Tether、オンデバイスのビジョンAI向けに460MパラメータのVisionPsy-Nanoモデルをリリース

Why it matters

Tether is using QVAC to expand from stablecoins into edge AI infrastructure. A capable 460M-parameter VLM could lower cloud inference costs and keep sensitive images on users' devices, provided independent testing confirms QVAC's results.

Tether DataのQVAC研究グループは7月29日に460Mパラメータのビジョン・ランゲージモデルを2つ公開し、開発者にクラウドサービスへ画像を送信せずに画像を解釈する必要があるアプリ向けのオープンな重みとモバイル推論コードを提供した。QVACはXのスレッドでVisionPsy-Nanoを発表し、[モデルコレクション]をApache 2.0ライセンスで公開した。 (huggingface.co)

https://x.com/qvac/status/2082439175891284476?s=46

このリリースはTether CEO Paolo Ardoino'sがステーブルコイン発行者をピアツーピアのコンピューティング基盤の構築者に変えるという取り組みを拡張するものだ。Ardoinoは2014年にBitfinexに参加し、2017年にTetherのchief technology officerに就任、2023年12月にCEOに就任した。Tetherが2025年5月にQVACを導入した際、彼は戦略を端的にこう要約した。「If you need an API key to use your AI, it isn't truly yours.」 (tether.io)

技術ポストはKhurram Azeem HashmiやMathias Buusを含む10人の研究グループ名義で発表され、2つのバリアントを示している。VisionPsy-Nano-460Mは品質を重視し、VisionPsy-Nano-460M-Flashは各画像で処理するビジュアルトークン数を削減してレイテンシとメモリ使用量を抑える。 (huggingface.co)

より小さいビジュアル・パイプライン

VisionPsy-NanoはnanoVLMアーキテクチャを基盤とし、SigLIP2画像エンコーダを360MパラメータのSmolLM2言語バックボーンと軽量コネクタと組み合わせている。両バリアントは8,192トークンのコンテキストをサポートし、1リクエストあたり1画像を想定して設計されている。品質モデルは512x512画像で1,088のビジュアルトークンを生成できる一方、Flashはタイル化の前に拡大する代わりに画像のネイティブスケールを保持することで同解像度を64のビジュアルトークンで処理する。 (huggingface.co)

QVACはPixel 9、Galaxy S23、Galaxy S25 Ultra、iPhone 15で4ビットGGUFビルドを使用してFlashを計測した。そのテストでは、Flashは共通のランタイム上でnanoVLM-460MやSmolVLM2-500Mと比べて最初の出力トークン到達が11.9倍から25.1倍速かった。また、各端末が最速テストバックエンドを使用した場合、Liquid AIのLFM2.5-VL-450Mより1.3倍から2.4倍速く、Qwen3.5-0.8Bより2.3倍から3.5倍速かった。これらは独立して再現された結果ではなくQVACによる計測値である。 (huggingface.co)

開発者はTransformers経由で完全精度のチェックポイントを読み込み、サーバー推論にはvLLMを使用するか、llama.cpp経由で量子化されたGGUFバージョンをデプロイできる。QVACはこれら3つの経路すべてに対応する推論スクリプトを含むGitHubリポジトリも公開した。より広範なQVAC SDKは、Linux、macOS、Windows、Android、iOS上のローカルAI向けにJavaScriptとTypeScriptのインターフェースを提供する。 (github.com)

ベンチマークの優位性には注意点がある

QVACはVisionPsy-Nano-460Mの正規化総合スコアを62.3と報告しており、LFM2.5-VL-450Mの59.6、nanoVLM-460M-8kの54.9、SmolVLM2-500Mの52.5を上回っているとする。QVACによれば、VisionPsy-Nanoはおおよそ0.5Bパラメータ群に対して17のベンチマーク行のうち15行で単独首位を獲得し、16行目でも好評価を得たという。文書理解とOCR、視覚知覚、推論と知識、指示遵守と信頼性のグループ化スコアで先行した。 (huggingface.co)

これらの比較は社内で単一のVLMEvalKitハーネスを用いて実行された。QVACは自由記述形式の回答を評価するためにQwen3.6-27Bを用い、「12%」対「12 percent」のような書式の差で回答が不利にならないようにする手法を採った。ローンチ時点では、VisionPsyモデルのサポート追加やジャッジベースのスコアリングに関する変更はVLMEvalKitのオープンなプルリクエストのままで、メンテナのレビューは入っていなかった。QVACは研究者がそのパッチを適用して設定を再現できるように構成を公開している。 (github.com)

パラメータクラスでの比較にも明確な境界がある。より大きなモデルは生の17ベンチマーク平均で上回っており、Qwen3.5-0.8Bは66.1、InternVL3.5-1Bは65.9を記録したのに対し、VisionPsy-Nanoは62.3だった。VisionPsy-Nanoは、科学問題、視覚的指示従順性、幻覚耐性を扱う3つの完全なベンチマークでこれらの大きなモデルを上回った。 (huggingface.co)

TetherのローカルAI戦略

QVACはカメラに関する質問、レシート、フォーム、チャート、図、シーンテキスト、軽量な視覚指示をターゲットにしている。小さいパラメータ数は厳しい制約を生み、QVACはドメイン特化のファインチューニングを推奨し、主に英語をサポートするとともにモデルがハルシネーションを起こしたり、数え間違いをしたり、密な文書や多段階の数学に苦戦したりする可能性を警告している。QVACはVisionPsy-Nanoを安全性が重要な自動化判断には使用すべきでないとしている。 (huggingface.co)

Tetherは2025年5月にQVACを初めて発表し、その年の10月にルガーノで開催されたPlan B Forumで公にローンチした。開発者向けSDKは2026年4月に続いた。VisionPsy-Nanoは、サードパーティのモデルAPIに依存する別の層ではなく、開発者が検査してデプロイできるモデルを提供することでそのローカル優先の命題を具現化する。この採用は、独立した評価がQVACのベンチマーク優位性を確認するかどうか、また画像キャプチャ、前処理、デバイス固有の統合がモデル推論以外のコストを増やす完全なモバイルアプリケーション内でもレイテンシの利得が持続するかどうかに依存するだろう。 (qvac.tether.io)