Модель BotPsy AI от Tether превзошла более крупные модели в тестах: что нужно знать

Модель BotPsy AI от Tether превзошла более крупные модели в тестах: что нужно знать

Пользовательское изображение
Tether, эмитент стейблкоина USDT, расширила свои исследования в области искусственного интеллекта с запуском QVAC BotPsy-0.8B — компактной модели ИИ, которая, по сообщениям, превзошла более крупные конкуренты в нескольких агентных тестах. Анонсированная 11 ноября 2026 года, модель с 800 миллионами параметров превзошла Qwen3.5-2B от Alibaba в пяти из шести выбранных тестов, согласно оценкам Tether. Результаты подчеркивают растущий интерес к меньшим, специализированным системам ИИ, способным выполнять программные команды и обрабатывать многошаговые задачи. Однако остаются вопросы относительно сопоставимости тестов, надежности в реальных условиях и безопасности. Понимание архитектуры BotPsy, методов обучения, результатов производительности и связи с более широкой стратегией QVAC Tether позволяет лучше оценить его потенциальное значение.

Основные выводы

  • Tether AI Research запустила QVAC BotPsy-0.8B 11 ноября 2026 года, представив искусственный интеллект с 800 миллионами параметров, предназначенный для вызова инструментов и автоматизации многошаговых задач.
  • BotPsy превзошла более крупную модель Qwen3.5-2B в пяти из шести агентных тестов в оценках Tether, продемонстрировав преимущества в специализированных задачах ИИ.
  • Модель использует супервизированную дообучение, дистилляцию знаний и обучение с подкреплением для улучшения выполнения инструкций, вызова функций и выполнения задач.
  • BotPsy поддерживает локальное развертывание ИИ через скачиваемые, квантованные форматы моделей, что потенциально снижает зависимость от централизованной облачной инфраструктуры.
  • Несмотря на свои показатели в качестве эталона, BotPsy сталкивается с ограничениями в сложных рассуждениях, многоязычных задачах, извлечении информации и приложениях, требующих высокой безопасности.
  • Более широкая инициатива QVAC Tether направлена на расширение децентрализованных, ориентированных на конфиденциальность возможностей ИИ, хотя коммерческое внедрение и реальная надежность остаются неопределенными.

Что такое модель BotPsy AI Tether и как она работает?

Искусственный интеллект BotPsy от Tether, официально названный QVAC BotPsy-0.8B, — это система с открытыми весами, предназначенная для выполнения повседневных задач через вызов инструментов и многошаговую автоматизацию. Анонсировано Tether AI Research 11 ноября 2026 года. Модель содержит 800 миллионов параметров и основана на архитектуре Qwen3.5-0.8B от Alibaba. В отличие от традиционных чат-ботов, которые в основном генерируют текстовые ответы, BotPsy предназначен для взаимодействия с приложениями, выполнения команд и выполнения задач, связанных с календарями, электронной почтой, файлами и настройками устройств. В опубликованных Tether оценках BotPsy превзошел более крупную модель Qwen3.5-2B по пяти из шести агентных тестов, что подчеркивает потенциал специализированных небольших моделей ИИ для локального развертывания.

Как BotPsy использует вызовы AI-инструментов для выполнения повседневных задач

BotPsy работает через процесс, известный как вызов инструментов ИИ, который позволяет языковой модели выбирать и запрашивать действия у программных приложений, а не просто отвечать на вопросы. Например, когда пользователь просит помощника назначить встречу, BotPsy может определить соответствующую функцию календаря, сгенерировать необходимые аргументы и интерпретировать результаты, возвращенные приложением. Более сложные запросы могут включать несколько связанных действий, таких как проверка доступности, устранение конфликтов расписания, обновление встреч и создание напоминаний. Модель также может работать с поддерживаемыми функциями для обмена сообщениями, управления документами, веб-поиска и управления устройствами. Аналогичные возможности на основе инструментов исследуются через AI agents in crypto, хотя задокументированные приложения BotPsy сосредоточены на общих задачах программного обеспечения, а не на блокчейн-транзакциях. Однако хост-приложение должно предоставить инструменты, разрешения и среду выполнения до того, как BotPsy сможет выполнить эти действия.
 
Отличительной особенностью является способность BotPsy реагировать при неудачной попытке выполнения действия. В оценке ACEBench, описанной Tether, модели было предложено отправить напоминание о встрече, но возникли две проблемы: Wi-Fi был отключен, а почтовый ящик был полон. Вместо того чтобы многократно повторять неудачную операцию, BotPsy включил Wi-Fi, освободил место в почтовом ящике и завершил отправку сообщения. При этом базовая модель Qwen3.5-0.8B продолжала безуспешно повторять попытки в той же ситуации. Этот пример демонстрирует, почему многоэтапные рассуждения и восстановление после ошибок важны для ИИ-агентов, взаимодействующих с приложениями. Тем не менее, продемонстрированное поведение получено в рамках контролируемого бенчмарка и не гарантирует надежную работу во всех реальных приложениях.

Архитектура BotPsy’s Qwen3.5 и возможности ИИ на устройстве

BotPsy использует Alibaba Qwen3.5-0.8B в качестве основы, сохраняя компактную архитектуру и специализируя поведение для агентных рабочих процессов. Размер модели в 800 миллионов параметров снижает требования к памяти, связанные с хранением весов модели, по сравнению с значительно более крупными языковыми моделями, что делает её подходящей для развертывания на смартфонах, ноутбуках и персональных компьютерах. Tether выпустила веса модели через Hugging Face по лицензии Apache 2.0, позволяя разработчикам интегрировать модель в совместимые приложения. Также доступны квантованные версии GGUF, включая файл модели Q4_K_M размером около 0,53 ГБ. Эти более компактные форматы могут снизить требования к хранилищу и памяти, хотя фактическая скорость вывода и совместимость с оборудованием зависят от устройства и программной конфигурации.
 
Релиз также поддерживает более широкую инициативу Tether по QVAC (QuantumVerse Automatic Computer), направленную на разработку специализированных ИИ-систем, способных работать на оборудовании, контролируемом пользователем. Локальный вывод может снизить необходимость передачи запросов пользователей централизованным провайдерам ИИ, потенциально давая пользователям больший контроль над конфиденциальной информацией и данными приложений. Однако внешние функции, такие как веб-поиск, обмен сообщениями и онлайн-бронирование, могут по-прежнему требовать подключения к сети и доступа к сторонним сервисам. BotPsy в настоящее время распространяется как модель, ориентированная на разработчиков, а не как полноценный потребительский помощник, а долгосрочная цель Tether включает интеграцию смартфонов, персональных компьютеров и надежной инфраструктуры типа «точка-точка». Его практическое значение заключается в демонстрации того, как компактные, ориентированные на задачи ИИ-модели могут поддерживать более способных персональных помощников без полной зависимости от крупных языковых моделей, размещенных в облаке.

Tether BotPsy против Qwen3.5-2B: результаты тестирования и сравнение производительности

Модель BotPsy от Tether продемонстрировала более высокую производительность, чем более крупная модель Qwen3.5-2B-Think от Alibaba, на пяти из шести агентных тестов, опубликованных 11 ноября 2026 года. Несмотря на то, что у BotPsy всего 800 миллионов параметров по сравнению с 2 миллиардами у Qwen, она показала более высокие результаты в вызове функций, выполнении многошаговых задач и решении проблем с использованием инструментов. Согласно технической оценке Tether AI Research, BotPsy показала средний балл без учета весов 45,0, в то время как у Qwen3.5-2B-Think — 38,8, а у ее базовой модели Qwen3.5-0.8B — 24,7. Эти результаты демонстрируют потенциальные преимущества специализированного обучения ИИ, хотя сравнение основано на отобранных тестах, а не на общих возможностях искусственного интеллекта.

Результаты бенчмарков BotPsy против Qwen3.5-2B и производительность вызова инструментов

BotPsy показал свои лучшие результаты в тестах, измеряющих, насколько эффективно ИИ-агенты выбирают инструменты, выполняют команды и завершают задачи в нескольких взаимодействиях. На Berkeley Function Calling Leaderboard (BFCL v4) BotPsy набрал 44,0 против 37,7 у Qwen3.5-2B-Think, а его результат на ACEBench достиг 58,7 против 55,4. Меньшая модель также лидировала на τ-bench, набрав 51,5 против 46,5, и на ToolSandbox, где она показала 64,6 против 41,2. Результаты BrowseComp-Plus также оказались в пользу BotPsy: 4,5 против 2,8, хотя оба показателя указывают на значительные трудности с сложным извлечением информации. Qwen3.5-2B-Think сохранил преимущество на Claw-Eval, набрав 48,9 против 46,5 у BotPsy. В шести тестах средний результат BotPsy был примерно на 16% выше, чем у более крупной модели, согласно не взвешенным показателям Tether.
 
Разрыв в производительности особенно заметен в многоэтапных агентных рабочих процессах, требующих от моделей ИИ поддерживать контекст, интерпретировать изменяющиеся условия и координировать последовательные действия. В многоэтапной оценке BFCL v4 BotPsy показал результат 46,1, в то время как Qwen3.5-2B-Think — 23,8, а его исходная базовая модель 0,8B — всего 7,5. В задачах τ²-bench в сфере телекоммуникаций BotPsy достиг 82,5 против 69,3 у более крупной модели Qwen, что указывает на более высокую производительность в симулированных взаимодействиях с поддержкой клиентов, включающих устранение неполадок и соблюдение политик. BotPsy также набрал 86,1 на тестах BFCL, сосредоточенных на галлюцинациях, которые оценивают, избегает ли модель неуместных вызовов функций, когда подходящего инструмента нет. Эти результаты свидетельствуют о том, что специализированная дообучение может улучшить решения ИИ-агента о том, когда и как использовать программные инструменты, хотя успех на тестах не гарантирует такой же надежности в неограниченных реальных условиях.

Где Qwen3.5-2B показывает лучшие результаты и почему методология тестирования имеет значение

Несмотря на преимущество BotPsy в тестах по использованию выбранных инструментов, Qwen3.5-2B-Think значительно превосходит его в более широких оценках знаний. В оценках Tether крупная модель показала результат 59,9 по шкале GPQA Diamond, в то время как BotPsy набрал 38,1, и достигла 65,5 на MMLU-Pro против 48,9. Эти тесты проверяют глубокое рассуждение и сложный ответ на вопросы, демонстрируя, что специализированное обучение агентов не устраняет преимущества большей емкости модели.
 
Еще одним важным соображением является различие в методологиях оценки. Tether сообщила о результате BFCL v4 37,7 для Qwen3.5-2B-Think, тогда как официальная документация модели Alibaba Qwen3.5-2B указывает 43,6 в своей конфигурации тестирования. Различные параметры выборки, методы формирования запросов и процедуры оценки могут влиять на результаты бенчмарков, поэтому показатели, полученные в разных условиях, нельзя рассматривать как эквивалентные измерения. Сообщенный Tether результат BotPsy 44,0, следовательно, не следует рассматривать как прямую победу над отдельно сообщенным Alibaba результатом 43,6. Более широкое значение заключается в том, что целенаправленное обучение может помочь меньшим моделям ИИ превзойти более крупные альтернативы в конкретных задачах, в то время как общая производительность по-прежнему зависит от рабочей нагрузки, условий оценки и возможностей модели, которые измеряются.

Как Tether обучила BotPsy для вызова AI-инструментов и приложений на устройстве

Tether AI Research разработала BotPsy с помощью четырехэтапного процесса пост-обучения, предназначенного для улучшения вызова инструментов ИИ, выполнения инструкций и эффективности рассуждений без увеличения количества параметров модели. Подробности описаны в техническом отчете от 11 ноября 2026 года: обучающий конвейер объединяет супервизированную тонкую настройку, многостадийную дистилляцию знаний от нескольких учителей и два цикла обучения с подкреплением. Этот подход направлен на помощь компактным моделям ИИ в выполнении структурированных команд при сохранении полезных общих возможностей. Разработка также поддерживает более широкую инициативу Tether QVAC, направленную на снижение зависимости от централизованной ИИ-инфраструктуры за счет специализированных моделей, работающих на персональных устройствах.

Как надзорная тонкая настройка, дистилляция знаний и обучение с подкреплением улучшили BotPsy

Первый этап обучения включал супервизированную тонкую настройку (SFT) с использованием примеров успешных взаимодействий с инструментами, включая отдельные команды, параллельные вызовы функций, многошаговые операции и ситуации, когда ИИ-ассистенту следует избегать ненужных действий. Tether затем применил многопреподавательскую он-политик дистилляцию, позволив BotPsy обучаться на трех специализированных учительских моделях Qwen3.5-4B, обученных для использования инструментов, общих рассуждений и выполнения инструкций. В процессе меньшая модель генерировала собственные ответы, а соответствующий учитель предоставлял обратную связь на уровне токенов. Это помогло решить распространенную проблему в разработке специализированных ИИ: улучшить производительность на целевых задачах без чрезмерного ослабления общих способностей рассуждения и знаний. Технический отчет Tether указывает, что этап дистилляции восстановил общие способности, которые ухудшились во время первоначальной тонкой настройки.
 
Две последние стадии использовали обучение с подкреплением на основе DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization), где награды определялись заранее заданными правилами и автоматической проверкой. Первый этап сосредоточился на точном вызове функций, включая выбор БотПсихом правильного инструмента, предоставление допустимых аргументов и соблюдение требуемого формата вывода. Вместо того чтобы одинаково наказывать все неверные ответы, механизм наград предоставлял частичный балл за совпадение названий инструментов и значений аргументов, обеспечивая модели более детальную обратную связь об ошибках. Второй этап расширил обучение до математики, программирования, вопросов по знаниям, структурированных выводов и симулированных рабочих задач. Этот более широкий подход помог сбалансировать специализированное поведение агента с общей способностью к рассуждению. По оценкам Tether, показатель выполнения инструкций IFEval у BotPsy вырос с 59,7 у базовой модели до 90,8 после обучения, хотя эти результаты остаются показателями, сообщаемыми разработчиками.

Эффективность ИИ на устройстве, возможности внедрения и будущее развития QVAC

Значимым результатом обучения BotPsy является сообщаемое снижение излишних рассуждений, что может улучшить эффективность ответов на устройствах с ограниченными вычислительными ресурсами. По вопросам GPQA Diamond, на которые все пять моделей в сравнении от Tether дали правильные ответы, BotPsy сгенерировал в среднем 3 690 токенов рассуждений, в сравнении с 11 563 у его базовой модели Qwen, что составляет снижение примерно на 68%. Его показатель повторяющихся рассуждений на IFBench также снизился с 22,9% до 1,4%. Генерация меньшего количества токенов может снизить вычислительную нагрузку и потенциально улучшить задержку, хотя компания не подтвердила эквивалентного повышения производительности на потребительских смартфонах. Опубликованные Tether оценки GGUF, проведённые 6–7 ноября 2026 года на аппаратном обеспечении NVIDIA H100, предоставляют данные о производительности сжатых моделей, а не о скорости работы на повседневных мобильных устройствах. Для разработчиков эти улучшения в эффективности открывают возможности для создания локальных ИИ-ассистентов, которые меньше зависят от облачного вывода, стоимости внешних API и постоянного подключения к интернету.
 
BotPsy также представляет собой дальнейший шаг в расширении Tether в область децентрализованной инфраструктуры ИИ после запуска её SDK QVAC 9 апреля 2026 года. Планы компании по дальнейшему развитию включают более глубокую локальную персонализацию через QVAC Fabric, зашифрованные возможности поиска в режиме «точка-точка» через Hypersearch и делегирование задач между смартфонами, домашними компьютерами и доверенными нодами сети. Эти разработки в конечном итоге могут поддерживать приложения, объединяющие компактные языковые модели со специализированными системами речи, зрения и перевода. Однако Tether не установила подтвержденного графика коммерческого запуска полностью интегрированного помощника BotPsy, а также не раскрыла прогнозы доходов или измеримые финансовые выгоды от этой модели. Потенциальные рыночные последствия включают усиление конкуренции в сегменте программного обеспечения для edge AI, снижение зависимости от централизованных провайдеров инференса и новые возможности для разработчиков, создающих приложения с акцентом на конфиденциальность. Будут ли эти преимущества приводить к широкому распространению, будет зависеть от независимой верификации производительности, совместимости с оборудованием, контроля безопасности и практической надежности будущих интеграций QVAC.

Ограничения Tether BotPsy, риски безопасности и перспективы развития QVAC AI

Несмотря на сильные результаты в выбранных тестах для ИИ-агентов, Tether's BotPsy-0.8B имеет существенные ограничения, связанные с выполнением сложных задач, извлечением информации, безопасностью и надежностью в реальных условиях. Модель в первую очередь предназначена для задач низкой и средней сложности, что делает ее менее подходящей для требовательных рабочих процессов, требующих глубокого анализа, работы с конфиденциальной информацией или автономного принятия решений. Исследовательский отчет Tether от 11 ноября 2026 года признает эти недостатки и описывает планы по расширению экосистемы QVAC. Долгосрочная значимость модели будет зависеть от того, смогут ли ее преимущества в эффективности быть реализованы в надежных приложениях на потребительских устройствах.

Ограничения в сложных задачах ИИ и многоязычной производительности

Производительность BotPsy снижается по мере усложнения задач, особенно когда необходимо координировать несколько инструментов, инструкций или источников информации. В оценках Tether на уровне приложения модель показала общий балл 75 в сценариях с простыми одиночными инструментами, но всего 39,5 в сложных рабочих процессах. Многоэтапный поиск информации оказался особенно сложным, продемонстрировав результат всего 15 по сравнению с 79 для более простых задач поиска. Ее способность следовать инструкциям также ослабла в ходе более длинных бесед, а тестирование на нескольких языках показало значительно более низкие результаты на хинди по сравнению с английским и несколькими другими поддерживаемыми языками. Эти выводы указывают на то, что практическое применение может требовать ограничений на сложность задач, механизмов резервного копирования и человеческого контроля, а не полной автоматизации.

Уязвимости безопасности и проблемы конфиденциальности для ИИ-агентов

Безопасность остается серьезным препятствием для автономных ИИ-ассистентов, поскольку модели, вызывающие инструменты, могут взаимодействовать с внешней информацией и потенциально выполнять значимые действия. В автоматизированных оценках безопасности Tether BotPsy генерировал небезопасные ответы в 21% тестов с вредоносными запросами и в 31% тестов с инъекцией запросов, что демонстрирует, что специализированное обучение не устранило уязвимости в безопасности. Инъекция запросов особенно тревожна, когда ИИ-агент интерпретирует вредоносные инструкции, встроенные в электронные письма, веб-страницы или другие ненадежные материалы, как легитимные команды. Хотя локальная обработка может снизить зависимость от облачной инфраструктуры, она не предотвращает автоматически несанкционированные действия с инструментами, раскрытие данных или скомпрометированные интеграции. Для развертывания в продакшене потребуются контроль разрешений, ограниченный доступ к инструментам, безопасная обработка учетных данных и подтверждение пользователя перед чувствительными операциями. Tether прямо рекомендует не использовать BotPsy для принятия финансовых, медицинских или других чувствительных решений.

Будущее развития QVAC AI и потенциальные рыночные последствия

Долгосрочная стратегия Tether в области QVAC включает расширение локальных возможностей ИИ с помощью таких технологий, как QVAC Fabric, поддерживающей настройку моделей на устройствах, и Hypersearch, предназначенной для усиления децентрализованного поиска информации. В будущем планируется координация между смартфонами, персональными компьютерами и надежными ресурсами вычислений типа «точка-точка», что потенциально позволит меньшим устройствам делегировать требовательные рабочие нагрузки без исключительной зависимости от централизованных сервисов ИИ. Такие возможности могут создать возможности для программного обеспечения с акцентом на конфиденциальность, корпоративной автоматизации и разработчиков, ищущих альтернативы облачному выводу. Более широкая конвергенция ИИ и криптовалюты также вызывает интерес к децентрализованным вычислениям и альтернативным цифровым бизнес-моделям, хотя BotPsy не объявила о интеграции токена. Однако Tether не объявила подтвержденных сроков для полностью интегрированного потребительского помощника BotPsy или раскрыла прогнозы доходов, связанные с его внедрением. Будущий прогресс будет зависеть от независимых оценок, производительности мобильного оборудования, безопасной интеграции программного обеспечения, участия разработчиков и способности поддерживать надежность по мере усложнения рабочих процессов агентов.

Заключение

BotPsy-0.8B от Tether демонстрирует, как специализированное обучение может помочь меньшим ИИ-моделям конкурировать с более крупными альтернативами в вызове инструментов, выполнении инструкций и многоэтапной автоматизации. Сообщаемые победы на пяти из шести агентных тестов подчеркивают прогресс в эффективной разработке ИИ, в то время как компактная архитектура поддерживает более широкие амбиции Tether в области ИИ на устройствах и децентрализованного ИИ. Тем не менее, достижения BotPsy на тестах не устанавливают превосходство во всех задачах ИИ и не гарантируют надежность в реальных условиях. Проблемы безопасности, ограничения сложных рабочих процессов и отсутствие независимо подтвержденных данных о производительности на потребительских устройствах остаются важными вызовами. По мере того как Tether продолжает развивать свою экосистему QVAC, долгосрочное значение модели будет зависеть от того, смогут ли эти экспериментальные преимущества быть преобразованы в безопасные, практичные и широко доступные ИИ-приложения.

ЧаВо

Где пользователи могут загрузить модель BotPsy AI от Tether?

Tether's BotPsy-0.8B доступен публично через Hugging Face в стандартных форматах весов модели и GGUF. Разработчики могут загрузить модель, ознакомиться с её документацией и интегрировать её в совместимые локальные приложения ИИ без использования проприетарного API модели.

Бесплатно ли использовать Tether BotPsy для коммерческих проектов?

BotPsy выпущен под лицензией Apache 2.0, которая обычно разрешает коммерческое использование, модификацию и перераспределение при соблюдении условий лицензии. Разработчики остаются ответственными за соблюдение применимых лицензий третьих сторон, требований к защите данных и других соответствующих законов.

Какое программное обеспечение поддерживает локальный запуск BotPsy?

BotPsy поддерживает распространённые фреймворки для вывода ИИ, включая Hugging Face Transformers, llama.cpp, vLLM и развертывания GGUF, совместимые с Ollama. Разработчики должны настроить соответствующую среду выполнения и интеграции инструментов, а производительность зависит от доступного аппаратного обеспечения и настроек модели.

Сколько хранилища и памяти требует BotPsy?

Опубликованные файлы BotPsy GGUF имеют размер от примерно 0,53 ГБ до 1,52 ГБ в зависимости от точности. Однако это размеры файлов модели, а не общие требования к оперативной памяти. Реальное потребление памяти также зависит от движка вывода, длины контекста и накладных расходов во время выполнения.

Требует ли BotPsy подключение к интернету для работы?

BotPsy может генерировать ответы локально без постоянного подключения к интернету после установки модели и необходимого программного обеспечения. Однако операции, требующие онлайн-поиска, облачных приложений или удалённых сервисов, по-прежнему требуют доступа к сети. Оффлайн-вывод не делает автоматически все связанные рабочие процессы оффлайн-доступными.
 
Отказ от ответственности: Данная общая информация о рынке, возможно, из сторонних, коммерческих или спонсируемых источников, предоставлена исключительно в справочных и образовательных целях и не является финансовой или инвестиционной консультацией, предложением, запросом или гарантией. Мы не несем ответственности за ее точность, полноту, надежность и любые возникшие потери. Инвестиции/торговля сопряжены с рисками; прошлые результаты не гарантируют будущих. Пользователи должны проводить собственное исследование, принимать взвешенные решения и нести полную ответственность. Для получения дополнительной информации ознакомьтесь с Условиями использования и Раскрытием рисков KuCoin.

Отказ от ответственности: Эта страница была переведена для вашего удобства с использованием технологии искусственного интеллекта. Для получения наиболее точной информации обратитесь к оригинальной английской версии.