O modelo BotPsy AI da Tether supera modelos maiores em testes: o que você precisa saber

Tether, a emissora da stablecoin USDT, expandiu sua pesquisa em inteligência artificial com o lançamento do QVAC BotPsy-0.8B, um modelo de IA compacto que, segundo relatos, superou concorrentes maiores em vários benchmarks agênticos. Anunciado em 11 de novembro de 2026, o modelo de 800 milhões de parâmetros superou o Qwen3.5-2B da Alibaba em cinco dos seis testes selecionados, segundo avaliações da Tether. Os resultados destacam o crescente interesse em sistemas de IA menores e especializados capazes de executar comandos de software e lidar com tarefas em múltiplos passos. No entanto, permanecem dúvidas sobre a comparabilidade dos benchmarks, a confiabilidade no mundo real e a segurança. Compreender a arquitetura do BotPsy, seus métodos de treinamento, resultados de desempenho e conexão com a estratégia mais ampla da Tether no QVAC fornece uma visão mais clara de seu potencial significado.
Principais destaques
-
A Tether AI Research lançou o QVAC BotPsy-0.8B em 11 de novembro de 2026, introduzindo um modelo de IA com 800 milhões de parâmetros projetado para chamada de ferramentas e automação de tarefas em múltiplos passos.
-
BotPsy superou o modelo maior Qwen3.5-2B em cinco dos seis benchmarks agênticos nas avaliações da Tether, demonstrando vantagens em tarefas especializadas de IA.
-
O modelo utiliza ajuste supervisionado, distilação de conhecimento e aprendizado por reforço para melhorar o seguimento de instruções, chamadas de funções e execução de tarefas.
-
BotPsy oferece suporte à implantação local de IA por meio de formatos de modelo baixáveis e quantizados, potencialmente reduzindo a dependência de infraestrutura centralizada em nuvem.
-
Apesar de seu desempenho de referência, o BotPsy apresenta limitações em raciocínio complexo, tarefas multilíngues, recuperação de informações e aplicações sensíveis à segurança.
-
A iniciativa mais ampla QVAC da Tether visa expandir capacidades de IA descentralizadas e focadas em privacidade, embora a adoção comercial e a confiabilidade no mundo real permaneçam incertas.
O que é o modelo de IA BotPsy da Tether e como ele funciona?
O modelo de IA BotPsy da Tether, oficialmente denominado QVAC BotPsy-0.8B, é um sistema de inteligência artificial de pesos abertos projetado para realizar tarefas cotidianas por meio de chamadas de ferramentas e automação em múltiplos passos. Anunciado pela Tether AI Research em 11 de novembro de 2026, o modelo possui 800 milhões de parâmetros e se baseia na arquitetura Qwen3.5-0.8B da Alibaba. Ao contrário dos chatbots convencionais que geram principalmente respostas em texto, o BotPsy foi projetado para interagir com aplicativos, executar comandos e concluir tarefas envolvendo calendários, e-mails, arquivos e configurações de dispositivos. Nas avaliações publicadas pela Tether, o BotPsy superou o modelo maior Qwen3.5-2B em cinco dos seis benchmarks agênticos, destacando o potencial de modelos de IA pequenos e especializados para implantação local.
Como o BotPsy usa a chamada de ferramentas de IA para concluir tarefas cotidianas
BotPsy opera por meio de um processo conhecido como chamada de ferramentas de IA, que permite a um modelo de linguagem selecionar e solicitar ações de aplicativos de software em vez de simplesmente responder perguntas. Quando um usuário pede a um assistente para agendar uma reunião, por exemplo, o BotPsy pode identificar a função de calendário apropriada, gerar os argumentos necessários e interpretar os resultados retornados pela aplicação. Solicitações mais complexas podem envolver várias ações conectadas, como verificar disponibilidade, resolver conflitos de agendamento, atualizar compromissos e criar lembretes. O modelo também pode trabalhar com funções suportadas para mensagens, gerenciamento de documentos, buscas na web e controles de dispositivos. Capacidades semelhantes baseadas em ferramentas estão sendo exploradas através de AI agents in crypto, embora as aplicações documentadas do BotPsy se concentrem em tarefas gerais de software em vez de transações na blockchain. No entanto, a aplicação hospedeira deve fornecer as ferramentas, permissões e ambiente de execução antes que o BotPsy possa realizar essas ações.
Uma característica distintiva é a capacidade do BotPsy de responder quando uma ação tentada falha. Em uma avaliação ACEBench descrita pela Tether, o modelo foi solicitado a enviar um lembrete de reunião, mas enfrentou dois problemas: o Wi-Fi estava desativado e a caixa de entrada de mensagens estava cheia. Em vez de tentar repetidamente a operação falha, o BotPsy ativou o Wi-Fi, liberou espaço na caixa de entrada e concluiu a tarefa de envio da mensagem. O modelo subjacente Qwen3.5-0.8B continuou a tentar sem sucesso no mesmo cenário. Este exemplo ilustra por que o raciocínio em múltiplos passos e a recuperação de erros são importantes para agentes de IA que interagem com aplicações. No entanto, o comportamento demonstrado provém de um benchmark controlado e não estabelece desempenho confiável em todas as aplicações do mundo real.
Arquitetura do BotPsy Qwen3.5 e capacidades de IA em dispositivo
BotPsy utiliza o Qwen3.5-0.8B da Alibaba como base, mantendo uma arquitetura compacta enquanto especializa seu comportamento para fluxos de trabalho agênticos. Seu tamanho de 800 milhões de parâmetros reduz os requisitos de memória associados ao armazenamento dos pesos do modelo em comparação com modelos de linguagem substancialmente maiores, tornando-o adequado para exploração em smartphones, laptops e computadores pessoais. A Tether lançou os pesos do modelo por meio do Hugging Face sob a licença Apache 2.0, permitindo que desenvolvedores integrem o modelo em aplicações compatíveis. Versões quantizadas GGUF também estão disponíveis, incluindo um arquivo de modelo Q4_K_M de aproximadamente 0,53 GB. Esses formatos menores podem reduzir as demandas de armazenamento e memória, embora a velocidade real de inferência e a compatibilidade com hardware dependam do dispositivo e da configuração de software.
O lançamento também suporta a iniciativa mais ampla da Tether QVAC (QuantumVerse Automatic Computer), que se concentra no desenvolvimento de sistemas de IA especializados que podem operar em hardware controlado pelo usuário. A inferência local pode reduzir a necessidade de transmitir solicitações do usuário a provedores de IA centralizados, potencialmente dando aos indivíduos maior controle sobre informações sensíveis e dados de aplicativos. No entanto, funções externas como pesquisas na web, mensagens e reservas online ainda podem exigir conexões de rede e acesso a serviços de terceiros. O BotPsy é atualmente distribuído como um modelo voltado para desenvolvedores, e não como um assistente consumidor completo, e a visão de longo prazo da Tether inclui conectar smartphones, computadores pessoais e infraestrutura confiável ponto a ponto. Seu significado prático reside na demonstração de como modelos de IA compactos e focados em tarefas poderiam suportar assistentes pessoais mais capazes sem depender totalmente de grandes modelos de linguagem hospedados na nuvem.
Tether BotPsy vs Qwen3.5-2B: Resultados do Benchmark e Comparação de Desempenho
O modelo BotPsy da Tether demonstrou desempenho superior ao do maior Qwen3.5-2B-Think da Alibaba em cinco dos seis benchmarks agênticos publicados em 11 de novembro de 2026. Apesar de possuir apenas 800 milhões de parâmetros em comparação com os 2 bilhões do Qwen, o BotPsy obteve pontuações mais altas em chamadas de função, execução de tarefas em múltiplos passos e resolução de problemas baseada em ferramentas. Segundo a avaliação técnica da Tether AI Research, o BotPsy registrou uma pontuação média não ponderada de 45,0, em comparação com 38,8 para o Qwen3.5-2B-Think e 24,7 para seu modelo subjacente Qwen3.5-0.8B. Esses resultados demonstram os potenciais benefícios do treinamento especializado de IA, embora a comparação reflita benchmarks selecionados e não as capacidades gerais de inteligência artificial.
Pontuações do Benchmark BotPsy vs Qwen3.5-2B e Desempenho de Chamada de Ferramentas
BotPsy alcançou seus melhores resultados em testes que medem a eficácia com que agentes de IA selecionam ferramentas, executam comandos e concluem tarefas em múltiplas interações. No Berkeley Function Calling Leaderboard (BFCL v4), o BotPsy obteve 44,0, em comparação com 37,7 do Qwen3.5-2B-Think, enquanto sua pontuação no ACEBench atingiu 58,7 contra 55,4. O modelo menor também liderou no τ-bench, com 51,5 contra 46,5, e no ToolSandbox, onde registrou 64,6 contra 41,2. Os resultados do BrowseComp-Plus favoreceram o BotPsy com 4,5 contra 2,8, embora ambas as pontuações indiquem dificuldade significativa com recuperação de informações complexas. O Qwen3.5-2B-Think manteve vantagem no Claw-Eval, com 48,9 contra 46,5 do BotPsy. Em seis testes, a média do BotPsy foi aproximadamente 16% maior que a do modelo maior, com base nos dados não ponderados do benchmark da Tether.
A lacuna de desempenho foi particularmente notável em fluxos de trabalho agenciais de múltiplas etapas, que exigem que modelos de IA mantenham contexto, interpretem condições em mudança e coordenem ações sucessivas. Na avaliação de múltiplas etapas do BFCL v4, o BotPsy obteve 46,1, em comparação com 23,8 para o Qwen3.5-2B-Think e apenas 7,5 para seu modelo base original de 0,8B. Nas tarefas de telecomunicações do τ²-bench, o BotPsy alcançou 82,5 contra os 69,3 do modelo Qwen maior, sugerindo melhor desempenho em interações simuladas de suporte ao cliente envolvendo solução de problemas e restrições de políticas. O BotPsy também obteve 86,1 nos testes focados em alucinações do BFCL, que avaliam se um modelo evita chamadas de função inadequadas quando nenhuma ferramenta adequada está disponível. Esses resultados sugerem que o pós-treinamento especializado pode melhorar as decisões de um agente de IA sobre quando e como usar ferramentas de software, embora o sucesso nos benchmarks não garanta a mesma confiabilidade em ambientes do mundo real não restritos.
Onde o Qwen3.5-2B se destaca e por que a metodologia de avaliação é importante
Apesar da vantagem do BotPsy em benchmarks de uso de ferramentas selecionadas, o Qwen3.5-2B-Think permanece substancialmente mais forte em avaliações de conhecimento mais amplas. Nas avaliações da Tether, o modelo maior obteve 59,9 no GPQA Diamond, em comparação com os 38,1 do BotPsy, e alcançou 65,5 no MMLU-Pro contra 48,9. Esses testes examinam raciocínio intensivo em conhecimento e respostas a perguntas complexas, demonstrando que o treinamento especializado de agentes não elimina as vantagens da capacidade adicional do modelo.
Outra consideração importante é a diferença entre metodologias de avaliação. A Tether relatou uma pontuação BFCL v4 de 37,7 para o Qwen3.5-2B-Think, enquanto a documentação oficial do modelo Qwen3.5-2B da Alibaba lista 43,6 sob sua própria configuração de teste. Diferentes parâmetros de amostragem, métodos de prompt e procedimentos de avaliação podem afetar os resultados dos benchmarks, o que significa que pontuações geradas sob condições distintas não devem ser comparadas como medidas equivalentes. A pontuação BotPsy relatada pela Tether de 44,0, portanto, não deve ser tratada como uma vitória diretamente estabelecida sobre os 43,6 relatados separadamente pela Alibaba. A implicação mais ampla é que o treinamento focado pode ajudar modelos de IA menores a superar alternativas maiores em tarefas específicas, enquanto o desempenho geral continua a depender da carga de trabalho, das condições de avaliação e das capacidades do modelo sendo medido.
Como a Tether treinou o BotPsy para chamadas de ferramentas de IA e aplicações em dispositivo
A Tether AI Research desenvolveu o BotPsy por meio de um processo de pós-treinamento em quatro etapas projetado para melhorar a chamada de ferramentas de IA, o seguimento de instruções e a eficiência de raciocínio sem aumentar o número de parâmetros do modelo. Detalhado em seu relatório técnico de 11 de novembro de 2026, o pipeline de treinamento combina fine-tuning supervisionado, distilação de conhecimento com múltiplos professores e duas rodadas de aprendizado por reforço. Essa abordagem foca em ajudar modelos de IA compactos a executar comandos estruturados enquanto mantêm capacidades gerais úteis. O desenvolvimento também apoia a iniciativa mais ampla QVAC da Tether, que visa reduzir a dependência de infraestrutura de IA centralizada por meio de modelos especializados operando em dispositivos pessoais.
Como o Afinamento Supervisionado, a Distilação de Conhecimento e o Aprendizado por Reforço Melhoraram o BotPsy
A primeira etapa de treinamento envolveu o ajuste supervisionado (SFT) usando exemplos de interações bem-sucedidas com ferramentas, incluindo comandos individuais, chamadas de função paralelas, operações em múltiplos passos e situações nas quais um assistente de IA deve evitar ações desnecessárias. A Tether aplicou então a distilação on-policy com múltiplos professores, permitindo que o BotPsy aprendesse com três modelos professores especializados Qwen3.5-4B treinados para uso de ferramentas, raciocínio geral e seguimento de instruções. Durante esse processo, o modelo menor gerava suas próprias respostas enquanto o professor apropriado fornecia feedback ao nível de tokens. Isso ajudou a resolver um desafio comum no desenvolvimento de IA especializada: melhorar o desempenho em tarefas específicas sem enfraquecer excessivamente as capacidades mais amplas de raciocínio e conhecimento. O relatório técnico da Tether indica que a etapa de distilação recuperou capacidades gerais que haviam se deteriorado durante o ajuste inicial.
As duas últimas etapas utilizaram aprendizado por reforço baseado no DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization), com recompensas determinadas por regras pré-definidas e verificação automatizada. A primeira rodada enfatizou a chamada precisa de funções, incluindo se o BotPsy selecionou a ferramenta correta, forneceu argumentos válidos e seguiu o formato de saída exigido. Em vez de tratar todas as respostas incorretas igualmente, o mecanismo de recompensa concedeu crédito parcial por correspondência de nomes de ferramentas e valores de argumentos, fornecendo ao modelo feedback mais detalhado sobre os erros. A segunda rodada expandiu o treinamento para matemática, programação, perguntas de conhecimento, saídas estruturadas e tarefas simuladas de ambiente profissional. Essa abordagem mais ampla ajudou a equilibrar o comportamento especializado do agente com a capacidade geral de raciocínio. Segundo as avaliações da Tether, a pontuação de seguimento de instruções IFEval do BotPsy aumentou de 59,7 para o modelo base para 90,8 após o treinamento, embora esses ainda sejam resultados de referência relatados pelos desenvolvedores.
Eficiência de IA em Dispositivo, Oportunidades de Implantação e Desenvolvimento Futuro do QVAC
Um resultado significativo do treinamento do BotPsy é a redução relatada no raciocínio desnecessário, o que pode melhorar a eficiência das respostas em dispositivos com recursos computacionais limitados. Nas perguntas GPQA Diamond respondidas corretamente por todos os cinco modelos na comparação da Tether, o BotPsy gerou uma média de 3.690 tokens de raciocínio, em comparação com 11.563 para o modelo Qwen subjacente, representando uma redução de aproximadamente 68%. Sua taxa de raciocínio repetitivo no IFBench também diminuiu de 22,9% para 1,4%. Gerar menos tokens pode reduzir o trabalho computacional e potencialmente melhorar a latência, embora a empresa não tenha estabelecido ganhos de desempenho equivalentes em smartphones consumidores. As avaliações GGUF publicadas pela Tether, realizadas em 6 a 7 de novembro de 2026 usando hardware NVIDIA H100, fornecem evidências sobre o desempenho de modelos comprimidos, e não sobre a velocidade em dispositivos móveis cotidianos. Para desenvolvedores, essas melhorias de eficiência criam oportunidades para explorar assistentes de IA locais que dependem menos de inferência na nuvem, preços de API externa e conectividade contínua à internet.
BotPsy também representa um passo adicional na expansão da Tether na infraestrutura descentralizada de IA, seguindo o lançamento do seu SDK QVAC em 9 de abril de 2026. Os planos futuros de desenvolvimento da empresa incluem personalização local mais aprofundada por meio do QVAC Fabric, capacidades de busca ponto a ponto criptografadas por meio do Hypersearch e delegação de tarefas entre smartphones, computadores domésticos e nós confiáveis da rede. Esses desenvolvimentos poderão, eventualmente, suportar aplicações que combinam modelos de linguagem compactos com sistemas especializados de fala, visão e tradução. No entanto, a Tether não estabeleceu uma agenda confirmada de lançamento comercial para um assistente BotPsy totalmente integrado, nem divulgou previsões de receita ou benefícios financeiros mensuráveis provenientes do modelo. As implicações potenciais no mercado incluem maior competição no software de edge AI, menor dependência de provedores centralizados de inferência e novas oportunidades para desenvolvedores criando aplicações focadas em privacidade. Se essas vantagens se traduzirem em adoção em larga escala dependerá da verificação independente de desempenho, compatibilidade com hardware, controles de segurança e a confiabilidade prática das integrações futuras do QVAC.
Limitações do Tether BotPsy, Riscos de Segurança e Perspectivas Futuras para a QVAC AI
Apesar de seu desempenho forte em benchmarks selecionados de agentes de IA, o BotPsy-0.8B da Tether enfrenta limitações importantes relacionadas à execução de tarefas complexas, recuperação de informações, segurança e confiabilidade no mundo real. O modelo foi projetado principalmente para tarefas de baixa a média dificuldade, tornando-o menos adequado para fluxos de trabalho exigentes que requerem raciocínio extensivo, informações sensíveis ou tomada de decisão autônoma. O relatório de pesquisa da Tether de 11 de novembro de 2026 reconhece essas fraquezas enquanto detalha planos para expandir seu ecossistema QVAC. O significado de longo prazo do modelo dependerá de se suas vantagens de eficiência se traduzirem em aplicações confiáveis em dispositivos consumidores.
Limitações em Tarefas Complexas de IA e Desempenho Multilíngue
O desempenho do BotPsy diminui à medida que as tarefas se tornam mais complexas, especialmente quando várias ferramentas, instruções ou fontes de informação precisam ser coordenadas. Nas avaliações de nível de aplicativo da Tether, o modelo obteve uma pontuação geral de 75 em cenários simples com uma única ferramenta, mas apenas 39,5 em fluxos de trabalho complexos. A recuperação de informações em múltiplos passos foi particularmente desafiadora, produzindo uma pontuação de apenas 15 em comparação com 79 para tarefas de recuperação mais simples. Seu desempenho na seguir instruções também enfraqueceu ao longo de conversas mais longas, enquanto os testes multilíngues mostraram resultados substancialmente mais baixos em hindi em comparação com inglês e vários outros idiomas suportados. Esses resultados sugerem que aplicações práticas podem exigir limites de complexidade das tarefas, mecanismos de fallback e supervisão humana, em vez de automação irrestrita.
Vulnerabilidades de Segurança e Desafios de Privacidade para Agentes de IA
A segurança continua sendo um grande obstáculo para assistentes de IA autônomos, pois modelos de chamada de ferramentas podem interagir com informações externas e potencialmente realizar ações consequential. Nas avaliações automatizadas de segurança da Tether, o BotPsy gerou respostas inseguras em 21% dos testes de solicitações prejudiciais e 31% dos testes de injeção de prompt, demonstrando que o treinamento especializado não eliminou vulnerabilidades de segurança. A injeção de prompt é especialmente preocupante quando um agente de IA interpreta instruções maliciosas incorporadas em e-mails, páginas da web ou outro material não confiável como comandos legítimos. Embora o processamento local possa limitar a dependência da infraestrutura em nuvem, ele não impede automaticamente ações não autorizadas de ferramentas, exposição de dados ou integrações comprometidas. Implantações em produção exigiriam controles de permissão, acesso restrito a ferramentas, manipulação segura de credenciais e confirmação do usuário antes de operações sensíveis. A Tether aconselha explicitamente contra o uso do BotPsy para decisões financeiras, médicas ou outras sensíveis de alto risco.
Desenvolvimento Futuro do QVAC AI e Implicações Potenciais no Mercado
A estratégia de QVAC de longo prazo da Tether envolve a expansão das capacidades locais de IA por meio de tecnologias como o QVAC Fabric, que suporta a personalização de modelos baseados em dispositivos, e o Hypersearch, destinado a fortalecer a recuperação descentralizada de informações. O desenvolvimento futuro também prevê a coordenação entre smartphones, computadores pessoais e recursos de computação confiáveis ponto a ponto, potencialmente permitindo que dispositivos menores deleguem cargas de trabalho exigentes sem depender exclusivamente de serviços de IA centralizados. Essas capacidades poderiam criar oportunidades para software de produtividade focado em privacidade, automação empresarial e desenvolvedores em busca de alternativas à inferência baseada em nuvem. A convergência mais ampla entre IA e cripto também está gerando interesse em computação descentralizada e modelos de negócios digitais alternativos, embora o BotPsy não tenha anunciado integração de token. No entanto, a Tether não anunciou uma linha do tempo confirmada para um assistente consumidor BotPsy totalmente integrado nem divulgou projeções de receita vinculadas à sua adoção. O progresso futuro dependerá de avaliações independentes, desempenho de hardware móvel, integração segura de software, participação de desenvolvedores e a capacidade de manter a confiabilidade à medida que os fluxos de trabalho de agentes se tornam mais complexos.
Conclusão
O BotPsy-0.8B da Tether demonstra como o treinamento especializado pode ajudar modelos de IA menores a competir com alternativas maiores em chamadas de ferramentas, seguimento de instruções e automação em múltiplos passos. Suas vitórias relatadas em cinco dos seis benchmarks agênticos destacam o progresso no desenvolvimento eficiente de IA, enquanto sua arquitetura compacta apoia as ambições mais amplas da Tether para inteligência artificial em dispositivos locais e descentralizada. No entanto, as conquistas do BotPsy nos benchmarks não estabelecem superioridade em todas as tarefas de IA nem garantem confiabilidade no mundo real. Vulnerabilidades de segurança, limitações em fluxos de trabalho complexos e a ausência de desempenho verificado independentemente em dispositivos de consumo permanecem desafios importantes. À medida que a Tether continua desenvolvendo seu ecossistema QVAC, o significado de longo prazo do modelo dependerá de se essas vantagens experimentais se traduzirem em aplicações de IA seguras, práticas e amplamente utilizáveis.
Perguntas frequentes
Onde os usuários podem baixar o modelo de IA BotPsy da Tether?
O BotPsy-0.8B da Tether está disponível publicamente através do Hugging Face nos formatos padrão de pesos do modelo e GGUF. Desenvolvedores podem baixar o modelo, revisar sua documentação e integrá-lo em aplicações de IA locais compatíveis sem depender de uma API de modelo proprietária.
O Tether BotPsy é gratuito para uso em projetos comerciais?
BotPsy é lançado sob a licença Apache 2.0, que geralmente permite uso comercial, modificação e redistribuição, sujeito às condições da licença. Os desenvolvedores permanecem responsáveis por cumprir as licenças de terceiros aplicáveis, requisitos de proteção de dados e outras leis relevantes.
Qual software suporta a execução do BotPsy localmente?
BotPsy oferece suporte a frameworks comuns de inferência de IA, incluindo Hugging Face Transformers, llama.cpp, vLLM e implantações GGUF compatíveis com Ollama. Os desenvolvedores devem configurar o runtime e as integrações de ferramentas apropriadas, enquanto o desempenho depende do hardware disponível e das configurações do modelo.
Quanto de armazenamento e memória o BotPsy requer?
Os arquivos BotPsy GGUF publicados variam de aproximadamente 0,53 GB a 1,52 GB, dependendo da precisão. No entanto, esses são tamanhos de arquivo do modelo, e não requisitos totais de RAM. O consumo real de memória também depende do mecanismo de inferência, comprimento do contexto e sobrecarga em tempo de execução.
O BotPsy requer conexão à internet para funcionar?
O BotPsy pode gerar respostas localmente sem uma conexão contínua à internet após a instalação do modelo e do software necessário. No entanto, operações que envolvem buscas online, aplicações em nuvem ou serviços remotos ainda exigem acesso à rede. A inferência offline não torna automaticamente todos os fluxos conectados offline.
Isenção de responsabilidade: Esta informação geral de mercado, possivelmente proveniente de fontes terceirizadas, comerciais ou patrocinadas, é fornecida apenas para referência e fins educacionais e não constitui aconselhamento financeiro ou de investimento, oferta, solicitação ou garantia. Renunciamos à responsabilidade por sua precisão, completude, confiabilidade e quaisquer perdas decorrentes. Investimentos/operações envolvem riscos; desempenho passado não garante resultados futuros. Os usuários devem pesquisar, julgar com prudência e assumir total responsabilidade. Para mais detalhes, consulte os Termos de Uso e a Divulgação de Riscos da KuCoin.
Aviso legal: Esta página foi traduzida usando tecnologia de IA para sua conveniência. Para informações mais precisas, consulte a versão original em inglês.
