테더, 자체 테스트서 대형 경쟁 모델 앞선 8억 매개변수 AI 에이전트 공개

테더가 수요일 개인 기기에서 일상 작업을 수행하는 AI 에이전트 QVAC BotPsy를 공개했다. 이 모델은 매개변수 8억 개를 갖췄다. 테더의 테스트에서 BotPsy는 매개변수가 최대 2.5배 많은 경쟁 모델을 앞섰다. BotPsy는 모델 5개를 대상으로 한 도구 사용 평가 6개 중 5개에서 최고 성적을 거뒀다. 이 결과는 실용적인 작업을 수행하는 AI 비서에 반드시 초대형 모델이 필요한 것은 아닐 수 있음을 보여준다.

BotPsy는 개인 정보를 클라우드 서버로 전송하지 않고도 휴대전화 설정, 메시지 전송, 일정 관리와 관련한 여러 단계의 작업을 처리할 수 있다. 에이전트는 작업에 필요한 소프트웨어 도구를 판단하고, 명령을 순서대로 실행하며, 작업이 실패하면 대응 방식을 조정한다. 테더는 BotPsy가 와이파이가 꺼져 있고 받은 편지함이 가득 찬 상황에서 메시지를 보내는 테스트 사례를 소개했다. 테더에 따르면 BotPsy는 와이파이를 켜고 충분한 저장 공간을 확보한 뒤 메시지를 보냈다. 반면 기반 모델은 실패한 작업을 반복했다.

테더는 알리바바의 Qwen3.5-0.8B 아키텍처를 기반으로 BotPsy를 구축하고 소프트웨어 도구와의 상호작용에 초점을 맞춘 추가 학습을 진행했다. 매개변수는 학습 과정에서 모델이 학습하는 수치이며, 일반적으로 매개변수가 적은 모델은 메모리를 덜 사용한다. 매개변수가 많을수록 성능이 향상되는 경향이 있으며, 현재 최첨단 AI 모델에는 매개변수가 수조 개 들어 있다.

테더의 기술 문서에 따르면 BotPsy는 BFCL v4에서 44.0%를 기록했다. BFCL v4는 작업 및 대화 전반에서 함수 선택과 실행을 평가하며, 도구 사용 범주별 가중 성공률을 측정한다. 기반 모델인 Qwen3.5-0.8B는 이 벤치마크에서 23.4%를 기록했다. 더 큰 Qwen3.5-2B는 37.7%를 달성했다.

BotPsy는 도구 선택과 도구에 전달하는 인수 등을 포함해 함수 호출의 정확도를 측정하는 ACEBench에서 58.7%를 기록했다. 기반 모델은 ACEBench에서 30.1%를 기록했다. 매개변수 20억 개를 갖춘 경쟁 모델은 55.4%를 달성했다. 테더의 평가 6개에서 BotPsy의 평균 점수는 45.0%였다. 더 큰 Qwen 모델은 해당 평가에서 평균 38.8%를 기록했다.

BotPsy는 완전히 중앙 집중식 클라우드 인프라에 의존하기보다 사용자가 제어하는 기기를 중심으로 테더가 개발 중인 AI 생태계 QVAC의 확장판이다. 세계 최대 스테이블코인 USDT를 발행하는 테더는 이미 의료, 번역, 음성 처리에 쓰이는 로컬 QVAC 모델을 보유하고 있다. 테더는 2025년 5월 대형 기술 기업의 AI 서비스에 대한 대안으로 QVAC을 선보였다. 테더의 장기 목표에는 애플리케이션을 이용하고 비트코인과 USDT로 결제할 수도 있는 자율형 에이전트가 포함됐다.

테더는 2025년 10월 과학·공학 분야의 410억 토큰 규모 학습 데이터 세트를 추가했다. 테더는 AI 모델을 로컬에서 실행하는 애플리케이션 QVAC Workbench도 선보였다. 올해 앞선 시점에는 모바일과 데스크톱 운영체제에서 오프라인 AI 애플리케이션을 구축할 수 있는 소프트웨어 개발 키트를 출시했다. 테더는 소비자용 하드웨어에서 의료 AI 작업을 수행하는 QVAC MedPsy도 개발했다. 매개변수 17억 개를 갖춘 MedPsy 버전은 의사가 개발한 기준에 따라 실제와 같은 임상 대화를 평가하는 HealthBench Hard에서 더 큰 구글 MedGemma-27B를 앞섰다.

BotPsy는 Apache 2.0 라이선스를 적용한 오픈 웨이트 모델로 현재 이용할 수 있으며, 개발자는 모델을 내려받고 수정해 애플리케이션에 통합할 수 있다. 테더는 로컬 사용 시 메모리 요구량을 줄이도록 압축한 버전도 공개했다. 테더는 BotPsy를 활용한 완성형 소비자용 비서의 출시일을 밝히지 않았다. 공개된 모델 카드에 따르면 이번 공개에는 학습 코드와 학습 데이터가 포함되지 않았다.