy vs Qwen3.5-2B dan Kinerja Pemanggilan Alat

BotPsy mencapai hasil terbaiknya dalam pengujian yang mengukur seberapa efektif agen AI memilih alat, mengeksekusi perintah, dan menyelesaikan tugas dalam beberapa interaksi. Di Berkeley Function Calling Leaderboard (BFCL v4), BotPsy mendapat skor 44,0, dibandingkan 37,7 untuk Qwen3.5-2B-Think, sementara skor ACEBench-nya mencapai 58,7 dibandingkan 55,4. Model yang lebih kecil juga unggul di τ-bench, dengan skor 51,5 dibandingkan 46,5, dan ToolSandbox, di mana ia mencatat 64,6 dibandingkan 41,2. Hasil BrowseComp-Plus mendukung BotPsy dengan skor 4,5 dibandingkan 2,8, meskipun kedua skor tersebut menunjukkan kesulitan signifikan dalam pengambilan informasi kompleks. Qwen3.5-2B-Think tetap unggul di Claw-Eval, dengan skor 48,9 dibandingkan 46,5 dari BotPsy. Di seluruh enam pengujian, rata-rata BotPsy sekitar 16% lebih tinggi daripada model yang lebih besar, berdasarkan angka benchmark Tether tanpa bobot.
 
Kesenjangan kinerja terutama terlihat jelas dalam alur kerja agen multi-putaran, yang memerlukan model AI untuk mempertahankan konteks, menafsirkan kondisi yang berubah, dan mengoordinasikan tindakan berturut-turut. Dalam evaluasi multi-putaran BFCL v4, BotPsy mendapat skor 46,1, dibandingkan dengan 23,8 untuk Qwen3.5-2B-Think dan hanya 7,5 untuk model dasar 0,8B aslinya. Pada tugas telekomunikasi τ²-bench, BotPsy mencapai 82,5 dibandingkan 69,3 dari model Qwen yang lebih besar, menunjukkan kinerja yang lebih kuat dalam interaksi dukungan pelanggan simulasi yang melibatkan pemecahan masalah dan batasan kebijakan. BotPsy juga mendapat skor 86,1 pada tes BFCL yang berfokus pada halusinasi, yang menilai apakah model menghindari panggilan fungsi yang tidak tepat ketika tidak ada alat yang sesuai tersedia. Temuan ini menunjukkan bahwa pelatihan lanjutan khusus dapat meningkatkan keputusan agen AI tentang kapan dan bagaimana menggunakan alat perangkat lunak, meskipun keberhasilan dalam benchmark tidak menjamin keandalan yang sama di lingkungan dunia nyata tanpa batasan.

Di mana Qwen3.5-2B Berkinerja Lebih Baik dan Mengapa Metodologi Benchmark Penting

Meskipun BotPsy memiliki keunggulan dalam benchmark penggunaan alat tertentu, Qwen3.5-2B-Think tetap jauh lebih kuat dalam penilaian pengetahuan yang lebih luas. Dalam evaluasi Tether, model yang lebih besar mendapat skor 59.9 pada GPQA Diamond, dibandingkan dengan 38.1 milik BotPsy, dan mencapai 65.5 pada MMLU-Pro dibandingkan 48.9. Tes-tes ini menguji penalaran yang padat pengetahuan dan menjawab pertanyaan kompleks, menunjukkan bahwa pelatihan agen spesialis tidak menghilangkan keunggulan kapasitas model yang lebih besar.
 
Pertimbangan penting lainnya adalah perbedaan antara metodologi evaluasi. Tether melaporkan skor BFCL v4 sebesar 37,7 untuk Qwen3.5-2B-Think, sedangkan dokumentasi resmi model Qwen3.5-2B dari Alibaba mencantumkan 43,6 di bawah konfigurasi pengujian mereka sendiri. Parameter pengambilan sampel, metode prompting, dan prosedur evaluasi yang berbeda dapat memengaruhi hasil benchmark, artinya skor yang dihasilkan di bawah kondisi berbeda tidak boleh dibandingkan sebagai pengukuran yang setara. Oleh karena itu, skor BotPsy yang dilaporkan Tether sebesar 44,0 tidak boleh dianggap sebagai kemenangan langsung atas 43,6 yang dilaporkan Alibaba secara terpisah. Implikasi yang lebih luas adalah pelatihan terfokus dapat membantu model AI yang lebih kecil mengungguli alternatif yang lebih besar pada tugas tertentu, sementara kinerja keseluruhan tetap bergantung pada beban kerja, kondisi evaluasi, dan kemampuan model yang diukur.

Bagaimana Tether Melatih BotPsy untuk Pemanggilan Alat AI dan Aplikasi di Perangkat

Tether AI Research mengembangkan BotPsy melalui proses post-training empat tahap yang dirancang untuk meningkatkan pemanggilan alat AI, pengikutan instruksi, dan efisiensi penalaran tanpa meningkatkan jumlah parameter model. Dirinci dalam laporan teknis tanggal 11 November 2026, pipeline pelatihan menggabungkan supervised fine-tuning, multi-teacher knowledge distillation, dan dua putaran reinforcement learning. Pendekatan ini berfokus pada membantu model AI kompak menjalankan perintah terstruktur sambil mempertahankan kemampuan umum yang berguna. Pengembangan ini juga mendukung inisiatif QVAC Tether yang lebih luas, yang bertujuan untuk mengurangi ketergantungan pada infrastruktur AI terpusat melalui model khusus yang beroperasi pada perangkat pribadi.

Bagaimana Supervised Fine-Tuning, Knowledge Distillation, dan Reinforcement Learning Meningkatkan BotPsy

Tahap pelatihan pertama melibatkan fine-tuning terawasi (SFT) menggunakan contoh-contoh interaksi alat yang sukses, termasuk perintah individu, pemanggilan fungsi paralel, operasi multi-langkah, dan situasi di mana asisten AI sebaiknya menghindari tindakan yang tidak perlu. Tether kemudian menerapkan distilasi on-policy multi-teacher, memungkinkan BotPsy belajar dari tiga model guru Qwen3.5-4B khusus yang dilatih untuk penggunaan alat, penalaran umum, dan mengikuti instruksi. Selama proses ini, model yang lebih kecil menghasilkan responsnya sendiri sementara guru yang sesuai memberikan umpan balik pada tingkat token. Ini membantu mengatasi tantangan umum dalam pengembangan AI khusus: meningkatkan kinerja pada tugas-tugas terfokus tanpa secara berlebihan melemahkan kemampuan penalaran dan pengetahuan yang lebih luas. Laporan teknis Tether menunjukkan bahwa tahap distilasi memulihkan kemampuan umum yang menurun selama fine-tuning awal.
 
Dua tahap terakhir menggunakan pembelajaran penguatan berbasis DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization), dengan reward ditentukan oleh aturan yang telah ditentukan sebelumnya dan verifikasi otomatis. Putaran pertama menekankan pemanggilan fungsi yang akurat, termasuk apakah BotPsy memilih alat yang benar, menyediakan argumen yang valid, dan mengikuti format output yang diperlukan. Alih-alih memperlakukan setiap respons yang salah secara sama, mekanisme reward memberikan kredit sebagian untuk kesesuaian nama alat dan nilai argumen, memberikan umpan balik yang lebih rinci kepada model mengenai kesalahan-kesalahan tersebut. Putaran kedua memperluas pelatihan ke matematika, pemrograman, pertanyaan pengetahuan, output terstruktur, dan tugas simulasi tempat kerja. Pendekatan yang lebih luas ini membantu menyeimbangkan perilaku agen spesialis dengan kemampuan penalaran umum. Menurut evaluasi Tether, skor IFEval dalam mengikuti instruksi BotPsy meningkat dari 59,7 untuk model dasar menjadi 90,8 setelah pelatihan, meskipun ini tetap merupakan hasil benchmark yang dilaporkan pengembang.

Efisiensi AI di Perangkat, Peluang Peluncuran, dan Pengembangan QVAC Masa Depan

Hasil signifikan dari pelatihan BotPsy adalah penurunan yang dilaporkan dalam penalaran yang tidak perlu, yang dapat meningkatkan efisiensi respons pada perangkat dengan sumber daya komputasi terbatas. Pada pertanyaan GPQA Diamond yang dijawab dengan benar oleh semua lima model dalam perbandingan Tether, BotPsy menghasilkan rata-rata 3.690 token penalaran, dibandingkan dengan 11.563 untuk model Qwen dasarnya, yang mewakili penurunan sekitar 68%. Tingkat penalaran berulangnya di IFBench juga turun dari 22,9% menjadi 1,4%. Menghasilkan lebih sedikit token dapat mengurangi beban komputasi dan berpotensi meningkatkan latensi, meskipun perusahaan belum menetapkan peningkatan kinerja yang setara di smartphone konsumen. Evaluasi GGUF yang diterbitkan Tether, yang dilakukan pada 6–7 November 2026 menggunakan perangkat keras NVIDIA H100, memberikan bukti tentang kinerja model terkompresi daripada kecepatan perangkat seluler sehari-hari. Bagi pengembang, peningkatan efisiensi ini menciptakan peluang untuk mengeksplorasi asisten AI lokal yang kurang bergantung pada inferensi cloud, harga API eksternal, dan konektivitas internet berkelanjutan.
 
BotPsy juga mewakili langkah lebih lanjut dalam ekspansi Tether ke infrastruktur AI terdesentralisasi menyusul peluncuran QVAC SDK pada 9 April 2026. Rencana pengembangan masa depan perusahaan mencakup personalisasi lokal yang lebih mendalam melalui QVAC Fabric, kemampuan pencarian peer-to-peer terenkripsi melalui Hypersearch, dan delegasi tugas antara smartphone, komputer rumah, dan node jaringan terpercaya. Pengembangan ini pada akhirnya dapat mendukung aplikasi yang menggabungkan model bahasa ringkas dengan sistem suara, penglihatan, dan terjemahan khusus. Namun, Tether belum menetapkan jadwal peluncuran komersial yang dikonfirmasi untuk asisten BotPsy yang sepenuhnya terintegrasi, maupun mengungkapkan perkiraan pendapatan atau manfaat keuangan yang dapat diukur dari model ini. Implikasi pasar potensial meliputi peningkatan persaingan di perangkat lunak edge AI, ketergantungan yang lebih rendah pada penyedia inferensi terpusat, dan peluang baru bagi pengembang yang membangun aplikasi berfokus pada privasi. Apakah keuntungan-keuntungan ini akan berubah menjadi adopsi luas akan bergantung pada verifikasi kinerja independen, kompatibilitas perangkat keras, kontrol keamanan, dan keandalan praktis integrasi QVAC masa depan.

Keterbatasan Tether BotPsy, Risiko Keamanan, dan Prospek Masa Depan untuk QVAC AI

Meskipun memiliki kinerja kuat dalam sejumlah benchmark agen AI, BotPsy-0.8B milik Tether menghadapi batasan penting terkait eksekusi tugas kompleks, pengambilan informasi, keamanan, dan keandalan di dunia nyata. Model ini dirancang terutama untuk tugas berkesulitan rendah hingga menengah, sehingga kurang cocok untuk alur kerja yang menuntut penalaran mendalam, informasi sensitif, atau pengambilan keputusan otonom. Laporan penelitian Tether tanggal 11 November 2026 mengakui kelemahan-kelemahan ini sekaligus merinci rencana untuk memperluas ekosistem QVAC. Signifikansi jangka panjang model ini akan bergantung pada apakah keunggulan efisiensinya dapat diterjemahkan menjadi aplikasi yang dapat diandalkan di berbagai perangkat konsumen.

Batasan dalam Tugas AI Kompleks dan Kinerja Multibahasa

Kinerja BotPsy menurun seiring dengan meningkatnya kompleksitas tugas, terutama ketika beberapa alat, instruksi, atau sumber informasi harus dikoordinasikan. Dalam evaluasi tingkat aplikasi Tether, model ini mencapai skor keseluruhan 75 pada skenario sederhana satu alat, tetapi hanya 39,5 pada alur kerja kompleks. Pencarian informasi multi-langkah sangat menantang, menghasilkan skor hanya 15 dibandingkan 79 untuk tugas pencarian yang lebih sederhana. Kinerja pengikutan instruksi juga melemah selama percakapan yang lebih panjang, sementara pengujian multibahasa menunjukkan hasil jauh lebih rendah dalam bahasa Hindi dibandingkan bahasa Inggris dan beberapa bahasa lain yang didukung. Temuan ini menunjukkan bahwa aplikasi praktis mungkin memerlukan batasan kompleksitas tugas, mekanisme cadangan, dan pengawasan manusia, bukan otomatisasi tanpa batas.

Kerentanan Keamanan dan Tantangan Privasi untuk Agen AI

Keamanan tetap menjadi hambatan utama bagi asisten AI otonom karena model pemanggil alat dapat berinteraksi dengan informasi eksternal dan berpotensi melakukan tindakan yang berdampak signifikan. Dalam evaluasi keamanan otomatis Tether, BotPsy menghasilkan respons tidak aman dalam 21% uji permintaan berbahaya dan 31% uji prompt-injection, menunjukkan bahwa pelatihan khusus belum menghilangkan kerentanan keamanan. Prompt injection sangat mengkhawatirkan ketika agen AI menafsirkan instruksi jahat yang tertanam dalam email, halaman web, atau materi tidak terpercaya lainnya sebagai perintah sah. Meskipun pemrosesan lokal dapat membatasi ketergantungan pada infrastruktur cloud, hal ini tidak secara otomatis mencegah tindakan alat yang tidak sah, eksposur data, atau integrasi yang terkompromi. Deploy produksi memerlukan kontrol izin, akses alat yang dibatasi, penanganan kredensial yang aman, dan konfirmasi pengguna sebelum operasi sensitif. Tether secara eksplisit menyarankan untuk tidak menggunakan BotPsy dalam keputusan finansial, medis, atau keputusan sensitif lainnya yang berisiko tinggi.

Pengembangan QVAC AI Masa Depan dan Implikasi Pasar Potensial

Strategi QVAC jangka panjang Tether melibatkan perluasan kemampuan AI lokal melalui teknologi seperti QVAC Fabric, yang mendukung penyesuaian model berbasis perangkat, dan Hypersearch, yang bertujuan untuk memperkuat pengambilan informasi terdesentralisasi. Pengembangan masa depan juga membayangkan koordinasi antara smartphone, komputer pribadi, dan sumber daya komputasi peer-to-peer yang terpercaya, yang berpotensi memungkinkan perangkat lebih kecil untuk menyerahkan beban kerja yang berat tanpa bergantung sepenuhnya pada layanan AI terpusat. Kemampuan semacam ini dapat menciptakan peluang bagi perangkat lunak produktivitas yang berfokus pada privasi, otomasi perusahaan, dan pengembang yang mencari alternatif selain inferensi berbasis cloud. Konvergensi lebih luas antara AI dan crypto juga menimbulkan minat terhadap komputasi terdesentralisasi dan model bisnis digital alternatif, meskipun BotPsy belum mengumumkan integrasi token. Namun, Tether belum mengumumkan jadwal pasti untuk asisten konsumen BotPsy yang sepenuhnya terintegrasi maupun proyeksi pendapatan yang terkait dengan adopsinya. Kemajuan masa depan akan bergantung pada evaluasi independen, kinerja perangkat keras seluler, integrasi perangkat lunak yang aman, partisipasi pengembang, dan kemampuan untuk mempertahankan keandalan saat alur kerja agen menjadi lebih kompleks.

Kesimpulan

BotPsy-0.8B milik Tether menunjukkan bagaimana pelatihan khusus dapat membantu model AI yang lebih kecil bersaing dengan alternatif yang lebih besar dalam pemanggilan alat, mengikuti instruksi, dan otomasi multi-langkah. Kemenangan yang dilaporkan di lima dari enam benchmark agen menyoroti kemajuan dalam pengembangan AI yang efisien, sementara arsitektur kompaknya mendukung ambisi lebih luas Tether untuk kecerdasan buatan berbasis perangkat dan terdesentralisasi. Namun, pencapaian benchmark BotPsy tidak menetapkan superioritas di semua tugas AI atau menjamin keandalan di dunia nyata. Kerentanan keamanan, keterbatasan alur kerja yang kompleks, dan kurangnya verifikasi kinerja perangkat konsumen secara independen tetap menjadi tantangan penting. Seiring Tether terus mengembangkan ekosistem QVAC-nya, signifikansi jangka panjang model ini akan bergantung pada apakah keunggulan eksperimental ini dapat diterjemahkan menjadi aplikasi AI yang aman, praktis, dan dapat digunakan secara luas.

FAQ

Di mana pengguna dapat mengunduh model AI BotPsy Tether?

BotPsy-0.8B Tether tersedia secara publik melalui Hugging Face dalam format bobot model standar dan GGUF. Pengembang dapat mengunduh model, memeriksa dokumentasinya, dan mengintegrasikannya ke dalam aplikasi AI lokal yang kompatibel tanpa bergantung pada API model propietari.

Apakah Tether BotPsy gratis digunakan untuk proyek komersial?

BotPsy dirilis di bawah lisensi Apache 2.0, yang umumnya mengizinkan penggunaan komersial, modifikasi, dan redistribusi, dengan syarat mematuhi ketentuan lisensi. Pengembang tetap bertanggung jawab untuk mematuhi lisensi pihak ketiga yang berlaku, persyaratan perlindungan data, dan hukum terkait lainnya.

Perangkat lunak apa yang mendukung menjalankan BotPsy secara lokal?

BotPsy mendukung kerangka kerja inferensi AI umum, termasuk Hugging Face Transformers, llama.cpp, vLLM, dan penyebaran GGUF yang kompatibel dengan Ollama. Pengembang harus mengonfigurasi runtime dan integrasi alat yang sesuai, sementara kinerja bergantung pada perangkat keras yang tersedia dan pengaturan model.

Berapa banyak penyimpanan dan memori yang dibutuhkan BotPsy?

File BotPsy GGUF yang dipublikasikan berkisar antara sekitar 0,53 GB hingga 1,52 GB, tergantung pada presisi. Namun, ini adalah ukuran file model, bukan kebutuhan RAM total. Konsumsi memori aktual juga bergantung pada mesin inferensi, panjang konteks, dan overhead runtime.

Apakah BotPsy memerlukan koneksi internet untuk berfungsi?

BotPsy dapat menghasilkan respons secara lokal tanpa koneksi internet berkelanjutan setelah model dan perangkat lunak yang diperlukan diinstal. Namun, operasi yang melibatkan pencarian daring, aplikasi cloud, atau layanan jarak jauh masih memerlukan akses jaringan. Inferensi offline tidak secara otomatis membuat setiap alur kerja yang terhubung menjadi offline.
 
Penafian: Informasi pasar umum ini, yang mungkin berasal dari sumber pihak ketiga, komersial, atau bersponsor, diberikan hanya untuk referensi dan tujuan pendidikan, dan tidak merupakan nasihat keuangan atau investasi, penawaran, ajakan, atau jaminan. Kami melepaskan tanggung jawab atas keakuratannya, kelengkapan, keandalannya, dan semua kerugian yang timbul. Investasi/perdagangan bersifat berisiko; kinerja masa lalu tidak menjamin hasil masa depan. Pengguna harus melakukan riset, menilai dengan bijak, dan mengambil tanggung jawab penuh. Untuk detail lebih lanjut, silakan konsultasikan Ketentuan Penggunaan dan Pengungkapan Risiko KuCoin.

Penafian: Halaman ini diterjemahkan menggunakan teknologi AI untuk kenyamanan Anda. Untuk informasi yang paling akurat, lihat versi bahasa Inggris aslinya.