Tether memperkenalkan agen AI 800 juta parameter yang mengungguli pesaing lebih besar dalam pengujian perusahaan

Tether memperkenalkan QVAC BotPsy pada Rabu sebagai agen AI untuk tugas sehari-hari di perangkat pribadi. Model ini memiliki 800 juta parameter. Pengujian Tether menunjukkan BotPsy mengungguli model pesaing dengan parameter hingga 2,5 kali lebih banyak. BotPsy memperoleh hasil terbaik dalam lima dari enam evaluasi penggunaan alat yang melibatkan lima model. Hasil tersebut mengindikasikan bahwa asisten AI mungkin tidak memerlukan model yang sangat besar untuk menjalankan tugas praktis.

BotPsy dapat menangani operasi bertahap yang melibatkan pengaturan ponsel, pengiriman pesan, dan penjadwalan, yang berpotensi dilakukan tanpa memindahkan informasi pribadi ke server cloud. Agen ini menentukan alat perangkat lunak yang diperlukan untuk suatu tugas, menjalankan perintah secara berurutan, dan menyesuaikan diri ketika operasi gagal. Tether menjelaskan pengujian pengiriman pesan ketika BotPsy mendapati Wi-Fi dinonaktifkan dan kotak masuk penuh. Tether mengatakan BotPsy mengaktifkan Wi-Fi, membebaskan ruang penyimpanan yang cukup, lalu mengirim pesan. Model dasarnya justru terus mengulangi operasi yang gagal.

Tether membangun BotPsy dengan arsitektur Qwen3.5-0.8B milik Alibaba dan memberikan pelatihan tambahan yang berfokus pada interaksi dengan alat perangkat lunak. Parameter adalah nilai numerik yang dipelajari selama pelatihan, dan model dengan parameter lebih sedikit umumnya membutuhkan memori lebih kecil. Jumlah parameter yang lebih tinggi biasanya meningkatkan kinerja, dan model AI terdepan saat ini memiliki triliunan parameter.

Dokumentasi teknis Tether mencatat skor BotPsy sebesar 44,0% pada BFCL v4. BFCL v4 mengukur pemilihan dan pelaksanaan fungsi dalam berbagai tugas dan percakapan, menggunakan persentase keberhasilan tertimbang di berbagai kategori penggunaan alat. Qwen3.5-0.8B sebagai model dasar meraih skor 23,4% pada tolok ukur tersebut. Qwen3.5-2B yang lebih besar meraih 37,7%.

BotPsy meraih 58,7% pada ACEBench, yang mengukur akurasi pemanggilan fungsi, termasuk pemilihan alat dan argumen yang diberikan kepada alat. Model dasar meraih 30,1% pada ACEBench. Pesaing dengan 2 miliar parameter meraih 55,4%. Enam evaluasi Tether menghasilkan skor rata-rata 45,0% untuk BotPsy. Model Qwen yang lebih besar mencatat rata-rata 38,8% dalam keenam evaluasi tersebut.

BotPsy memperluas QVAC, ekosistem AI yang dikembangkan Tether dengan mengutamakan perangkat yang dikendalikan pengguna alih-alih ketergantungan penuh pada infrastruktur cloud terpusat. Tether, perusahaan di balik USDT, stablecoin terbesar di dunia, telah memiliki model QVAC lokal untuk keperluan medis, penerjemahan, dan pemrosesan suara. Tether memperkenalkan QVAC pada Mei 2025 sebagai alternatif bagi layanan AI dari perusahaan teknologi besar. Sasaran jangka panjang Tether mencakup agen otonom yang dapat menggunakan aplikasi dan berpotensi melakukan pembayaran dengan Bitcoin dan USDT.

Tether menambahkan set data pelatihan sains dan teknik yang berisi 41 miliar token pada Oktober 2025. Tether juga memperkenalkan QVAC Workbench, aplikasi untuk menjalankan model AI secara lokal. Lebih awal tahun ini, Tether merilis kit pengembangan perangkat lunak untuk membangun aplikasi AI luring di sistem operasi seluler dan desktop. Tether juga mengembangkan QVAC MedPsy untuk tugas AI medis di perangkat konsumen. Versi MedPsy dengan 1,7 miliar parameter mengungguli MedGemma-27B milik Google yang lebih besar pada HealthBench Hard, yang menilai percakapan klinis realistis berdasarkan kriteria yang dikembangkan dokter.

BotPsy kini tersedia sebagai model berbobot terbuka dengan lisensi Apache 2.0, yang memungkinkan pengembang mengunduh, memodifikasi, dan memasukkan model tersebut ke dalam aplikasi. Tether juga menyediakan versi terkompresi untuk mengurangi kebutuhan memori saat digunakan secara lokal. Tether belum memberikan tanggal peluncuran asisten konsumen siap pakai yang menggunakan BotPsy. Kartu model yang diterbitkan menyatakan bahwa rilis ini tidak menyertakan kode maupun data pelatihan.