Модель QVAC BotPsy: Tether выпустила открытого ИИ-агента на 0,8 млрд параметров для телефона — но к деньгам его не подпускать
Эмитент USDT выпустил крошечную открытую модель, которая вызывает инструменты в приложениях прямо на устройстве. Разбираем цифры, запуск и ограничения, которые Tether указала сама.

- Tether представила модель 11 ноября: веса открыты под лицензией Apache 2.0, есть сборки GGUF от 0,53 до 1,52 ГБ.
- По тестам самой Tether, на BFCL v4 модель набрала 44,0 против 23,4 у базовой Qwen3.5-0.8B, а на ToolSandbox — 64,6 против 30,5.
- Компания прямо пишет: модель не для денег, личных данных и важных решений, а по-русски она слушается заметно хуже, чем по-английски.
Tether выпустила модель QVAC BotPsy — открытую нейросеть на 0,8 млрд параметров, которая не болтает, а нажимает кнопки — вызывает инструменты в приложениях прямо на телефоне или ноутбуке. Эмитент USDT уверяет, что она обходит модели в 2,5 раза крупнее. Разбираем, что умеет модель, где её взять и почему русскоязычным пользователям радоваться рано.
Что выпустила Tether
QVAC — это направление Tether по локальному ИИ, который работает на устройстве пользователя, а не на чужих серверах. По Decrypt, проект впервые показали в мае 2025 года, и в нём уже есть модели для зрения, речи, медицины и перевода. Новинка добавляет туда «руки»: модель получает запрос и список инструментов приложения и превращает просьбу в правильные вызовы, если надо — в несколько шагов.
Основа — открытая Qwen3.5-0.8B от Alibaba, которую Tether дообучила под вызов функций. В анонсе Tether пример такой: сообщение не отправляется, потому что выключен Wi-Fi и переполнен ящик. Модель включает Wi-Fi, освобождает место и отправляет письмо, а базовая модель просто повторяет неудачную попытку. Ещё одно полезное умение — понимать, что ни один из доступных инструментов не подходит, и не выдумывать вызов. На тесте BFCL на такие «галлюцинации» модель набрала 86,1.
Зачем это эмитенту стейблкоина? Логика Tether в том, что ассистенту, который бронирует поездки и двигает встречи, нужен доступ к почте, календарю и контактам. Сегодня эти данные обычно уходят на серверы нескольких крупных компаний, а маленькая модель может обрабатывать запрос на самом устройстве. Глава Tether Паоло Ардоино формулирует это так: пользователь сам должен решать, к чему у ассистента есть доступ и к каким внешним сервисам он подключается. В долгосрочном плане компания описывает связку, где телефон общается с пользователем, тяжёлые задачи уходят на домашний ПК или доверенные p2p-узлы, а веб-запросы идут по зашифрованным p2p-каналам. Но пока это только заявленное видение: в релизе есть модель и файлы для запуска, не больше.
Модель QVAC BotPsy в цифрах
Все цифры ниже — из тестов самой Tether, независимой проверки пока нет:
- BFCL v4: 44,0 против 23,4 у базы и 37,7 у Qwen3.5-2B;
- ACEBench: 58,7 против 30,1 у базы и 55,4 у 2B-модели;
- τ-bench: 51,5 против 23,2;
- ToolSandbox: 64,6 против 30,5;
- многоходовые сценарии BFCL: 46,1 против 7,5 у базы и 23,8 у 2B-модели.
По Decrypt, из шести тестов на работу с инструментами модель победила в пяти, средний балл — 45,0 против 38,8 у Qwen3.5-2B. Единственный проигрыш — Claw-Eval, 46,5 против 48,9.
При этом общие знания у неё слабые. По Unite.AI, на GPQA Diamond и MMLU-Pro она набирает 38,1 и 48,9 против 59,9 и 65,5 у 2B-модели, а в поисковом BrowseComp-Plus — всего 4,5. То есть это не умный собеседник, а исполнитель, который за фактами должен ходить в инструменты. Зато рассуждает короче: на одних и тех же решённых вопросах GPQA ей хватило 3 690 токенов размышлений против 11 563 у базы.
Модель QVAC BotPsy — это не маленький ChatGPT, а маленький оператор. Она хорошо жмёт кнопки и плохо знает мир, и Tether этого не скрывает.
Как запустить
Веса лежат на Hugging Face в формате BF16 под Apache 2.0, коммерческое использование разрешено. Для llama.cpp и QVAC SDK есть три файла GGUF: BF16 около 1,52 ГБ, Q8_0 около 0,81 ГБ и Q4_K_M около 0,53 ГБ. Tether советует Q8_0: в среднем по десяти тестам он набрал 50,7, почти как BF16 с 50,4, при вдвое меньшем размере. Q4_K_M даёт 48,9 и подходит, если памяти совсем мало. Код и данные обучения не опубликованы.
Где подвох
- Безопасность. В автоматическом ред-тиминге модель давала небезопасные ответы в 21% случаев против 36% у базы, а при атаках через промпт-инъекции — 31% против 46%. Лучше, чем было, но для агента, который читает чужие данные из инструментов, это много.
- Деньги — нет. В карточке модели прямо сказано: не для задач с деньгами, персональными данными, здоровьем и критичными решениями. Подключать её к кошельку или бирже — плохая идея.
- Русский язык. Модель обучали и тестировали в основном на английском. В тесте на выполнение инструкций на семи других языках результаты на хинди и русском вышли заметно слабее.
- Цифры от производителя. Все бенчмарки — из отчёта Tether, сторонних замеров пока нет.
FAQ
Модель QVAC BotPsy бесплатная? Да, веса открыты под Apache 2.0, включая коммерческое использование.
Пойдёт на телефоне? По размеру — да: сжатая версия весит около 0,53 ГБ. Но приложение вокруг модели с доступами и разрешениями должен сделать разработчик.
Можно доверить ей крипту? Нет. Tether сама исключает задачи с деньгами, а уровень небезопасных ответов при промпт-инъекциях — 31%.
Что это значит для тебя
Tether всё глубже уходит в ИИ — мы уже писали, как компания показала MDK для 15 майнеров и ИИ-агентов, а также разбирали локальные модели LFM3 от Liquid AI, которые тоже влезают в гигабайт. Модель QVAC BotPsy — интересная игрушка для разработчиков локальных ассистентов на английском. Обычному пользователю из СНГ готового продукта она пока не даёт, а к деньгам её лучше не подпускать вовсе.
Материал не является инвестиционной рекомендацией. Крипта — высокий риск, решения принимаешь сам.


