Wydanie modelu BotPsy stawia wyspecjalizowane użycie narzędzi ponad rozmiarem modelu
Tether AI Research ogłosiło wydanie modelu BotPsy 11 listopada, prezentując asystenta o 0,8 mld parametrów wyspecjalizowanego w użyciu narzędzi. Parametry to wyuczone wartości kształtujące odpowiedzi modelu. Wydanie sprawdza praktyczną tezę: rutynowe zadania cyfrowe mogą korzystać ze specjalistycznego treningu bez konieczności stosowania większego modelu.
BotPsy bazuje na Qwen3.5-0.8B, dając deweloperom bezpośrednie porównanie modelu ogólnego z jego wyspecjalizowanym następcą. Tether informuje o lepszych wynikach we wszystkich wybranych przez siebie ocenach użycia narzędzi. Te wzrosty wspierają eksperymentowanie z lokalnymi asystentami, ale pozostawiają istotne pytania dotyczące niezawodności, wydajności wdrożeniowej i uprawnień do działania.
Główne napięcie dotyczy specjalizacji wobec ogólnych możliwości. Model, który poprawnie wybiera funkcję kalendarza, rozwiązał inny problem niż asystent, który niezawodnie zarządza czyimś harmonogramem. BotPsy szczególnie uwidacznia to rozróżnienie, ponieważ jego dostępne do pobrania wagi pozwalają deweloperom samodzielnie zbadać tę lukę.
Wydanie modelu BotPsy udostępnia specjalizację do testowania
Konkretną zmianą jest dostęp do małego, wyspecjalizowanego modelu, który deweloperzy mogą oceniać we własnych aplikacjach.
Tether opisuje BotPsy jako model odpowiedni do zadań o niskim i średnim poziomie trudności, obejmujących zewnętrzne narzędzia. Wywoływanie funkcji oznacza generowanie ustrukturyzowanego żądania, które oprogramowanie może wykonać. Przepływ pracy agentowy wykorzystuje takie żądania w kolejnych krokach prowadzących do celu użytkownika. We wprowadzeniu do BotPsy firma przedstawia lokalne wykonywanie jako alternatywę dla zależności od modeli zdalnych.
To rozróżnienie ma znaczenie, ponieważ pobranie modelu zmienia podmiot kontrolujący proces inferencji, czyli obliczenia generujące jego odpowiedzi. Deweloperzy mogą analizować zachowanie we własnym środowisku. Mogą też zdecydować, które funkcje udostępnia otaczająca aplikacja i co dzieje się, gdy model o nie poprosi.
Jednak wydanie modelu i gotowy osobisty asystent to różne produkty. Wagi modelu zawierają wyuczone zachowanie. Użyteczny asystent potrzebuje również połączeń z kontami, uprawnień, obsługi błędów, projektu interfejsu i niezawodnego wykonywania operacji. Każdy element otoczenia wpływa na to, czy wiarygodnie brzmiące żądanie staje się działaniem zamierzonym przez użytkownika.
Rozważmy przykład planowania. Model może wskazać właściwą funkcję kalendarza i podać tytuł wydarzenia, dzień oraz godzinę. Aplikacja nadal musi rozpoznać datę, wybrać kalendarz, sprawdzić dostęp i przekazać wynik. Sama udana odpowiedź tekstowa nie może potwierdzić, że spotkanie istnieje.
Ten przykład pokazuje znaczenie wydania, nie przedstawiając go jako zademonstrowanego wdrożenia konsumenckiego. Deweloperzy mają teraz potencjalny komponent takich systemów. Nadal muszą ustalić, które zadania obsługuje konsekwentnie, a które wymagają dodatkowych kontroli, doprecyzowania lub innego modelu.
Dostępność sprawia też, że analiza błędów staje się bardziej konkretna. Zespół może sprawdzić, czy błąd zaczął się od niezrozumianego języka, nieprawidłowych argumentów, niedostępnej informacji czy nieudanego wykonania. Te kategorie prowadzą do różnych środków zaradczych. Powiększenie modelu nie naprawi automatycznie wygasłego połączenia z kontem ani aplikacji, która błędnie zgłasza nieudaną operację.
Bezpośrednią grupą odbiorców są więc deweloperzy oceniający małych asystentów, a nie użytkownicy oczekujący pełnego zastępstwa dla istniejącego oprogramowania zwiększającego produktywność. Dla tych deweloperów specjalizacja tworzy praktyczne pytanie badawcze. Czy model poprawia zadania, które ich aplikacja rzeczywiście wykonuje, w ograniczeniach, z którymi faktycznie mierzą się ich użytkownicy?
To pytanie powinno kierować adopcją bardziej niż etykieta asystenta. Użyteczne wydanie skraca dystans między twierdzeniem technicznym a odtwarzalnym eksperymentem. BotPsy daje taką możliwość, pod warunkiem że deweloperzy ocenią system otaczający model wraz z samym modelem.
Twórcy małych asystentów stają przed bardziej konkretnym pytaniem o wydajność
BotPsy wywiera presję na deweloperów, by uzasadniali wybór modelu wydajnością zadań, a nie wyłącznie liczbą parametrów.
Istotne porównanie zaczyna się od jego podstawy. Oficjalny model Qwen3.5-0.8B stanowi ogólny punkt wyjścia dla specjalizacji BotPsy. Ta relacja czyni wydanie bardziej informacyjnym niż odosobniony wynik modelu o niezwiązanej architekturze. Kieruje uwagę na to, co dodatkowy trening zmienia w modelu o podobnym rozmiarze.
Dla twórców aplikacji tworzy to inne pytanie zakupowe i inżynieryjne. Muszą określić, jakiej inteligencji wymaga ich przepływ pracy. Asystent, który kieruje jasne żądanie do znanej funkcji, ma inne wymagania niż system badający nieznany temat.
Produkt może obejmować oba rodzaje pracy. Znalezienie wskazanego dokumentu wymaga zrozumienia prośby i odnalezienia właściwego materiału. Porównanie sprzecznych dokumentów wymaga oceny ich treści. Działanie na podstawie porównania wprowadza kolejną decyzję. Traktowanie tych etapów jako zamiennych zaciera miejsce, w którym możliwości modelu mają największe znaczenie.
Praktyczna presja spoczywa na zespołach wybierających między ogólnym modelem lokalnym a wyspecjalizowanym komponentem. Potrzebują dowodów, że specjalizacja poprawia zamierzony przez nich przepływ pracy. Muszą też rozumieć, czy wszelkie usprawnienia zależą od wąsko zdefiniowanych narzędzi, przewidywalnych żądań lub wyjątkowo czystych informacji.
Nabywcy korporacyjni powinni zadać powiązane pytanie dotyczące demonstracji. Czy asystent odnosi sukces, ponieważ rozumie zróżnicowane obciążenie pracą, czy dlatego, że demonstracja starannie ogranicza środowisko? Oba podejścia mogą tworzyć użyteczne oprogramowanie. Ustanawiają jednak różne oczekiwania co do tego, co dzieje się, gdy użytkownicy odejdą od scenariusza.
Wdrożenie lokalne dodaje kolejną kwestię: odpowiedzialność operacyjną. Zespół kontrolujący model bierze również odpowiedzialność za pakowanie, aktualizacje, kompatybilność i wsparcie. Taka kontrola może służyć jasnemu celowi biznesowemu. Jej wartość zależy od tego, czy zespół potrafi skutecznie utrzymać powstałą aplikację.
Dla pracowników umysłowych najważniejszym rezultatem byłoby niezawodne wykonywanie znanych zadań. Zwięzłe żądanie powinno dawać zrozumiały wynik. Gdy brakuje informacji, asystent powinien wyraźnie wskazać tę lukę. Gdy operacja się nie powiedzie, jego odpowiedź powinna odróżniać porażkę od sukcesu.
Te oczekiwania brzmią skromnie, ponieważ przypominają zwykłe wymagania wobec oprogramowania. Stają się trudniejsze do spełnienia, gdy język naturalny określa operację. Użytkownicy mogą wyrażać ten sam zamiar na różne sposoby, pomijać kluczowe szczegóły lub zakładać wspólny kontekst, którego aplikacja nie posiada.
BotPsy podnosi zatem standard oceny małych asystentów bardziej, niż rozstrzyga ich architekturę. Deweloperzy mają kolejny powód, by mierzyć konkretne przepływy pracy. Nabywcy mają kolejny powód, by pytać o dowody z tych przepływów. Żadna z grup nie powinna uznawać rozmiaru modelu za wystarczające wyjaśnienie użyteczności.
BotPsy kontra Qwen pokazuje, gdzie trening zmienia wynik
Przedstawione porównanie wspiera specjalizację w wybranych zadaniach, zachowując jednocześnie rolę szerszych możliwości modelu.
W udostępnionej przez Tether konfiguracji oceny BotPsy uzyskał średnio 45,0 w sześciu benchmarkach użycia narzędzi i agentów, w porównaniu z 24,7 dla swojego modelu bazowego. Benchmarki to standaryzowane testy mierzące wybrane zachowania. Wyniki benchmarków użycia narzędzi firmy zawierają odpowiednie porównania i warunki oceny.
Większy Qwen3.5-2B-Think zachował przewagę. Uzyskał 48,9 wobec 46,5 BotPsy w Claw-Eval, ocenie łączącej bezpieczeństwo, ukończenie zadań i odporność. Prowadził również w testach wiedzy. Są to wyniki zgłoszone przez dostawcę, a nie niezależna ocena działania w gotowym asystencie.
Porównanie BotPsy z Qwen wspiera zatem konkretny wniosek. Dodatkowy trening może zmienić użyteczność małego modelu w wybranych przepływach pracy z narzędziami. Nie dowodzi, że wyspecjalizowany model staje się ogólnym substytutem każdej większej alternatywy.
Tether opisuje cztery etapy treningu: nadzorowane dostrajanie, destylację z wieloma nauczycielami i dwie rundy uczenia ze wzmocnieniem. Nadzorowane dostrajanie uczy na przykładach. Destylacja przenosi wskazówki z większych modeli. Uczenie ze wzmocnieniem dostosowuje zachowanie za pomocą nagród. Łącznie te etapy dotyczą sposobu, w jaki model wykonuje instrukcje i wybiera działania.
Wniosek inżynieryjny jest taki, że użyteczne zachowanie zależy od czegoś więcej niż przechowywana wiedza. Model używający narzędzi musi rozpoznać dostępną operację, podać odpowiednie argumenty i zinterpretować zwrócony wynik. Musi też rozpoznać, kiedy dostępne funkcje nie mogą spełnić żądania.
Te zachowania tworzą możliwość specjalizacji. Deweloper niekoniecznie potrzebuje modelu zdolnego przypomnieć sobie każdy fakt, jeśli zaufane narzędzie dostarcza niezbędnych informacji. Potrzebuje jednak modelu, który zada właściwe pytanie i zachowa znaczenie odpowiedzi.
Ten podział pracy tworzy również ścieżki błędów. Poprawne wywołanie narzędzia może zwrócić niepełne informacje. Trafna odpowiedź może się zdezaktualizować przed kolejną operacją. Model może wybrać właściwą funkcję, stosując ją jednak do niewłaściwego obiektu.
Ocena musi więc obejmować pełne zadanie. Wybór funkcji mierzy ważny komponent, ale użytkownicy doświadczają końcowego rezultatu. Asystent, który grzecznie pobiera niewłaściwy dokument, nadal poniósł porażkę, nawet jeśli każde wygenerowane żądanie zachowuje oczekiwany format.
Wyniki zbiorcze zasługują na podobną ostrożność. Średnia łączy testy o różnych celach i zasadach punktacji. Pomaga podsumować zestaw ocen, ale nie opisuje prawdopodobieństwa powodzenia dowolnego żądania w miejscu pracy.
Dla deweloperów najcenniejszym zastosowaniem tych wyników jest formułowanie hipotez. Wskazują przepływy pracy warte przetestowania i porównania warte odtworzenia. Decyzje produktowe powinny następnie zależeć od reprezentatywnych zadań, widocznych błędów i tolerancji aplikacji na pomyłki.
Lokalna dostępność pozostawia wydajność sprzętową otwartą
Wagi dostępne do pobrania umożliwiają lokalne eksperymenty; pomiary na urządzeniach ustalają, czy doświadczenie jest praktyczne.
Pliki BotPsy GGUF zapewniają format używany przez lokalne środowiska uruchomieniowe modeli, w tym llama.cpp. Środowisko uruchomieniowe to oprogramowanie wykonujące model. Repozytorium oferuje warianty BF16, Q8 i Q4, reprezentujące różne wybory precyzji numerycznej przy przechowywaniu wag.
Kwantyzacja zmniejsza precyzję używaną do reprezentowania wartości modelu, zwykle zmniejszając rozmiar przechowywanego modelu. Tworzy to opcję wdrożeniową, a nie uniwersalną gwarancję wydajności. Deweloperzy nadal muszą ustalić, jak wybrana wersja zachowuje się w ich środowisku uruchomieniowym i na docelowym urządzeniu.
Zgłoszone w repozytorium oceny wykorzystały sprzęt NVIDIA H100. Wyniki te nie określają opóźnień na telefonach, zużycia baterii ani wymagań pamięciowych. Nie mogą też ustalić, czy asystent zachowuje responsywność, gdy inne aplikacje konkurują o te same zasoby urządzenia.
To rozróżnienie ma znaczenie, ponieważ niewielkie pliki łatwo pomylić z niewielkimi wymaganiami operacyjnymi. Plik modelu jest tylko jedną częścią wykorzystania zasobów przez aplikację. Na doświadczenie oceniane przez użytkowników wpływają także środowisko wykonawcze, stan rozmowy, połączone narzędzia i interfejs.
Praktyczny pomiar powinien zaczynać się od działania, o które prosi użytkownik. Czas potrzebny na wygenerowanie żądania użycia narzędzia ma znaczenie, ale równie istotne jest oczekiwanie na działanie narzędzia. Jeśli operacja wymaga doprecyzowania, interakcja się wydłuża, nawet gdy każda pojedyncza odpowiedź pojawia się szybko.
Ilustracyjne zadanie związane z zarządzaniem plikami pokazuje ten problem. Użytkownik prosi asystenta o znalezienie dokumentu i przygotowanie proponowanej nazwy pliku. Liczy się czas odpowiedzi modelu. Ważne są również szybkość wyszukiwania, dostępność dokumentu i jasność proponowanej zmiany.
To scenariusz ewaluacyjny, a nie twierdzenie, że BotPsy udostępnia taki przepływ pracy. Pokazuje, dlaczego testy sprzętowe powinny obejmować kompletne interakcje. Szybka odpowiedź wymagająca wielokrotnych poprawek może być odczuwana jako wolniejsza niż bardziej przemyślana odpowiedź, która poprawnie rozwiązuje zadanie.
Lokalne wykonywanie zasługuje również na precyzyjny język dotyczący prywatności. Przetwarzanie modelu na urządzeniu może wspierać cel związany z prywatnością. Nie określa jednak, gdzie zewnętrzna usługa przetwarza wyszukiwanie, żądanie kalendarzowe lub wiadomość.
Deweloperzy powinni opisywać ścieżkę danych dla każdej obsługiwanej operacji. Użytkownicy muszą rozumieć, które informacje pozostają lokalne, a które trafiają do połączonej usługi. To wyjaśnienie staje się szczególnie istotne, gdy asystent przechodzi między lokalnymi dokumentami a narzędziami online.
Dla zespołów pracujących z osobistą bazą wiedzy to rozróżnienie wpływa na podstawową obietnicę produktu. Pobieranie prywatnych materiałów i wykorzystywanie ich w zewnętrznym działaniu wymaga odrębnych decyzji dotyczących dostępu i ujawniania danych.
Dostępność BotPsy sprawia, że te decyzje można testować w ramach aplikacji. Ich implementacja pozostaje jednak po stronie dewelopera. Kolejnym użytecznym dowodem będzie zatem zmierzone doświadczenie na wskazanym sprzęcie, z jasno udokumentowaną wybraną wersją modelu i obsługiwanymi funkcjami.
Lepsze użycie narzędzi nadal wymaga ograniczeń autonomicznego działania
Decyzja o pozwoleniu asystentowi na działanie wymaga dowodów wykraczających poza jego zdolność do generowania poprawnych żądań użycia narzędzi.
Tether zgłasza 31% wskaźnik niebezpiecznych odpowiedzi w swojej ocenie prompt injection. Prompt injection występuje, gdy niezaufany materiał próbuje przekierować zachowanie asystenta. Firma zaleca używanie języka angielskiego i wyraźnie wyklucza ze swojego zamierzonego zastosowania automatyczne decyzje o wysokiej stawce oraz zastosowania wrażliwe.
Te ujawnione informacje powinny kształtować interpretację wydania. Model może poprawiać się względem punktu wyjścia, a mimo to nadal nie nadawać się do autonomii o istotnych konsekwencjach. Względny postęp i akceptowalne ryzyko operacyjne odpowiadają na różne pytania.
Ilustracyjny scenariusz wyszukiwania dokumentów konkretyzuje ten problem. Asystent pobiera stronę zawierającą użyteczne informacje obok żądania ujawnienia prywatnych materiałów. Treść strony powinna pozostać dowodem na potrzeby zadania. Nie powinna uzyskiwać uprawnień do nadpisywania instrukcji użytkownika.
Samo lokalne wykonywanie nie rozwiązuje tego rozróżnienia. Istotna granica dotyczy tego, co asystent traktuje jako instrukcję, oraz jakie operacje dopuszcza aplikacja. Model działający na osobistym sprzęcie nadal może napotkać manipulacyjny tekst za pośrednictwem połączonego narzędzia.
Projekt aplikacji musi zatem określać, które działania wymagają decyzji użytkownika. Przygotowanie wersji roboczej i jej wysłanie mają różne konsekwencje. Zaproponowanie nazwy pliku i zmodyfikowanie dokumentu wymagają różnych możliwości odzyskania stanu. Interfejs powinien sprawiać, że te rozróżnienia są zrozumiałe w chwili, gdy mają znaczenie.
Wpływa to również na sposób, w jaki deweloperzy testują awarie. Końcowa odpowiedź może wyglądać nieszkodliwie, nawet jeśli działanie pośrednie było nieodpowiednie. Ocena powinna analizować żądane działania i wynikające z nich zmiany, zamiast całkowicie polegać na podsumowaniu asystenta dotyczącym tego, co się wydarzyło.
Na przykład asystent może twierdzić, że jedynie przygotował wiadomość. Aplikacja potrzebuje własnego zapisu tego, czy cokolwiek zostało wysłane. Taki zapis wspiera debugowanie, zrozumienie po stronie użytkownika i rzetelne raportowanie, gdy operacja nie powiedzie się częściowo.
Ograniczenia badań Tether wskazują na ograniczone eksperymenty o jasnych konsekwencjach. Syntetyczne konta, jednorazowe pliki i symulowane narzędzia pozwalają deweloperom badać zachowanie bez mylenia możliwości eksperymentalnej z uprawnieniem do korzystania z prawdziwych danych osobowych. Takie środowiska mogą ujawnić, czy asystent zadaje użyteczne pytania i odpowiednio się zatrzymuje.
Ta sama dyscyplina dotyczy użycia wielojęzycznego. Produkt obsługujący zróżnicowane społeczności językowe potrzebuje dowodów z języków, którymi rzeczywiście posługują się jego użytkownicy. Sukces w języku angielskim nie może dowodzić, że niejednoznaczna instrukcja otrzyma równoważną obsługę w innych językach.
Zdolność badawcza stanowi kolejne ograniczenie. Tether zgłasza wynik BrowseComp-Plus na poziomie 4.5, który opisuje jako niski w wartościach bezwzględnych. Ten benchmark dotyczy wymagającego wyszukiwania informacji. Wynik ostrzega przed rozszerzaniem korzyści z używania narzędzi na szerokie twierdzenia o niezawodnych badaniach.
Istnieje również różnica między licencją a zalecanym zastosowaniem. Repozytoria wskazują Apache 2.0 jako licencję, podczas gdy towarzyszące wytyczne podkreślają badania i edukację. Zespoły produktowe powinny oceniać oba stwierdzenia w ich odpowiednich celach, nie traktując języka dotyczącego zamierzonego użycia jako innej licencji.
Właściwa interpretacja jest konkretna: BotPsy dostarcza komponent badawczy ze zgłoszonymi ulepszeniami i ujawnionymi ograniczeniami. Odpowiedzialność za uprawnienia, dostęp do danych i odzyskiwanie stanu pozostaje częścią aplikacji. Obowiązki te rosną, gdy asystent zyskuje zdolność do zmieniania swojego środowiska.
Trzy sygnały wyjaśnią praktyczną rolę BotPsy
Niezależna reprodukcja, zmierzona wydajność urządzeń i udokumentowane zachowanie aplikacji określą, jak dużą wagę zasługuje to wydanie.
Pierwszym sygnałem jest niezależna reprodukcja zgłoszonych ulepszeń. Zewnętrzna ocena powinna wskazywać dokładną wersję modelu, ustawienia, narzędzia i zadania. Potwierdzenie ogólnego kierunku wyników wzmocniłoby argument, że specjalizacja przenosi się poza testy wydawcy.
Szczególnie przydatne byłyby ustalenia na poziomie zadań. Deweloperzy muszą wiedzieć, czy błędy skupiają się wokół brakujących informacji, niejednoznacznych żądań, wyboru narzędzi czy interpretacji zwróconych wyników. Każdy wzorzec sugeruje inną granicę wdrożenia.
Replikacja wykazująca silne korzyści wyłącznie w wąskich środowiskach nadal dostarczałaby cennych informacji. Wspierałaby ukierunkowane aplikacje z jasno określonymi operacjami. Replikacja wykazująca szerszy transfer uzasadniałaby badanie szerszej roli. Każdy wynik poprawiłby decyzje bardziej niż niewyjaśniony nagłówek z wynikiem.
Drugim sygnałem jest zmierzona wydajność na urządzeniach, których ludzie rzeczywiście używaliby. Raporty powinny wskazywać sprzęt, środowisko wykonawcze, precyzję numeryczną i obciążenie. Powinny obejmować pełną interakcję, zamiast mierzyć wyłącznie odizolowany etap generowania.
Te dowody wzmocniłyby argument za lokalnym asystentem, gdyby responsywność i wykorzystanie zasobów pozostawały praktyczne podczas reprezentatywnych zadań. Osłabiłyby ten argument w przypadku konkretnych urządzeń, gdyby opóźnienia, presja na pamięć lub długotrwałe obciążenia czyniły aplikację frustrującą.
Właściwy standard zależy od produktu. Operacja w tle i interaktywne żądanie tworzą różne oczekiwania. Pomiary urządzeń wymagają wystarczającego kontekstu, aby czytelnicy rozumieli, jakie doświadczenie opisują liczby.
Trzecim sygnałem jest udokumentowana aplikacja z wyraźnymi uprawnieniami i obserwowalnymi wynikami. Wiarygodna demonstracja powinna pokazywać obsługiwane narzędzia, przepływ danych, komunikaty o błędach i momenty, w których użytkownicy autoryzują zmiany. Powinna również wyjaśniać, co dzieje się, gdy asystent nie może ukończyć zadania.
Połączyłoby to możliwości modelu z doświadczeniem sugerowanym przez określenie osobistego asystenta. Dowody konsekwentnego ukończenia zadań w wąskim zakresie wzmocniłyby praktyczne znaczenie wydania. Demonstracje ukrywające błędy lub zależne od niewyjaśnionej ręcznej interwencji pozostawiłyby to znaczenie niepewnym.
Dyskusja Tether o przyszłych usługach peer-to-peer i współpracy należy do tej prospektywnej kategorii. Mapa drogowa opisuje zamierzony rozwój. Czytelnicy powinni szukać wydanych komponentów i udokumentowanego zachowania, zanim uznają te pomysły za dostępne możliwości.
Łącznie te sygnały utrzymują ocenę w powiązaniu z główną tezą. Specjalistyczne szkolenie jest wartościowe, gdy prowadzi do niezawodnego zachowania w rzeczywistych ograniczeniach aplikacji. Niewielki rozmiar modelu czyni tę tezę interesującą, natomiast niezależne dowody określają, gdzie się ona sprawdza.
Każdy, kto ocenia wydanie modelu BotPsy, powinien zacząć od ograniczonego zadania, którego wynik można zweryfikować. Przeczytaj warunki oceny, określ wariant modelu i przeanalizuj działania, na które pozwala otaczająca aplikacja. Porównaj jakość ukończenia z ogólnym modelem, którego już używasz. Zapisz, gdzie doprecyzowanie pomaga, a gdzie błędy się utrzymują. Następnie sprawdź wydajność urządzenia i przepływ danych, zanim rozszerzysz zakres. Użyteczny asystent zasługuje na szerszą rolę dzięki widocznym, powtarzalnym wynikom. Które rutynowe zadanie zaufałbyś mu dziś zaproponować i jakich dowodów wymagałbyś, zanim pozwoliłbyś mu działać?



