Tether представила BotPsy у середу як AI-агент для повсякденних завдань на персональних пристроях. Модель містить 800 мільйонів параметрів. Тестування Tether показало, що BotPsy перевершив конкуруючі моделі, які мали до 2,5 разів більше параметрів. BotPsy показала найкращі результати у п’яти з шести оцінок використання інструментів, що включали п’ять моделей. Ці результати свідчать, що AI-асистентам не обов’язково потрібні дуже великі моделі для виконання практичних завдань.
BotPsy може виконувати багатокрокові операції, що стосуються налаштувань телефону, повідомлень та планування, потенційно без передачі особистої інформації на хмарні сервери. Агент визначає, які програмні інструменти необхідні для завдання, виконує команди послідовно та адаптується, якщо операція зазнає невдачі. Tether описав тест повідомлень, у якому BotPsy зустрів вимкнений Wi-Fi та переповнений скриньку. Tether сказав, що BotPsy увімкнув Wi-Fi, звільнив достатньо сховища та надіслав повідомлення. Відповідна модель замість цього продовжувала повторювати невдалу операцію.
Tether створив BotPsy на основі архітектури Alibaba Qwen3.5-0.8B і надав додаткове навчання, спрямоване на взаємодію з програмними інструментами. Параметри — це числові значення, що вивчаються під час навчання, і моделі з меншою кількістю параметрів зазвичай вимагають менше пам’яті. Більша кількість параметрів зазвичай покращує продуктивність, а сучасні передові моделі ШІ містять трильйони параметрів.
Технічна документація Tether надає BotPsy оцінку 44,0% за BFCL v4. BFCL v4 вимірює вибір та виконання функцій у межах завдань і діалогів, використовуючи зважений відсоток успішності за категоріями використання інструментів. Основна модель Qwen3.5-0.8B отримала 23,4% за цим тестом. Більша модель Qwen3.5-2B досягла 37,7%.
BotPsy показав 58,7% на ACEBench, який вимірює точність викликів функцій, включаючи вибір інструментів та аргументи, передані інструментам. Базова модель показала 30,1% на ACEBench. Конкурент з 2 мільярдами параметрів досяг 55,4%. Середній результат BotPsy за шістьою оцінками Tether становить 45,0%. Більша модель Qwen в середньому показала 38,8% за цими оцінками.
BotPsy розширює QVAC — екосистему штучного інтелекту, яку Tether розробляє навколо пристроїв, що контролюються користувачами, а не повної залежності від централізованої хмарної інфраструктури. Tether, компанія, що стоїть за USDT — найбільшим у світі стейблкоїном, вже має локальні моделі QVAC для медичних застосунків, перекладу та обробки мови. Tether представила QVAC у травні 2025 року як альтернативу сервісам штучного інтелекту від великих технологічних компаній. Довгостроковими цілями Tether були автономні агенти, які зможуть використовувати додатки та потенційно здійснювати платежі bitcoin та USDT.
Tether додав набір даних для навчання з науки та інженерії, що містить 41 мільярд токенів, у жовтні 2025 року. Tether також представив QVAC Workbench — додаток для запуску моделей ШІ локально. Раніше цього року Tether випустив набір інструментів розробника для створення офлайн-застосунків ШІ на мобільних та настільних операційних системах. Tether також розробив QVAC MedPsy для медичних завдань ШІ на побутовому обладнанні. Версія MedPsy з 1,7 мільярда параметрів перевершила більшу модель Google MedGemma-27B на HealthBench Hard, який оцінює реалістичні клінічні діалоги за критеріями, розробленими лікарями.
BotPsy доступний зараз як модель з відкритим ваговим набором, ліцензована за Apache 2.0, що дозволяє розробникам завантажувати, змінювати та інтегрувати модель до додатків. Tether також надав стиснені версії для зменшення вимог до пам’яті при локальному використанні. Tether не оголосила дату запуску фінального споживчого асистента на основі BotPsy. Опублікована картка моделі зазначає, що реліз не включає код навчання та дані для навчання.