Tether Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. Research a annoncé le 11 novembre 2026 la sortie de BotPsy‑0.8B, un modèle de 0,8 milliard de paramètres conçu pour exécuter des appels d’outils directement sur un appareil personnel. S’appuyant sur la version open‑weight de Qwen 3.5‑0.8B d’Alibaba, le modèle se veut spécialisé dans les workflows multi‑étapes où l’assistant doit interagir avec le calendrier, les messages, les fichiers ou encore les paramètres du dispositif. L’objectif affiché est de proposer une IA capable de gérer des tâches de difficulté faible à moyenne sans dépendre du cloud.

Des performances nettement supérieures sur les bench‑marks agentiques

Dans les tests internes de Tether, BotPsy a dépassé tous les modèles évalués jusqu’à 1,2 milliard de paramètres sur six benchmarks dédiés aux agents autonomes. Le score BFCL v4, qui mesure la capacité à enchaîner plusieurs tours de dialogue, passe de 23,4 pour le modèle de base Qwen 3.5‑0.8B‑Think à 44,0 pour BotPsy. Sur ACEBench, le gain est encore plus impressionnant : 30,1 contre 58,7. Le modèle obtient également 64,6 sur ToolSandbox, contre 30,5 pour le même modèle de base.

Un exemple illustratif, nommé ACEBench, montre la différence concrète. Le scénario consiste à envoyer un message alors que le Wi‑Fi est désactivé et que la boîte de réception est pleine. BotPsy active d’abord le Wi‑Fi, libère de l’espace dans la boîte de réception, puis envoie le message. Le modèle de base se contente de répéter la tentative échouée. Cette capacité à reconnaître qu’aucun outil disponible ne correspond à une requête – et à s’abstenir de répondre – constitue un comportement essentiel pour un assistant intégré à des applications réelles.

Une spécialisation qui se paye en efficacité

Les gains observés proviennent principalement de la spécialisation du modèle sur l’appel d’outils. La phase d’TrainingProcessus durant lequel un modèle ajuste ses paramètres à partir de données afin d'améliorer ses performances. a comporté quatre étapes : fine‑tuning supervisé, DistillationTechnique permettant d'entraîner un modèle à reproduire certaines capacités ou sorties d'un autre modèle. multi‑enseignant en on‑policy, puis deux rounds de Reinforcement LearningMéthode d'apprentissage dans laquelle un agent améliore ses décisions en fonction des récompenses reçues lors de ses interactions.. Trois enseignants spécialisés (outil, raisonnement général, suivi d’instructions) issus de la version 4 B de Qwen 3.5 ont guidé la distillation, tandis que les récompenses de RL privilégiaient d’abord l’appel d’outils, avant d’ajouter des compétences en mathématiques, code et Sortie structuréeRéponse d'un modèle organisée selon un format ou un schéma prédéfini, notamment JSON.. Le résultat est un modèle qui produit des traces de raisonnement plus courtes : 3 690 TokenUnité de contenu traitée par un modèle de langage, pouvant représenter un mot, une partie de mot ou un caractère. contre 11 563 pour le modèle de base sur les questions GPQA Diamond correctement résolues.

Le format de diffusion (GGUF) propose trois fichiers adaptés à llama.cpp et au SDK QVAC : BF16 (≈ 1,52 Go), Q8_0 (≈ 0,81 Go) et Q4_K_M (≈ 0,53 Go). Tether recommande la version Q8_0, qui atteint une moyenne de 50,7 sur dix benchmarks, proche du BF16 (50,4) mais avec une taille de fichier nettement inférieure.

Limites et garde‑fous

BotPsy a été entraîné majoritairement en anglais, langue dans laquelle il offre les meilleures performances. Les évaluations multi‑langues montrent des résultats nettement plus faibles en hindi et en russe. Le modèle n’est pas destiné à des usages critiques – décisions financières, données de santé, informations personnelles – et il peut encore générer des réponses dangereuses. Lors de tests automatisés de red‑team, BotPsy a produit des réponses jugées non sûres dans 21 % des cas, contre 36 % pour le modèle de base. Sous des attaques par Prompt InjectionAttaque consistant à introduire des instructions malveillantes dans les données traitées par une IA pour détourner son comportement., les taux d’insécurité sont de 31 % et 46 % respectivement.

Vers un assistant réellement local

Le plan QVAC envisage une interface Android ou iOS pour les interactions quotidiennes, en délégant les tâches plus lourdes à un PC domestique ou à des nœuds pair‑à‑pair fiables. Les requêtes web seraient acheminées via des connexions chiffrées peer‑to‑peer. Cette vision reste à ce jour théorique ; la version actuelle ne fournit que le modèle et les fichiers de déploiement. Selon le PDG de Tether, Paolo Ardoino, « les utilisateurs doivent décider quelles données leur assistant peut consulter et quels services externes il peut appeler ».

En pratique, BotPsy se montre prometteur pour automatiser des actions simples – mise à jour d’un agenda, envoi de messages, consultation de fichiers – à condition que l’application qui l’intègre impose des contrôles d’accès stricts. Le véritable test sera la capacité des développeurs à intégrer ce modèle dans des environnements mobiles tout en respectant les limites de sécurité et de confidentialité décrites dans la carte modèle.

Une lecture à partager ?
Partager
Partager cet article
WhatsApp ↗LinkedIn ↗Facebook ↗X ↗E-mail ↗

POUR CONTINUER

Garder le fil.

Toutes les actus ↗