Модель BotPsy AI Tether перевершила більші моделі у тестах: що варто знати

Tether, випускник стейблкоїну USDT, розширила свої дослідження в галузі штучного інтелекту з запуском QVAC BotPsy-0.8B — компактної моделі ШІ, яка, за повідомленнями, перевершила більші конкуренти в кількох агентних тестах. Оголошено 11 листопада 2026 року, модель з 800 мільйонами параметрів перевершила Alibaba’s Qwen3.5-2B у п’яти з шести вибраних тестів, за оцінками Tether. Результати підкреслюють зростаючий інтерес до менших, спеціалізованих систем ШІ, здатних виконувати команди програмного забезпечення та вирішувати багатокрокові завдання. Однак залишаються питання щодо порівнянності тестів, надійності в реальних умовах та безпеки. Розуміння архітектури BotPsy, методів навчання, результатів продуктивності та зв’язку з загальною стратегією QVAC Tether дає більш чітке уявлення про його потенційне значення.
Основні висновки
-
Tether AI Research запустила QVAC BotPsy-0.8B 11 листопада 2026 року, представивши AI-модель з 800 мільйонами параметрів, розроблену для виклику інструментів та автоматизації багатокрокових завдань.
-
BotPsy перевершив більшу модель Qwen3.5-2B на п’яти з шести агентних тестів у оцінках Tether, продемонструвавши переваги у спеціалізованих завданнях штучного інтелекту.
-
Модель використовує надзорне доналаштування, дистиляцію знань та підсилення навчання для покращення виконання інструкцій, викликів функцій та завдань.
-
BotPsy підтримує локальне розгортання ШІ за допомогою завантажуваних, квантованих форматів моделей, що може зменшити залежність від централізованої хмарної інфраструктури.
-
Незважаючи на свої показники еталонної продуктивності, BotPsy має обмеження у складному міркуванні, багатомовних завданнях, пошуку інформації та застосунках, що вимагають високої безпеки.
-
Ширша ініціатива QVAC Tether спрямована на розширення децентралізованих, орієнтованих на конфіденційність можливостей штучного інтелекту, хоча комерційне впровадження та реальна надійність залишаються невизначеними.
Що таке модель BotPsy AI Tether і як вона працює?
Модель BotPsy AI від Tether, офіційно названа QVAC BotPsy-0.8B, — це відкрита штучна інтелектуальна система, розроблена для виконання повсякденних завдань шляхом виклику інструментів та багатокрокової автоматизації. Модель була оголошена Tether AI Research 11 листопада 2026 року і містить 800 мільйонів параметрів, базуючись на архітектурі Alibaba Qwen3.5-0.8B. На відміну від традиційних чат-ботів, які переважно генерують текстові відповіді, BotPsy призначена для взаємодії з додатками, виконання команд та вирішення завдань, пов’язаних з календарями, електронною поштою, файлами та налаштуваннями пристроїв. У опублікованих Tether оцінках BotPsy перевершила більшу модель Qwen3.5-2B у п’яти з шести агентних тестах, що підкреслює потенціал спеціалізованих малих моделей ШІ для локального розгортання.
Як BotPsy використовує виклик інструментів ШІ для виконання повсякденних завдань
BotPsy працює через процес, відомий як виклик інструментів ШІ, що дозволяє мовній моделі вибирати та запитувати дії з програмних застосунків, а не просто відповідати на запитання. Наприклад, коли користувач просить асистента записатися на зустріч, BotPsy може визначити відповідну функцію календаря, згенерувати необхідні аргументи та інтерпретувати результати, повернені застосунком. Більш складні запити можуть включати кілька зв’язаних дій, таких як перевірка доступності, вирішення конфліктів розкладу, оновлення зустрічей та створення нагадувань. Модель також може працювати з підтримуваними функціями для обміну повідомленнями, управління документами, веб-пошуку та керування пристроями. Подібні інструментальні можливості досліджуються через AI agents in crypto, хоча задокументовані застосунки BotPsy зосереджені на загальних завданнях програмного забезпечення, а не на транзакціях у блокчейні. Однак хост-застосунок повинен надати інструменти, дозволи та середовище виконання, перш ніж BotPsy зможе виконувати ці дії.
Відмітною рисою є здатність BotPsy реагувати, коли спроба дії не вдається. У оцінці ACEBench, описаній Tether, моделі було запропоновано надіслати нагадування про зустріч, але виникли дві проблеми: Wi-Fi був вимкнений, а скринька повідомлень була повна. Замість того щоб постійно намагатися виконати невдалий запит, BotPsy увімкнув Wi-Fi, звільнив місце у скриньці та завершив відправлення повідомлення. У той самий час базова модель Qwen3.5-0.8B продовжувала безуспішно повторювати спроби в тій самій ситуації. Цей приклад ілюструє, чому багатокрокове міркування та відновлення після помилок важливі для AI-агентів, які взаємодіють з додатками. Однак продемонстрована поведінка походить із контролюваного бенчмарку і не гарантує надійну роботу в усіх реальних застосунках.
Архітектура BotPsy’s Qwen3.5 та можливості штучного інтелекту на пристрої
BotPsy використовує Alibaba's Qwen3.5-0.8B як основу, зберігаючи компактну архітектуру та спеціалізуючи поведінку для агентних робочих процесів. Розмір у 800 мільйонів параметрів зменшує вимоги до пам’яті, пов’язані зі зберіганням ваг моделі, порівняно з набагато більшими мовними моделями, що робить його придатним для тестування розгортання на смартфонах, ноутбуках та персональних комп’ютерах. Tether опублікував ваги моделі через Hugging Face за ліцензією Apache 2.0, що дозволяє розробникам інтегрувати модель у сумісні додатки. Також доступні квантовані версії GGUF, включаючи файл моделі Q4_K_M розміром приблизно 0,53 ГБ. Ці менші формати можуть зменшити вимоги до сховища та пам’яті, хоча реальна швидкість висновку та сумісність з апаратним забезпеченням залежать від пристрою та конфігурації програмного забезпечення.
Реліз також підтримує ширшу ініціативу Tether QVAC (QuantumVerse Automatic Computer), яка зосереджена на розробці спеціалізованих систем ШІ, що можуть працювати на обладнанні, що контролюється користувачем. Локальний висновок може зменшити необхідність надсилання запитів користувача централізованим постачальникам ШІ, що потенційно надасть особам більший контроль над конфіденційною інформацією та даними застосунків. Однак зовнішні функції, такі як веб-пошук, повідомлення та онлайн-бронювання, можуть все ще вимагати підключення до мережі та доступу до сторонніх сервісів. BotPsy наразі розповсюджується як модель, спрямована на розробників, а не як повноцінний споживчий асистент, а довгострокова мета Tether полягає у підключенні смартфонів, персональних комп’ютерів та надійної інфраструктури типу «точка-точка». Його практичне значення полягає у демонстрації того, як компактні, орієнтовані на завдання моделі ШІ можуть підтримувати більш здатних персональних асистентів без повної залежності від великих мовних моделей, розміщених у хмарі.
Tether BotPsy проти Qwen3.5-2B: результати тестування та порівняння продуктивності
Модель BotPsy від Tether продемонструвала кращу продуктивність, ніж більша модель Qwen3.5-2B-Think від Alibaba, на п’яти з шести агентних тестів, опублікованих 11 листопада 2026 року. Незважаючи на те, що BotPsy має лише 800 мільйонів параметрів порівняно з 2 мільярдами у Qwen, вона показала вищі бали у виклику функцій, виконанні багатокрокових завдань та розв’язанні проблем із використанням інструментів. За технічною оцінкою Tether AI Research, BotPsy отримала середній бал без зважування 45,0, порівняно з 38,8 у Qwen3.5-2B-Think і 24,7 у її базовій моделі Qwen3.5-0.8B. Ці результати демонструють потенційні переваги спеціалізованого навчання штучного інтелекту, хоча порівняння базується на обраних тестах, а не на загальних здібностях штучного інтелекту.
Результати тестування BotPsy та Qwen3.5-2B та продуктивність виклику інструментів
BotPsy показав найкращі результати у тестах, що вимірюють ефективність, з якою AI-агенти вибирають інструменти, виконують команди та завершують завдання протягом кількох взаємодій. У рейтингу Berkeley Function Calling Leaderboard (BFCL v4) BotPsy набрав 44,0, порівняно з 37,7 у Qwen3.5-2B-Think, а його результат на ACEBench досяг 58,7 проти 55,4. Менша модель також лідирувала на τ-bench, набравши 51,5 проти 46,5, і на ToolSandbox, де вона показала 64,6 проти 41,2. Результати BrowseComp-Plus також на користь BotPsy: 4,5 проти 2,8, хоча обидва показники свідчать про значні труднощі зі складним відновленням інформації. Qwen3.5-2B-Think зберіг перевагу на Claw-Eval, набравши 48,9 проти 46,5 у BotPsy. За шістьою тестами середній результат BotPsy був приблизно на 16% вищий, ніж у більшої моделі, за незваженими показниками Tether.
Різниця в продуктивності була особливо помітною у багатоетапних агентних робочих процесах, які вимагають від моделей ШІ зберігати контекст, інтерпретувати змінні умови та координувати послідовні дії. У багатоетапній оцінці BFCL v4 BotPsy показав 46,1, порівняно з 23,8 у Qwen3.5-2B-Think та лише 7,5 у його початковій базовій моделі 0,8B. У завданнях τ²-bench у сфері телекомунікацій BotPsy досяг 82,5 проти 69,3 у більшої моделі Qwen, що свідчить про кращу продуктивність у симульованих взаємодіях з підтримкою клієнтів, що включають виправлення проблем та обмеження політик. BotPsy також отримав 86,1 у тестах BFCL, спрямованих на виявлення галюцинацій, які оцінюють, чи уникне модель неприйнятних викликів функцій, коли немає відповідного інструменту. Ці результати свідчать, що спеціалізована післятренувальна обробка може покращити рішення ШІ-агенту щодо того, коли та як використовувати програмні інструменти, хоча успіх на тестових наборах не гарантує такої ж надійності у відкритих реальних середовищах.
Де Qwen3.5-2B показує кращі результати та чому важлива методологія тестування
Незважаючи на перевагу BotPsy у тестах використання вибраних інструментів, Qwen3.5-2B-Think залишається значно сильнішим у загальних оцінках знань. У тестах Tether більша модель показала результат 59,9 у GPQA Diamond, порівняно з 38,1 у BotPsy, і досягла 65,5 у MMLU-Pro проти 48,9. Ці тести перевіряють знаннєво-інтенсивне міркування та складну відповідь на запитання, що демонструє, що спеціалізована підготовка агентів не знищує переваг додаткової потужності моделі.
Ще однією важливою увагою є різниця між методологіями оцінки. Tether повідомив про результат BFCL v4 у 37,7 для Qwen3.5-2B-Think, тоді як офіційна документація Alibaba на модель Qwen3.5-2B вказує 43,6 у власній конфігурації тестування. Різні параметри вибірки, методи запитів та процедури оцінки можуть впливати на результати бенчмарку, що означає, що результати, отримані в різних умовах, не можна вважати еквівалентними вимірами. Тому повідомлений Tether результат BotPsy у 44,0 не слід сприймати як пряме перемогу над окремо повідомленим Alibaba результатом у 43,6. Більш широке наслідок полягає в тому, що цілеспрямоване навчання може допомогти меншим моделям ШІ перевершити більш великі альтернативи у конкретних завданнях, тоді як загальна продуктивність продовжує залежати від навантаження, умов оцінки та можливостей моделі, які вимірюються.
Як Tether навчав BotPsy використанню AI-інструментів та застосунків на пристрої
Tether AI Research розробила BotPsy за допомогою чотирьохетапного процесу після навчання, спрямованого на покращення виклику інструментів ШІ, виконання інструкцій та ефективності міркувань без збільшення кількості параметрів моделі. Деталі наведено у технічному звіті від 11 листопада 2026 року: навчальний конвеєр поєднує наглядове доналаштування, багато вчителів з дистиляцією знань та два цикли підсиленого навчання. Цей підхід спрямований на допомогу компактним моделям ШІ у виконанні структурованих команд зі збереженням корисних загальних здібностей. Розробка також підтримує ширшу ініціативу Tether QVAC, метою якої є зменшення залежності від централизованих інфраструктур ШІ за допомогою спеціалізованих моделей, що працюють на персональних пристроях.
Як надзорне тонке налаштування, дистиляція знань і підсилення навчання покращили BotPsy
Перший етап навчання включав надзорне доналаштування (SFT) за допомогою прикладів успішних взаємодій з інструментами, включаючи окремі команди, паралельні виклики функцій, багатокрокові операції та ситуації, коли допоміжний штучний інтелект повинен уникати непотрібних дій. Tether застосував багато вчителів на полісі-дистиляцію, що дозволило BotPsy вчитися на трьох спеціалізованих вчителях Qwen3.5-4B, навчених для використання інструментів, загального міркування та виконання інструкцій. У процесі менша модель генерувала власні відповіді, а відповідний вчитель надавав зворотний зв’язок на рівні токенів. Це допомогло вирішити поширену проблему у розробці спеціалізованих систем ШІ: покращити продуктивність на цільових завданнях, не погіршуючи при цьому загальні здібності міркування та знань. Технічний звіт Tether свідчить, що етап дистиляції відновив загальні здібності, які погіршилися під час початкового доналаштування.
Останні два етапи використовували підсилене навчання на основі DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization), де нагороди визначалися за допомогою передвизначених правил та автоматизованої перевірки. Перший етап зосереджувався на точному виклику функцій, включаючи чи BotPsy вибрав правильний інструмент, надав дійсні аргументи та дотримувався необхідного формату виводу. Замість того щоб надавати однакове покарання за кожну неправильну відповідь, механізм нагороди надавав частковий бал за збіг назв інструментів та значень аргументів, надаючи моделі більш детальну зворотній зв’язок про помилки. Другий етап розширив навчання до математики, програмування, питань з бази знань, структурованих виводів та симульованих робочих завдань. Цей ширший підхід допоміг збалансувати спеціалізовану поведінку агента з загальною здатністю до міркувань. За оцінками Tether, показник виконання інструкцій IFEval BotPsy збільшився з 59,7 у базової моделі до 90,8 після навчання, хоча це залишається результатами, повідомленими розробниками.
Ефективність ШІ на пристрої, можливості розгортання та майбутній розвиток QVAC
Значним результатом навчання BotPsy є зазначена зменшення непотрібних міркувань, що може покращити ефективність відповідей на пристроях з обмеженими обчислювальними ресурсами. На запитаннях GPQA Diamond, на які правильно відповіли всі п’ять моделей у порівнянні Tether, BotPsy згенерував у середньому 3 690 токенів міркувань, порівняно з 11 563 у його базовій моделі Qwen, що становить зменшення приблизно на 68%. Його частота повторюваних міркувань на IFBench також знизилася з 22,9% до 1,4%. Генерація меншої кількості токенів може зменшити обчислювальну роботу та потенційно покращити затримку, хоча компанія не встановила еквівалентного підвищення продуктивності на споживчих смартфонах. Опубліковані Tether оцінки GGUF, проведені 6–7 листопада 2026 року на апаратному забезпеченні NVIDIA H100, надають докази щодо продуктивності стиснутих моделей, а не швидкості повсякденних мобільних пристроїв. Для розробників ці покращення ефективності створюють можливості для дослідження локальних AI-асистентів, які менше залежать від хмарного висновку, цін на зовнішні API та постійної інтернет-з’єднаності.
BotPsy також є наступним кроком у розширенні Tether у сфері децентралізованої штучної інтелектуальної інфраструктури після запуску їхнього QVAC SDK 9 квітня 2026 року. Плани розвитку компанії передбачають глибшу локальну персоналізацію за допомогою QVAC Fabric, зашифровані можливості пошуку peer-to-peer через Hypersearch та делегування завдань між смартфонами, настільними комп’ютерами та надійними нодами мережі. Ці розробки згодом можуть підтримувати застосунки, що поєднують компактні мовні моделі зі спеціалізованими системами обробки мови, зору та перекладу. Однак Tether не оголосила підтверджених термінів комерційного запуску повністю інтегрованого асистента BotPsy, а також не розкрила прогнози доходів чи вимірюваних фінансових переваг від цієї моделі. Потенційні ринкові наслідки включають збільшення конкуренції у сфері edge AI-програмного забезпечення, зменшення залежності від централізованих провайдерів інференсу та нові можливості для розробників, що створюють застосунки з акцентом на конфіденційність. Чи перетворяться ці переваги на широке впровадження, залежатиме від незалежної перевірки продуктивності, сумісності з обладнанням, систем безпеки та практичної надійності майбутніх інтеграцій QVAC.
Обмеження Tether BotPsy, ризики безпеки та майбутній огляд для QVAC AI
Незважаючи на сильні результати у вибраних тестах AI-агентів, Tether's BotPsy-0.8B має серйозні обмеження щодо виконання складних завдань, отримання інформації, безпеки та надійності в реальних умовах. Модель розроблена переважно для завдань низької та середньої складності, що робить її менш придатною для вимогливих робочих процесів, які вимагають глибокого міркування, роботи з конфіденційною інформацією або автономного прийняття рішень. Дослідницький звіт Tether від 11 листопада 2026 року визнає ці слабкості та описує плани щодо розширення екосистеми QVAC. Довгострокове значення моделі залежатиме від того, чи перетворяться її переваги у ефективності на надійні застосунки на споживчих пристроях.
Обмеження у складних завданнях штучного інтелекту та багатомовній продуктивності
Продуктивність BotPsy знижується, коли завдання стають складнішими, особливо коли потрібно координувати кілька інструментів, інструкцій або джерел інформації. У тестах Tether на рівні застосунку модель отримала загальний бал 75 у сценаріях з одним простим інструментом, але лише 39,5 у складних робочих процесах. Багатокрокове отримання інформації було особливо складним, показавши результат лише 15 порівняно з 79 для простіших завдань з отриманням інформації. Її продуктивність у виконанні інструкцій також погіршувалася під час довгих розмов, а тестування багатомовності показало значно нижчі результати в інді, ніж у англійській та кількох інших підтримуваних мовах. Ці висновки свідчать, що практичні застосунки можуть вимагати обмежень складності завдань, механізмів запасу та людського контролю, а не безобмеженої автоматизації.
Безпекові вразливості та проблеми конфіденційності для агентів ШІ
Безпека залишається серйозною перешкодою для автономних ІІ-асистентів, оскільки моделі, що викликають інструменти, можуть взаємодіяти з зовнішньою інформацією та потенційно виконувати наслідкові дії. У автоматизованих оцінках безпеки Tether, BotPsy генерував небезпечні відповіді у 21% тестів із шкідливими запитами та 31% тестів із ін’єкцією запитів, що свідчить про те, що спеціалізована підготовка не видала вразливості безпеки. Ін’єкція запитів особливо тривожна, коли ІІ-агент сприймає зловмисні інструкції, вбудовані в електронні листи, веб-сторінки або інший ненадійний матеріал, як легітимні команди. Хоча локальна обробка може зменшити залежність від хмарної інфраструктури, це не запобігає автоматично несанкціонованим діям з інструментами, витоку даних або скомпрометованим інтеграціям. Для виробничих розгортань необхідні контроль дозволів, обмежений доступ до інструментів, безпечне оброблення облікових даних та підтвердження користувача перед чутливими операціями. Tether відкрито не рекомендує використовувати BotPsy для фінансових, медичних чи інших чутливих рішень з високим ризиком.
Майбутній розвиток QVAC AI та потенційні ринкові наслідки
Довгострокова стратегія Tether у сфері QVAC передбачає розширення локальних можливостей ШІ за допомогою таких технологій, як QVAC Fabric, яка підтримує налаштування моделей на пристроях, та Hypersearch, призначений для підсилення децентралізованого пошуку інформації. У майбутньому планується координація між смартфонами, персональними комп’ютерами та надійними ресурсами обчислення типу «точка-точка», що потенційно дозволить меншим пристроям делегувати вимогливі завдання без виключної залежності від централізованих ШІ-сервісів. Такі можливості можуть створити можливості для програмного забезпечення з акцентом на конфіденційність, підприємницької автоматизації та розробників, які шукають альтернативи хмарному висновку. Більш широке злиття ШІ та криптовалют також викликає інтерес до децентралізованих обчислень та альтернативних цифрових бізнес-моделей, хоча BotPsy не оголосив про інтеграцію токенів. Однак Tether не оголосив чіткого графіку для повністю інтегрованого споживчого асистента BotPsy ніж не розкрив прогнози доходів, пов’язаних з його впровадженням. Майбутній прогрес залежатиме від незалежних оцінок, продуктивності мобільного обладнання, безпечного програмного інтегрування, участі розробників та здатності забезпечувати надійність у міру зростання складності робочих процесів агентів.
Висновок
BotPsy-0.8B від Tether демонструє, як спеціалізоване навчання може допомогти меншим моделям ШІ конкурувати з більшими альтернативами у виклику інструментів, виконанні інструкцій та багатокроковій автоматизації. Згідно з повідомленнями, його перемоги на п’яти з шести агентних тестів підкреслюють прогрес у ефективному розвитку ШІ, тоді як його компактна архітектура підтримує ширші амбіції Tether щодо ШІ на пристроях та децентралізованого ШІ. Проте досягнення BotPsy на тестах не встановлюють перевагу у всіх завданнях ШІ та не гарантують надійність у реальних умовах. Безпекові вразливості, обмеження складних робочих процесів та відсутність незалежно перевірених результатів на споживчих пристроях залишаються важливими викликами. Поки Tether продовжує розвивати свою екосистему QVAC, довгострокове значення цієї моделі залежатиме від того, чи перетворяться ці експериментальні переваги на безпечні, практичні та широко доступні застосунки ШІ.
ЧаПи
Де користувачі можуть завантажити модель BotPsy AI від Tether?
Tether's BotPsy-0.8B доступний публічно через Hugging Face у стандартних форматах ваг моделі та GGUF. Розробники можуть завантажити модель, ознайомитися з її документацією та інтегрувати її у сумісні локальні додатки штучного інтелекту, не залежачи від пропрієтарного API моделі.
Чи є Tether BotPsy безкоштовним для використання в комерційних проектах?
BotPsy випущений за ліцензією Apache 2.0, яка загалом дозволяє комерційне використання, модифікацію та перерозповсюдження за умов виконання умов ліцензії. Розробники залишаються відповідальними за дотримання застосовних ліцензій третіх сторін, вимог до захисту даних та інших відповідних законів.
Яке програмне забезпечення підтримує локальний запуск BotPsy?
BotPsy підтримує загальні фреймворки AI-виведення, включаючи Hugging Face Transformers, llama.cpp, vLLM та GGUF-розгортання, сумісні з Ollama. Розробники повинні налаштувати відповідний середовище виконання та інтеграцію інструментів, тоді як продуктивність залежить від наявного обладнання та налаштувань моделі.
Скільки сховища та пам’яті вимагає BotPsy?
Опубліковані файли BotPsy GGUF мають розмір від приблизно 0,53 ГБ до 1,52 ГБ залежно від точності. Однак це розміри файлів моделі, а не загальні вимоги до ОЗП. Реальне споживання пам’яті також залежить від двигуна висновку, довжини контексту та накладних витрат в час виконання.
Чи потрібен BotPsy підключення до інтернету для роботи?
BotPsy може генерувати відповіді локально без постійного підключення до Інтернету після встановлення моделі та необхідного програмного забезпечення. Однак операції, що передбачають онлайн-пошук, хмарні додатки або віддалені сервіси, все ще вимагають доступу до мережі. Офлайн-висновок автоматично не робить усі з’єднані робочі процеси офлайн.
Відмова від відповідальності: Ця загальна інформація про ринок, можливо, з третіх сторін, комерційних або спонсорованих джерел, надається виключно для довідкових та освітніх цілей і не є фінансовою або інвестиційною порадою, пропозицією, запрошенням або гарантією. Ми відмовляємося від відповідальності за точність, повноту, надійність цієї інформації та будь-які зумовлені нею втрати. Інвестування/торгівля супроводжуються ризиком; минулі результати не гарантує майбутніх. Користувачі повинні проводити дослідження, обережно оцінювати ризики та брати повну відповідальність. Для отримання додаткової інформації будь ласка, ознайомтеся з Умовами використання та Відмовою від відповідальності щодо ризиків KuCoin.
Відмова від відповідальності: Для вашої зручності цю сторінку було перекладено за допомогою технології ШІ. Для отримання найточнішої інформації дивіться оригінальну англійську версію.
