Mô hình AI 800 triệu tham số của Tether đạt 86,1 điểm ở mục hạn chế gọi công cụ

Tether công bố QVAC BotPsy, mô hình trí tuệ nhân tạo (AI) chạy trực tiếp trên thiết bị với 800 triệu tham số. Mô hình đạt 86,1 điểm ở hạng mục BFCL v4 đánh giá khả năng không gọi công cụ khi không có công cụ phù hợp.

Tether AI Research cho biết trong thông báo chính thức ngày 11 rằng BotPsy được phát triển dựa trên Qwen3.5-0.8B của Alibaba. Mô hình tập trung vào tác vụ gọi công cụ, tức chọn chức năng trong ứng dụng để thực hiện yêu cầu như đổi lịch hoặc gửi tin nhắn.

Trọng số mô hình được phát hành theo giấy phép Apache 2.0 để nhà phát triển và nhà nghiên cứu tải xuống, sử dụng. Trọng số là các giá trị cấu hình của mô hình sau khi huấn luyện; việc công khai chúng cho phép nhà phát triển khác sử dụng mô hình.

Tài liệu kỹ thuật đăng trên Hugging Face nêu kết quả của sáu bài kiểm tra về khả năng sử dụng tác nhân và công cụ. BotPsy đạt điểm cao hơn các mô hình có tối đa 1,2 tỷ tham số mà Tether chọn để so sánh. Mô hình này cũng vượt Qwen3.5-2B-Think ở năm trong sáu bài kiểm tra.

Ngoại lệ là Claw-Eval: BotPsy đạt 46,5 điểm, còn Qwen3.5-2B-Think đạt 48,9 điểm.

Ở tổng điểm BFCL v4, BotPsy đạt 44,0 điểm, so với 37,7 điểm của Qwen3.5-2B-Think. Mô hình nền Qwen3.5-0.8B-Think đạt 23,4 điểm.

Đây là kết quả so sánh do Tether công bố. Cách đo giữa các bài kiểm tra khác nhau, nên không thể chỉ dựa vào điểm số để kết luận mô hình nào vượt trội về năng lực AI nói chung. Chưa có kết quả cho thấy bên thứ ba đã tái hiện các bài kiểm tra này.

Điểm 86,1 mà Tether nêu riêng là kết quả ở một hạng mục BFCL v4 đánh giá liệu mô hình có bịa ra lệnh gọi công cụ khi không có công cụ phù hợp hay không. Hạng mục này đo khả năng tránh gọi công cụ khi mô hình không thể chọn chức năng cần thiết.

Phép đo chỉ tập trung vào khả năng kiềm chế gọi công cụ. Phạm vi này khác với đánh giá an toàn rộng hơn, vốn xem xét khả năng từ chối các yêu cầu nguy hiểm hoặc có hại.

Paolo Ardoino, CEO của Tether, nói trong thông báo chính thức: “Một trợ lý quản lý lịch, tin nhắn và tài liệu cần được tiếp cận những thông tin riêng tư nhất”. Ý của ông là AI chạy cục bộ có thể giúp người dùng kiểm soát nhiều hơn cách thông tin được xử lý.

Chạy mô hình ngay trên thiết bị có thể giảm nhu cầu gửi dữ liệu cá nhân đến máy chủ tập trung. Tuy nhiên, chỉ chạy cục bộ không đồng nghĩa dữ liệu được bảo vệ hoàn toàn.

Quyền truy cập thông tin và khả năng kết nối với dịch vụ bên ngoài phụ thuộc vào quyền hạn cũng như thiết kế của ứng dụng tích hợp mô hình. Vì vậy, mức độ bảo vệ thực tế còn phụ thuộc vào phạm vi truy cập mà ứng dụng thiết lập.

Hướng dẫn QVAC cho biết cần có kết nối mạng để dùng các công cụ trực tuyến như tìm kiếm web hoặc dịch vụ đặt chỗ. Do đó, ngay cả khi sử dụng mô hình cục bộ, quá trình thực hiện những chức năng này vẫn có thể cần kết nối bên ngoài.

Tether đã công khai trọng số mô hình theo giấy phép Apache 2.0, nhưng không công bố dữ liệu và mã nguồn dùng để huấn luyện. Đây là đợt phát hành trọng số, không phải công bố toàn bộ tài liệu huấn luyện và mã nguồn.

QVAC giới thiệu BotPsy như một mô hình để nhà phát triển tích hợp vào trợ lý hoặc tác nhân của riêng họ. Công ty cho biết chưa cung cấp ứng dụng dành riêng cho người dùng phổ thông để tải xuống và sử dụng ngay.

BotPsy bổ sung khả năng thực thi công cụ vào dòng sản phẩm QVAC, vốn có các mô hình về thị giác, giọng nói, sức khỏe và dịch thuật. Tether cũng tham gia vòng đầu tư Series E của công ty bán dẫn AI Tenstorrent vào tháng 10. Tether lưu ý BotPsy có thể mắc lỗi và không phù hợp với các ứng dụng nhạy cảm hoặc có rủi ro cao như tài chính, sức khỏe và thông tin cá nhân.