Mô hình AI BotPsy của Tether vượt trội hơn các mô hình lớn hơn trong các bài kiểm tra: Những điều cần biết

Mô hình AI BotPsy của Tether vượt trội hơn các mô hình lớn hơn trong các bài kiểm tra: Những điều cần biết

Hình ảnh tùy chỉnh
Tether, nhà phát hành stablecoin USDT, đã mở rộng nghiên cứu trí tuệ nhân tạo với việc ra mắt QVAC BotPsy-0.8B, một mô hình AI nhỏ gọn được cho là vượt trội hơn các đối thủ lớn hơn trong một số bài kiểm tra về khả năng tác nhân. Được công bố vào ngày 11 tháng 11 năm 2026, mô hình 800 triệu tham số đã vượt qua Qwen3.5-2B của Alibaba trên năm trong sáu bài kiểm tra được chọn, theo đánh giá của Tether. Kết quả này làm nổi bật sự quan tâm ngày càng tăng đối với các hệ thống AI nhỏ hơn, chuyên biệt có khả năng thực hiện lệnh phần mềm và xử lý các tác vụ đa bước. Tuy nhiên, vẫn còn những câu hỏi về tính so sánh của các bài kiểm tra, độ tin cậy trong thực tế và bảo mật. Việc hiểu rõ kiến trúc của BotPsy, phương pháp đào tạo, kết quả hiệu suất và mối liên hệ với chiến lược QVAC rộng hơn của Tether sẽ giúp làm rõ hơn tầm quan trọng tiềm năng của nó.

Những điểm chính

  • Tether AI Research đã ra mắt QVAC BotPsy-0.8B vào ngày 11 tháng 11 năm 2026, giới thiệu mô hình AI có 800 triệu tham số được thiết kế để gọi công cụ và tự động hóa các tác vụ đa bước.
  • BotPsy vượt trội hơn mô hình Qwen3.5-2B lớn hơn trên năm trong sáu tiêu chí đánh giá tác nhân trong các bài kiểm tra của Tether, cho thấy lợi thế trong các nhiệm vụ AI chuyên biệt.
  • Mô hình sử dụng tinh chỉnh có giám sát, phân phối kiến thức và học tăng cường để cải thiện việc tuân theo hướng dẫn, gọi hàm và thực hiện nhiệm vụ.
  • BotPsy hỗ trợ triển khai AI tại địa phương thông qua các định dạng mô hình đã được lượng tử hóa và có thể tải về, từ đó có thể giảm sự phụ thuộc vào cơ sở hạ tầng đám mây tập trung.
  • Mặc dù có hiệu suất chuẩn, BotPsy gặp hạn chế trong các nhiệm vụ suy luận phức tạp, đa ngôn ngữ, truy xuất thông tin và các ứng dụng nhạy cảm về bảo mật.
  • Sáng kiến QVAC rộng hơn của Tether nhằm mở rộng các khả năng AI tập trung vào tính riêng tư và phi tập trung, mặc dù việc áp dụng thương mại và độ tin cậy thực tế vẫn còn chưa chắc chắn.

Tether’s BotPsy AI Model là gì và nó hoạt động như thế nào?

Mô hình AI BotPsy của Tether, có tên chính thức là QVAC BotPsy-0.8B, là một hệ thống trí tuệ nhân tạo có trọng số mở được thiết kế để thực hiện các nhiệm vụ hàng ngày thông qua việc gọi công cụ và tự động hóa đa bước. Được công bố bởi Tether AI Research vào ngày 11 tháng 11 năm 2026, mô hình này chứa 800 triệu tham số và dựa trên kiến trúc Qwen3.5-0.8B của Alibaba. Khác với các chatbot truyền thống chủ yếu tạo ra phản hồi dạng văn bản, BotPsy được thiết kế để tương tác với các ứng dụng, thực thi lệnh và hoàn thành các nhiệm vụ liên quan đến lịch, email, tệp tin và cài đặt thiết bị. Trong các đánh giá do Tether công bố, BotPsy đã vượt trội hơn mô hình Qwen3.5-2B lớn hơn trên năm trong sáu tiêu chí đánh giá tác nhân, cho thấy tiềm năng của các mô hình AI nhỏ chuyên biệt trong việc triển khai tại chỗ.

BotPsy sử dụng gọi công cụ AI để hoàn thành các tác vụ hàng ngày

BotPsy hoạt động thông qua một quy trình được gọi là gọi công cụ AI, cho phép mô hình ngôn ngữ chọn và yêu cầu các hành động từ các ứng dụng phần mềm thay vì chỉ trả lời câu hỏi. Khi người dùng yêu cầu trợ lý sắp xếp một cuộc họp, ví dụ, BotPsy có thể xác định chức năng lịch phù hợp, tạo các đối số cần thiết và diễn giải kết quả trả về từ ứng dụng. Các yêu cầu phức tạp hơn có thể bao gồm nhiều hành động liên kết, chẳng hạn như kiểm tra tính khả dụng, giải quyết xung đột lịch trình, cập nhật cuộc hẹn và tạo lời nhắc. Mô hình cũng có thể làm việc với các chức năng được hỗ trợ cho nhắn tin, quản lý tài liệu, tìm kiếm web và điều khiển thiết bị. Các khả năng dựa trên công cụ tương tự đang được nghiên cứu thông qua AI agents in crypto, mặc dù các ứng dụng được tài liệu hóa của BotPsy tập trung vào các tác vụ phần mềm chung thay vì giao dịch blockchain. Tuy nhiên, ứng dụng chủ phải cung cấp các công cụ, quyền và môi trường thực thi trước khi BotPsy có thể thực hiện các hành động này.
 
Một tính năng nổi bật là khả năng của BotPsy phản hồi khi một hành động cố gắng thực hiện thất bại. Trong đánh giá ACEBench được Tether mô tả, mô hình được yêu cầu gửi lời nhắc cuộc họp nhưng gặp hai vấn đề: Wi-Fi bị tắt và hộp thư đến đầy. Thay vì liên tục thử lại thao tác thất bại, BotPsy đã kích hoạt Wi-Fi, dọn dẹp không gian hộp thư và hoàn thành nhiệm vụ gửi tin nhắn. Mô hình Qwen3.5-0.8B cơ sở tiếp tục thử lại không thành công trong cùng tình huống. Ví dụ này minh họa lý do tại sao lập luận đa bước và phục hồi lỗi lại quan trọng đối với các tác nhân AI tương tác với các ứng dụng. Tuy nhiên, hành vi được thể hiện xuất phát từ một benchmark được kiểm soát và không đảm bảo hiệu suất đáng tin cậy trên mọi ứng dụng thực tế.

Kiến trúc Qwen3.5 của BotPsy và khả năng AI trên thiết bị

BotPsy sử dụng Qwen3.5-0.8B của Alibaba làm nền tảng, duy trì kiến trúc gọn nhẹ đồng thời tối ưu hành vi cho các quy trình agentic. Kích thước 800 triệu tham số của nó giảm nhu cầu bộ nhớ khi lưu trọng số mô hình so với các mô hình ngôn ngữ lớn hơn nhiều, giúp phù hợp để triển khai trên điện thoại thông minh, laptop và máy tính cá nhân. Tether đã phát hành trọng số mô hình qua Hugging Face dưới giấy phép Apache 2.0, cho phép các nhà phát triển tích hợp mô hình vào các ứng dụng tương thích. Các phiên bản GGUF đã lượng tử hóa cũng có sẵn, bao gồm tệp mô hình Q4_K_M với kích thước khoảng 0,53 GB. Các định dạng nhỏ hơn này có thể giảm nhu cầu lưu trữ và bộ nhớ, mặc dù tốc độ suy luận thực tế và khả năng tương thích phần cứng phụ thuộc vào thiết bị và cấu hình phần mềm.
 
Bản phát hành này cũng hỗ trợ sáng kiến QVAC (QuantumVerse Automatic Computer) của Tether, tập trung vào việc phát triển các hệ thống AI chuyên biệt có thể hoạt động trên phần cứng do người dùng kiểm soát. Suy luận tại chỗ có thể giảm nhu cầu gửi yêu cầu của người dùng đến các nhà cung cấp AI tập trung, từ đó có thể mang lại cho cá nhân sự kiểm soát lớn hơn đối với thông tin nhạy cảm và dữ liệu ứng dụng. Tuy nhiên, các chức năng bên ngoài như tìm kiếm web, nhắn tin và đặt chỗ trực tuyến vẫn có thể yêu cầu kết nối mạng và truy cập vào các dịch vụ bên thứ ba. BotPsy hiện đang được phân phối dưới dạng mô hình hướng đến nhà phát triển thay vì một trợ lý người dùng hoàn chỉnh, và tầm nhìn dài hạn của Tether bao gồm việc kết nối điện thoại thông minh, máy tính cá nhân và cơ sở hạ tầng điểm-điểm đáng tin cậy. Ý nghĩa thực tiễn của nó nằm ở việc minh họa cách các mô hình AI nhỏ gọn, tập trung vào nhiệm vụ có thể hỗ trợ các trợ lý cá nhân mạnh mẽ hơn mà không hoàn toàn phụ thuộc vào các mô hình ngôn ngữ lớn được lưu trữ trên đám mây.

Tether BotPsy so với Qwen3.5-2B: Kết quả đánh giá và so sánh hiệu suất

Mô hình BotPsy của Tether đã thể hiện hiệu suất vượt trội hơn so với Qwen3.5-2B-Think của Alibaba trên năm trong sáu bài kiểm tra agentic được công bố vào ngày 11 tháng 11 năm 2026. Mặc dù chỉ có 800 triệu tham số so với 2 tỷ của Qwen, BotPsy đạt điểm cao hơn trong các nhiệm vụ gọi hàm, thực hiện tác vụ nhiều bước và giải quyết vấn đề dựa trên công cụ. Theo đánh giá kỹ thuật của Tether AI Research, BotPsy ghi nhận điểm trung bình không trọng số là 45,0, so với 38,8 của Qwen3.5-2B-Think và 24,7 của mô hình nền tảng Qwen3.5-0.8B của nó. Những kết quả này cho thấy tiềm năng của việc đào tạo AI chuyên biệt, mặc dù phép so sánh này phản ánh các bài kiểm tra được chọn lọc chứ không phải toàn bộ khả năng trí tuệ nhân tạo.

Điểm số so sánh BotPsy và Qwen3.5-2B cùng hiệu suất gọi công cụ

BotPsy đạt được kết quả mạnh nhất trong các bài kiểm tra đo lường khả năng các tác nhân AI lựa chọn công cụ, thực hiện lệnh và hoàn thành nhiệm vụ qua nhiều tương tác. Trên Bảng xếp hạng Gọi Hàm Berkeley (BFCL v4), BotPsy đạt 44,0, so với 37,7 của Qwen3.5-2B-Think, trong khi điểm ACEBench của nó đạt 58,7 so với 55,4. Mô hình nhỏ hơn cũng dẫn đầu trên τ-bench với điểm 51,5 so với 46,5 và trên ToolSandbox, nơi nó ghi được 64,6 so với 41,2. Kết quả BrowseComp-Plus nghiêng về BotPsy ở mức 4,5 so với 2,8, mặc dù cả hai điểm số đều cho thấy sự khó khăn đáng kể trong việc truy xuất thông tin phức tạp. Qwen3.5-2B-Think duy trì lợi thế trên Claw-Eval với điểm 48,9 so với 46,5 của BotPsy. Trong sáu bài kiểm tra, điểm trung bình của BotPsy cao hơn khoảng 16% so với mô hình lớn hơn, dựa trên các số liệu chuẩn không trọng số của Tether.
 
Khoảng cách hiệu suất đặc biệt rõ rệt trong các quy trình agentic nhiều vòng, yêu cầu các mô hình AI duy trì ngữ cảnh, diễn giải các điều kiện thay đổi và phối hợp các hành động liên tiếp. Trong đánh giá nhiều vòng của BFCL v4, BotPsy đạt 46,1, so với 23,8 của Qwen3.5-2B-Think và chỉ 7,5 cho mô hình nền gốc 0,8B của nó. Trên các nhiệm vụ viễn thông τ²-bench, BotPsy đạt 82,5 so với 69,3 của mô hình Qwen lớn hơn, cho thấy hiệu suất mạnh mẽ hơn trong các tương tác hỗ trợ khách hàng mô phỏng liên quan đến khắc phục sự cố và ràng buộc chính sách. BotPsy cũng đạt 86,1 trên các bài kiểm tra tập trung vào ảo giác của BFCL, đánh giá xem mô hình có tránh gọi hàm không phù hợp khi không có công cụ nào thích hợp hay không. Những phát hiện này cho thấy việc đào tạo sau chuyên biệt có thể cải thiện quyết định của tác nhân AI về thời điểm và cách sử dụng các công cụ phần mềm, mặc dù thành công trên bộ kiểm tra không đảm bảo độ tin cậy tương tự trong các môi trường thực tế không bị giới hạn.

Nơi Qwen3.5-2B hoạt động tốt hơn và Tại sao Phương pháp luận Kiểm tra Hiệu suất Quan trọng

Mặc dù BotPsy có lợi thế trong các bài kiểm tra sử dụng công cụ được chọn, Qwen3.5-2B-Think vẫn mạnh hơn đáng kể trong các đánh giá kiến thức rộng hơn. Trong các bài đánh giá của Tether, mô hình lớn hơn đạt 59.9 trên GPQA Diamond, so với 38.1 của BotPsy, và đạt 65.5 trên MMLU-Pro so với 48.9. Những bài kiểm tra này đánh giá khả năng suy luận đòi hỏi nhiều kiến thức và trả lời câu hỏi phức tạp, cho thấy việc đào tạo agent chuyên biệt không xóa bỏ lợi thế của dung lượng mô hình lớn hơn.
 
Một yếu tố quan trọng khác là sự khác biệt giữa các phương pháp đánh giá. Tether báo cáo điểm BFCL v4 là 37.7 cho Qwen3.5-2B-Think, trong khi tài liệu chính thức của Alibaba về mô hình Qwen3.5-2B liệt kê 43.6 dưới cấu hình kiểm tra riêng của họ. Các tham số lấy mẫu, phương pháp đặt câu hỏi và quy trình đánh giá khác nhau có thể ảnh hưởng đến kết quả kiểm tra, nghĩa là các điểm số được tạo ra trong các điều kiện khác nhau không nên được so sánh như những phép đo tương đương. Do đó, điểm BotPsy 44.0 mà Tether báo cáo không nên được xem là chiến thắng trực tiếp trước con số 43.6 mà Alibaba báo cáo riêng biệt. Hệ quả rộng hơn là việc huấn luyện tập trung có thể giúp các mô hình AI nhỏ hơn vượt trội hơn các mô hình lớn hơn trên các nhiệm vụ cụ thể, trong khi hiệu suất tổng thể vẫn phụ thuộc vào tải công việc, điều kiện đánh giá và khả năng của mô hình đang được đo lường.

Cách Tether huấn luyện BotPsy để gọi công cụ AI và ứng dụng trên thiết bị

Tether AI Research đã phát triển BotPsy thông qua quy trình tinh chỉnh sau đào tạo bốn giai đoạn, được thiết kế để cải thiện khả năng gọi công cụ AI, tuân thủ hướng dẫn và hiệu quả suy luận mà không làm tăng số lượng tham số của mô hình. Được mô tả chi tiết trong báo cáo kỹ thuật ngày 11 tháng 11 năm 2026, quy trình đào tạo kết hợp tinh chỉnh có giám sát, phân tán kiến thức đa giáo viên và hai vòng học tăng cường. Tiếp cận này tập trung vào việc giúp các mô hình AI nhỏ gọn thực hiện các lệnh có cấu trúc đồng thời duy trì các khả năng tổng quát hữu ích. Việc phát triển này cũng hỗ trợ sáng kiến QVAC rộng hơn của Tether, nhằm giảm sự phụ thuộc vào cơ sở hạ tầng AI tập trung thông qua các mô hình chuyên biệt hoạt động trên thiết bị cá nhân.

Cách Huấn luyện Tinh chỉnh Có giám sát, Trích xuất Tri thức và Học tăng cường đã cải thiện BotPsy

Giai đoạn đào tạo đầu tiên bao gồm tinh chỉnh có giám sát (SFT) sử dụng các ví dụ về tương tác công cụ thành công, bao gồm các lệnh riêng lẻ, gọi hàm song song, các thao tác nhiều bước và các tình huống mà trợ lý AI nên tránh thực hiện các hành động không cần thiết. Tether sau đó áp dụng phương pháp chưng cất trên-policy đa giáo viên, cho phép BotPsy học hỏi từ ba mô hình giáo viên Qwen3.5-4B chuyên biệt được đào tạo về sử dụng công cụ, suy luận tổng quát và tuân theo hướng dẫn. Trong quá trình này, mô hình nhỏ hơn tạo ra các phản hồi của riêng mình trong khi giáo viên phù hợp cung cấp phản hồi ở cấp độ token. Điều này giúp giải quyết một thách thức phổ biến trong phát triển AI chuyên biệt: cải thiện hiệu suất trên các nhiệm vụ nhắm mục tiêu mà không làm suy yếu quá mức các khả năng suy luận và kiến thức tổng quát. Báo cáo kỹ thuật của Tether cho thấy giai đoạn chưng cất đã khôi phục lại các khả năng tổng quát đã suy giảm trong quá trình tinh chỉnh ban đầu.
 
Hai giai đoạn cuối cùng sử dụng học tăng cường dựa trên DAPO (Tối ưu hóa Chính sách Mẫu Động và Cắt Tách rời), với phần thưởng được xác định bởi các quy tắc đã định trước và xác minh tự động. Vòng đầu tiên tập trung vào việc gọi hàm chính xác, bao gồm việc BotPsy có chọn đúng công cụ, cung cấp các đối số hợp lệ và tuân thủ định dạng đầu ra yêu cầu hay không. Thay vì xử lý mọi phản hồi sai như nhau, cơ chế phần thưởng cung cấp điểm một phần cho các trường hợp khớp tên công cụ và giá trị đối số, giúp mô hình nhận phản hồi chi tiết hơn về các lỗi mắc phải. Vòng thứ hai mở rộng đào tạo sang toán học, lập trình, câu hỏi kiến thức, đầu ra có cấu trúc và các nhiệm vụ mô phỏng trong môi trường làm việc. Cách tiếp cận rộng rãi hơn giúp cân bằng hành vi chuyên biệt của tác nhân với khả năng suy luận tổng quát. Theo đánh giá của Tether, điểm tuân thủ hướng dẫn IFEval của BotPsy tăng từ 59,7 đối với mô hình cơ sở lên 90,8 sau khi đào tạo, mặc dù đây vẫn là kết quả chuẩn do nhà phát triển báo cáo.

Hiệu quả AI trên thiết bị, Cơ hội triển khai và Phát triển QVAC trong tương lai

Một kết quả quan trọng từ quá trình huấn luyện BotPsy là sự giảm đáng kể trong lập luận không cần thiết, điều này có thể cải thiện hiệu suất phản hồi trên các thiết bị có tài nguyên tính toán hạn chế. Trên các câu hỏi GPQA Diamond mà cả năm mô hình đều trả lời đúng trong so sánh của Tether, BotPsy đã tạo ra trung bình 3.690 token lập luận, so với 11.563 token của mô hình Qwen nền tảng, tương đương với mức giảm khoảng 68%. Tỷ lệ lập luận lặp lại của nó trên IFBench cũng giảm từ 22,9% xuống còn 1,4%. Việc tạo ra ít token hơn có thể giảm khối lượng tính toán và tiềm năng cải thiện độ trễ, mặc dù công ty chưa xác định được lợi ích hiệu suất tương đương trên các điện thoại thông minh tiêu dùng. Đánh giá GGUF do Tether công bố, được thực hiện vào ngày 6–7 tháng 11 năm 2026 bằng phần cứng NVIDIA H100, cung cấp bằng chứng về hiệu suất của mô hình nén, chứ không phải tốc độ trên thiết bị di động hàng ngày. Đối với các nhà phát triển, những cải tiến về hiệu suất này mở ra cơ hội để khám phá các trợ lý AI cục bộ ít phụ thuộc vào suy luận trên đám mây, giá cả API bên ngoài và kết nối internet liên tục.
 
BotPsy cũng đại diện cho một bước tiến nữa trong chiến lược mở rộng của Tether vào cơ sở hạ tầng AI phi tập trung, sau khi ra mắt QVAC SDK vào ngày 9 tháng 4 năm 2026. Các kế hoạch phát triển tương lai của công ty bao gồm cá nhân hóa địa phương sâu hơn thông qua QVAC Fabric, khả năng tìm kiếm ngang hàng được mã hóa thông qua Hypersearch, và việc ủy nhiệm nhiệm vụ giữa điện thoại thông minh, máy tính gia đình và các nút mạng đáng tin cậy. Những phát triển này cuối cùng có thể hỗ trợ các ứng dụng kết hợp các mô hình ngôn ngữ nhỏ gọn với các hệ thống chuyên biệt về giọng nói, thị giác và dịch thuật. Tuy nhiên, Tether chưa xác định lịch trình ra mắt thương mại chính thức cho trợ lý BotPsy tích hợp đầy đủ, cũng như chưa công bố dự báo doanh thu hoặc lợi ích tài chính đo lường được từ mô hình này. Những hệ quả tiềm năng trên thị trường bao gồm sự cạnh tranh gia tăng trong phần mềm AI biên, giảm sự phụ thuộc vào các nhà cung cấp suy luận tập trung, và những cơ hội mới cho các nhà phát triển xây dựng ứng dụng chú trọng quyền riêng tư. Việc những lợi thế này có chuyển hóa thành sự chấp nhận rộng rãi hay không sẽ phụ thuộc vào việc xác minh hiệu suất độc lập, tương thích phần cứng, các biện pháp kiểm soát bảo mật và độ tin cậy thực tế của các tích hợp QVAC trong tương lai.

Hạn chế của Tether BotPsy, rủi ro bảo mật và triển vọng tương lai của QVAC AI

Mặc dù có hiệu suất mạnh mẽ trong các bài kiểm tra AI agent được chọn, BotPsy-0.8B của Tether gặp phải những hạn chế quan trọng liên quan đến thực thi tác vụ phức tạp, truy xuất thông tin, bảo mật và độ tin cậy trong thế giới thực. Mô hình này chủ yếu được thiết kế cho các tác vụ độ khó thấp đến trung bình, khiến nó ít phù hợp với các quy trình làm việc đòi hỏi lập luận sâu rộng, thông tin nhạy cảm hoặc ra quyết định tự chủ. Báo cáo nghiên cứu ngày 11 tháng 11 năm 2026 của Tether thừa nhận những điểm yếu này đồng thời nêu rõ kế hoạch mở rộng hệ sinh thái QVAC. Ý nghĩa dài hạn của mô hình sẽ phụ thuộc vào việc liệu những lợi thế về hiệu suất của nó có được chuyển hóa thành các ứng dụng đáng tin cậy trên các thiết bị người dùng hay không.

Hạn chế trong các nhiệm vụ AI phức tạp và hiệu suất đa ngôn ngữ

Hiệu suất của BotPsy suy giảm khi các nhiệm vụ trở nên phức tạp hơn, đặc biệt khi cần phối hợp nhiều công cụ, hướng dẫn hoặc nguồn thông tin. Trong các đánh giá cấp ứng dụng của Tether, mô hình đạt điểm tổng thể 75 trong các tình huống đơn giản sử dụng một công cụ, nhưng chỉ đạt 39,5 trong các quy trình phức tạp. Việc truy xuất thông tin qua nhiều bước đặc biệt khó khăn, với điểm số chỉ là 15 so với 79 cho các nhiệm vụ truy xuất đơn giản hơn. Hiệu suất tuân theo hướng dẫn cũng suy yếu trong các cuộc hội thoại dài hơn, trong khi kiểm tra đa ngôn ngữ cho thấy kết quả thấp đáng kể bằng tiếng Hindi so với tiếng Anh và một số ngôn ngữ được hỗ trợ khác. Những phát hiện này cho thấy các ứng dụng thực tế có thể yêu cầu giới hạn độ phức tạp của nhiệm vụ, cơ chế dự phòng và sự giám sát của con người thay vì tự động hóa không giới hạn.

Lỗ hổng bảo mật và thách thức về quyền riêng tư cho các tác nhân AI

Bảo mật vẫn là rào cản lớn đối với các trợ lý AI tự chủ, vì các mô hình gọi công cụ có thể tương tác với thông tin bên ngoài và thực hiện các hành động có hậu quả nghiêm trọng. Trong các đánh giá an toàn tự động của Tether, BotPsy đã tạo ra các phản hồi không an toàn trong 21% các bài kiểm tra yêu cầu có hại và 31% các bài kiểm tra tiêm prompt, cho thấy việc đào tạo chuyên biệt chưa loại bỏ được các lỗ hổng bảo mật. Prompt injection đặc biệt đáng lo ngại khi một tác nhân AI hiểu các lệnh độc hại được nhúng trong email, trang web hoặc các tài liệu không đáng tin cậy khác như những lệnh hợp lệ. Mặc dù xử lý tại chỗ có thể giảm sự phụ thuộc vào cơ sở hạ tầng đám mây, nhưng điều này không tự động ngăn chặn các hành động công cụ trái phép, rò rỉ dữ liệu hoặc tích hợp bị xâm phạm. Các triển khai sản xuất sẽ yêu cầu các kiểm soát quyền hạn, truy cập công cụ bị hạn chế, xử lý bảo mật thông tin xác thực và xác nhận của người dùng trước các thao tác nhạy cảm. Tether rõ ràng khuyến nghị không sử dụng BotPsy cho các quyết định tài chính, y tế hoặc các quyết định nhạy cảm khác có mức độ rủi ro cao.

Phát triển QVAC AI trong tương lai và các hệ quả thị trường tiềm năng

Chiến lược QVAC dài hạn của Tether bao gồm mở rộng khả năng AI địa phương thông qua các công nghệ như QVAC Fabric, hỗ trợ tùy chỉnh mô hình dựa trên thiết bị, và Hypersearch, nhằm củng cố việc truy xuất thông tin phi tập trung. Các phát triển trong tương lai cũng dự kiến sự phối hợp giữa điện thoại thông minh, máy tính cá nhân và các tài nguyên tính toán điểm-điểm đáng tin cậy, có thể cho phép các thiết bị nhỏ hơn giao việc xử lý nặng mà không phụ thuộc hoàn toàn vào các dịch vụ AI tập trung. Những khả năng này có thể tạo ra cơ hội cho phần mềm năng suất chú trọng quyền riêng tư, tự động hóa doanh nghiệp và các nhà phát triển tìm kiếm các lựa chọn thay thế cho việc suy luận dựa trên đám mây. Sự hội tụ rộng hơn giữa AI và tiền mã hóa cũng đang thu hút sự quan tâm đến tính toán phi tập trung và các mô hình kinh doanh kỹ thuật số thay thế, mặc dù BotPsy chưa công bố tích hợp token. Tuy nhiên, Tether chưa công bố lịch trình xác nhận cho trợ lý người dùng BotPsy tích hợp đầy đủ hoặc tiết lộ các dự báo doanh thu liên quan đến việc áp dụng nó. Tiến bộ trong tương lai sẽ phụ thuộc vào các đánh giá độc lập, hiệu suất phần cứng di động, tích hợp phần mềm an toàn, sự tham gia của nhà phát triển và khả năng duy trì độ tin cậy khi các quy trình tác nhân trở nên phức tạp hơn.

Kết luận

BotPsy-0.8B của Tether cho thấy cách đào tạo chuyên biệt có thể giúp các mô hình AI nhỏ hơn cạnh tranh với các phiên bản lớn hơn trong việc gọi công cụ, tuân theo hướng dẫn và tự động hóa đa bước. Những thành tích được báo cáo của nó trên năm trong sáu tiêu chuẩn agentic nhấn mạnh tiến bộ trong phát triển AI hiệu quả, trong khi kiến trúc nhỏ gọn của nó hỗ trợ tham vọng rộng lớn hơn của Tether về trí tuệ nhân tạo trên thiết bị và phi tập trung. Tuy nhiên, những thành tựu benchmark của BotPsy không chứng minh sự vượt trội trong mọi nhiệm vụ AI hay đảm bảo độ tin cậy trong thực tế. Các lỗ hổng bảo mật, giới hạn trong quy trình làm việc phức tạp và thiếu xác thực hiệu suất độc lập trên thiết bị người dùng vẫn là những thách thức quan trọng. Khi Tether tiếp tục phát triển hệ sinh thái QVAC của mình, ý nghĩa dài hạn của mô hình này sẽ phụ thuộc vào việc những lợi thế thí nghiệm này có chuyển hóa thành các ứng dụng AI an toàn, thực tế và dễ sử dụng rộng rãi hay không.

Câu hỏi thường gặp

Người dùng có thể tải mô hình AI BotPsy của Tether ở đâu?

BotPsy-0.8B của Tether hiện đã có sẵn công khai qua Hugging Face ở định dạng trọng số mô hình chuẩn và GGUF. Các nhà phát triển có thể tải về mô hình, xem tài liệu của nó và tích hợp vào các ứng dụng AI cục bộ tương thích mà không cần phụ thuộc vào API mô hình độc quyền.

BotPsy của Tether có được sử dụng miễn phí cho các dự án thương mại không?

BotPsy được phát hành theo giấy phép Apache 2.0, cho phép sử dụng thương mại, sửa đổi và phân phối lại, với điều kiện tuân thủ các điều khoản của giấy phép. Các nhà phát triển vẫn chịu trách nhiệm tuân thủ các giấy phép bên thứ ba, yêu cầu bảo vệ dữ liệu và các luật liên quan khác.

Phần mềm nào hỗ trợ chạy BotPsy cục bộ?

BotPsy hỗ trợ các khung inference AI phổ biến, bao gồm Hugging Face Transformers, llama.cpp, vLLM và các bản triển khai GGUF tương thích Ollama. Các nhà phát triển phải cấu hình runtime và tích hợp công cụ phù hợp, trong khi hiệu suất phụ thuộc vào phần cứng sẵn có và cài đặt mô hình.

BotPsy yêu cầu bao nhiêu dung lượng lưu trữ và bộ nhớ?

Các tệp BotPsy GGUF đã được xuất bản có kích thước từ khoảng 0,53 GB đến 1,52 GB, tùy thuộc vào độ chính xác. Tuy nhiên, đây là kích thước tệp mô hình chứ không phải tổng yêu cầu RAM. Lượng bộ nhớ thực tế tiêu thụ cũng phụ thuộc vào động cơ suy luận, độ dài ngữ cảnh và chi phí thời gian chạy.

BotPsy có cần kết nối internet để hoạt động không?

BotPsy có thể tạo phản hồi cục bộ mà không cần kết nối internet liên tục sau khi đã cài đặt mô hình và phần mềm cần thiết. Tuy nhiên, các thao tác liên quan đến tìm kiếm trực tuyến, ứng dụng đám mây hoặc dịch vụ từ xa vẫn yêu cầu kết nối mạng. Việc suy luận ngoại tuyến không tự động làm cho mọi quy trình được kết nối trở thành ngoại tuyến.
 
Thông báo miễn trừ trách nhiệm: Thông tin thị trường chung này, có thể đến từ các nguồn bên thứ ba, thương mại hoặc được tài trợ, được cung cấp chỉ để tham khảo và mục đích giáo dục, không cấu thành lời khuyên tài chính hoặc đầu tư, lời mời gọi, đề nghị hoặc bảo đảm. Chúng tôi từ chối mọi trách nhiệm đối với tính chính xác, đầy đủ, độ tin cậy của nó và bất kỳ tổn thất nào phát sinh. Đầu tư/giao dịch mang tính rủi ro; hiệu suất trong quá khứ không đảm bảo kết quả trong tương lai. Người dùng nên tự nghiên cứu, đánh giá một cách thận trọng và tự chịu trách nhiệm hoàn toàn. Để biết thêm chi tiết, vui lòng tham khảo Điều khoản sử dụng và Thông báo rủi ro của KuCoin.

Tuyên bố từ chối trách nhiệm: Trang này được dịch bằng công nghệ AI để thuận tiện cho bạn. Để biết thông tin chính xác nhất, hãy tham khảo bản gốc tiếng Anh.