テザー、デバイス内AI用に4億6000万パラメータのビジョンモデルをオープンソース化

Tether Dataは、クラウドサーバーに依存せず、スマートフォン上で直接動作するように構築された4億6千万パラメーターのビジョン・ランゲージモデルをオープンソース化しました。

同社のAI研究部門が水曜日にリリースしたVisionPsy-Nanoは、画像、文書、チャートを分析し、ソースデータをリモートシステムに送信せずに質問に回答できます。このアプリは入力と応答をすべて端末内で処理するため、オフラインで動作し、データを端末内に保持できます。

QVACは、Tether AI Researchのモデルが、5億パラメーター未満のビジョン・ランゲージシステムの中で最も高い総合スコアを記録したと述べています。17のベンチマークのうち、16で競合モデルを上回りました。

このモデルは62.3の正規化スコアを記録し、Liquid AIのLFM2.5-VL-450Mは59.6、Hugging FaceのSmolVLM2-500Mは52.5でした。QVACの以前のnanoVLM-460M-8kベースモデルは54.9のスコアでした。

The Tether Dataのリリースは2つのバージョンで提供されます。標準版は精度を重視し、Flash版はわずかに品質を犠牲にしてより高速な応答を実現します。QVACによると、FlashはSmolVLM2-500Mに比べてAndroid端末で最大23倍、iPhone 15では最大36倍速く最初の出力を生成しながら、フルモデルの約99％のパフォーマンスを維持します。

モバイルハードウェアでは、その応答時間が重要です。コンパクトなモデルはテストでは高いスコアを出しても、デバイスが画像を処理する間にユーザーが待たなければならない場合、実用性に欠けることがあります。Flashは、その初期の遅延を軽減するように設計されています。

人工知能（AI）システムは、文書分析と光学文字認識もサポートし、財務報告書、フローチャート、インフォグラフィックからテキストと構造を抽出します。

QVACは、視覚的推論テストで同規模の競合モデルを平均7.4%上回ったと述べています。また、QwenやInternVLのリリースを含め、サイズが2倍以上大きいモデルをMM-IFEvalとPOPEでも上回りました。

データセンターから電話へ画像処理を移行すると、メモリ、発熱、バッテリー消費、および計算能力に関して厳格な制限が生じます。コンパクトなモデルは通常のテキストには対応できますが、密度の高いチャート、テーブル、またはスキャンした文書の読み取りでは精度が低下します。

QVACのベンチマーク結果によると、このモデルは小型でありながらその能力の大部分を維持しています。ローカル処理により、ドキュメントをアップロードする必要がなく、ネットワーク接続がなくてもソフトウェアは継続して動作します。

開発者は、Hugging Face Transformers、llama.cpp用の量子化されたGGUFバージョン、または高ボリュームのサーバー用途向けのvLLMバックエンドを通じてモデルにアクセスできます。

QVACは、VLMEvalKitを通じてベンチマーク構成を公開し、外部の研究者がテストを再現できるようにしています。両方のバージョンはApache 2.0ライセンスを採用しており、商用利用、修正、再配布が許可されています。

Tether CEO Paolo Ardoinoは、このリリースが同社のローカルで効率的なAIシステムへの取り組みを支援すると述べました。

「一般のビジョンタスクで最高水準の品質とパフォーマンスをたった4億6千万パラメータで実現したことは、ローカルファーストで高効率なAIが現実的な道筋であることを証明しています」とアルドイノは述べました。

このモデルは、2025年10月以降の複数のQVACリリースに従っており、合成トレーニングデータセット、クロスプラットフォームソフトウェア開発キット、およびスマートフォンやウェアラブルデバイス用に設計された医療モデルを含みます。

開発者向けに、このリリースでは使用量に基づくAPIコストなしでオフライン画像分析が可能になります。企業は機密文書をデバイスに保持でき、消費者は信号がなくてもAI機能を利用できます。研究者は公開された設定を用いて、同社のパフォーマンス主張を独立して検証できます。

テザーは、USDTステーブルコイン事業からの利益でAIの拡張を資金調達しました。また、AIインフラ、バイオテクノロジー、ロボティクスにも投資しており、NEURA RoboticsへのCラウンド投資は最大14億ドルに上ります。