Tether представила BotPsy в среду как ИИ-агент для повседневных задач на персональных устройствах. Модель содержит 800 миллионов параметров. Тесты Tether показали, что BotPsy превзошла конкурирующие модели, содержащие до 2,5 раз больше параметров. BotPsy показала наилучшие результаты в пяти из шести оценок использования инструментов, включающих пять моделей. Эти результаты свидетельствуют о том, что ИИ-ассистентам не обязательно требуются очень крупные модели для выполнения практических задач.
BotPsy может выполнять многошаговые операции, включающие настройки телефона, сообщения и планирование, потенциально без передачи личной информации на облачные серверы. Агент определяет, какие программные инструменты требуются для задачи, последовательно выполняет команды и адаптируется при сбое операции. Tether описал тест сообщений, в котором BotPsy столкнулся с отключенным Wi-Fi и переполненным ящиком входящих. Tether сообщил, что BotPsy включил Wi-Fi, освободил достаточное количество хранилища и отправил сообщение. В то время как базовая модель продолжала повторять неудачную операцию.
Tether создал BotPsy на архитектуре Alibaba Qwen3.5-0.8B и провел дополнительное обучение, сосредоточенное на взаимодействии с программными инструментами. Параметры — это числовые значения, обученные в процессе обучения, и модели с меньшим количеством параметров, как правило, требуют меньше памяти. Более высокое количество параметров обычно улучшает производительность, а современные передовые ИИ-модели содержат триллионы параметров.
Техническая документация Tether присваивает BotPsy оценку 44,0% по BFCL v4. BFCL v4 оценивает выбор и выполнение функций в рамках задач и диалогов, используя взвешенный процент успешности по категориям использования инструментов. Базовая модель Qwen3.5-0.8B показала результат 23,4% на этом тесте. Более крупная модель Qwen3.5-2B достигла 37,7%.
BotPsy показал результат 58,7% на ACEBench, который измеряет точность вызова функций, включая выбор инструментов и аргументы, передаваемые инструментам. Базовая модель показала 30,1% на ACEBench. Конкурент с 2 миллиардами параметров достиг 55,4%. Средний результат BotPsy по шести оценкам Tether составил 45,0%. Более крупная модель Qwen в среднем показала 38,8% по этим оценкам.
BotPsy расширяет QVAC — экосистему ИИ, которую Tether разрабатывает вокруг устройств, контролируемых пользователями, а не полной зависимости от централизованной облачной инфраструктуры. Tether, компания, стоящая за USDT — крупнейшим в мире стейблкоином, уже имеет локальные модели QVAC для медицинских применений, перевода и обработки речи. Tether представила QVAC в мае 2025 года как альтернативу сервисам ИИ от крупных технологических компаний. Долгосрочные цели Tether включают автономные агенты, способные использовать приложения и потенциально совершать платежи с использованием Bitcoin и USDT.
Tether добавила научный и инженерный обучающий набор данных, содержащий 41 миллиард токенов, в октябре 2025 года. Tether также представила QVAC Workbench — приложение для запуска ИИ-моделей локально. В начале этого года Tether выпустила набор инструментов разработчика для создания офлайн-ИИ-приложений на мобильных и настольных операционных системах. Tether также разработала QVAC MedPsy для медицинских ИИ-задач на потребительском оборудовании. Версия MedPsy с 1,7 миллиарда параметров превзошла более крупную модель MedGemma-27B от Google на HealthBench Hard, который оценивает реалистичные клинические диалоги по критериям, разработанным врачами.
BotPsy теперь доступен как модель с открытыми весами, лицензированная под Apache 2.0, что позволяет разработчикам загружать, изменять и интегрировать модель в приложения. Tether также предоставила сжатые версии для снижения требований к памяти при локальном использовании. Tether не объявила дату запуска готового потребительского помощника на основе BotPsy. Опубликованная карта модели указывает, что выпуск не включает код обучения и обучающие данные.