Tether AI Research ha rilasciato QVAC BotPsy-0.8B, un modello linguistico open-weight da 800 milioni di parametri specializzato nell’utilizzo di strumenti software e nell’esecuzione di procedure composte da più passaggi. Il modello deriva da Qwen3.5-0.8B di Alibaba ed è stato ulteriormente addestrato per operare su dispositivi personali con risorse computazionali relativamente contenute. Le applicazioni previste comprendono la gestione di calendari, messaggi, documenti, impostazioni del dispositivo, ricerche online, prenotazioni e operazioni di assistenza. BotPsy non comprende direttamente tutte le connessioni necessarie: l’applicazione che lo ospita deve fornire strumenti disponibili, autorizzazioni e meccanismi di esecuzione. Il comportamento ricercato riguarda soprattutto la capacità di scegliere la funzione appropriata, riconoscere gli errori e proseguire un’attività senza ripetere operazioni già fallite. In una dimostrazione basata su ACEBench, il modello ha affrontato l’impossibilità di inviare un messaggio attivando prima il Wi-Fi e liberando spazio nella casella di posta, mentre il modello originale continuava a tentare l’invio. Un’altra capacità riguarda il riconoscimento delle richieste per le quali nessuno strumento disponibile è appropriato.
Le valutazioni pubblicate da Tether mostrano miglioramenti significativi rispetto al modello di partenza nei benchmark dedicati agli agenti. Il punteggio BFCL v4 passa da 23,4 a 44,0, ACEBench da 30,1 a 58,7 e ToolSandbox da 30,5 a 64,6. Nei test multi-turno di BFCL v4, che misurano la continuità operativa attraverso richieste successive, BotPsy raggiunge 46,1 contro 7,5 del modello originale e 23,8 di Qwen3.5-2B-Think. Il risultato di 86,1 nel test BFCL relativo alle allucinazioni misura invece la capacità di evitare chiamate quando nessuna funzione disponibile risulta adatta. BotPsy supera Qwen3.5-2B-Think in cinque dei sei benchmark agentici considerati, mentre il modello più grande conserva un vantaggio su Claw-Eval, con 48,9 contro 46,5. Restano tuttavia differenze importanti nelle capacità generali: BotPsy ottiene 38,1 in GPQA Diamond e 48,9 in MMLU-Pro, contro rispettivamente 59,9 e 65,5 del modello da due miliardi di parametri. Il risultato di 4,5 su BrowseComp-Plus evidenzia inoltre difficoltà nelle ricerche aperte particolarmente complesse.
L’addestramento comprende quattro fasi di post-training: supervised fine-tuning, distillazione on-policy con più modelli insegnanti e due cicli di reinforcement learning con ricompense verificabili. Tre modelli Qwen3.5-4B specializzati hanno contribuito alle competenze relative all’utilizzo degli strumenti, al ragionamento generale e al rispetto delle istruzioni. Tether segnala anche una riduzione della lunghezza delle elaborazioni: nei quesiti GPQA Diamond risolti correttamente dai modelli confrontati, BotPsy ha utilizzato mediamente 3.690 token di ragionamento contro 11.563 del modello base; su MMLU-Pro i valori sono 1.912 contro 5.105. Per l’esecuzione locale sono disponibili pesi BF16 e versioni GGUF compatibili con llama.cpp e QVAC SDK, con file di circa 1,52 GB in BF16, 0,81 GB in Q8_0 e 0,53 GB in Q4_K_M. La quantizzazione Q8_0 viene consigliata per il rapporto tra dimensioni e prestazioni, avendo registrato una media di 50,7 su dieci benchmark contro 50,4 della versione BF16. I pesi principali sono distribuiti con licenza Apache 2.0. Il modello è ottimizzato prevalentemente per l’inglese e non è destinato a decisioni automatizzate ad alto rischio o a operazioni sensibili relative a denaro, salute e informazioni personali. Nei test di sicurezza produce risposte non sicure nel 21% dei casi, contro il 36% del modello originale, mentre nelle prove di prompt injection i valori sono rispettivamente 31% e 46%. Tether prevede di integrare progressivamente BotPsy con gli altri modelli QVAC dedicati a visione, voce e traduzione, all’interno di un’architettura in cui smartphone, computer domestici e nodi peer-to-peer affidabili possano collaborare nell’esecuzione delle attività.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)