Tether AI Research ha presentado BotPsy, un modelo de lenguaje de 0,8B de parámetros pensado para llamadas a funciones y flujos de agentes en dispositivos locales. Parte de un posentrenamiento de Qwen3.5-0.8B. El equipo lo plantea como un asistente personal que usa herramientas para investigación web, correo y mensajería, calendario, archivos, comercio y finanzas, y lo que denomina operaciones de negocio y de atención al cliente.
Lo que dicen los benchmarks
Todas las cifras siguientes son evaluaciones de los propios autores, ejecutadas en modo de razonamiento (thinking), sin verificación independiente en la fuente.
- Frente a su modelo base: BFCL v4 sube de 23,4 a 44,0, ACEBench de 30,1 a 58,7 y el promedio de τ-bench de 23,2 a 51,5.
- Frente a un modelo mayor: BotPsy supera a Qwen3.5-2B-Think, que es 2,5 veces más grande, en cinco de seis benchmarks de agentes, entre ellos ToolSandbox (64,6 frente a 41,2). En Claw-Eval el modelo mayor sigue por delante: 48,9 a 46,5.
- Trabajo multiturno: en τ²-bench telecom, donde el agente guía al usuario en la resolución de problemas, obtiene 82,5 frente a 69,3 del modelo de 2B.
- Saber cuándo negarse: queda en primer lugar entre los modelos probados en las evaluaciones de alucinación de BFCL v4, que comprueban que el modelo se niegue a actuar cuando no hay una herramienta adecuada.
- Coste de razonamiento: en GPQA Diamond necesita 3.690 tokens de razonamiento por respuesta correcta, frente a 11.563 de su base. Los autores esperan que esto reduzca la latencia en el dispositivo.
Cifras de seguridad
En pruebas automatizadas de red teaming sobre seis categorías de daño, BotPsy dio respuestas inseguras el 21 % de las veces, frente al 36 % de su base. Ante inyección de instrucciones (prompt injection), el caso que importa a los agentes que leen resultados de herramientas no fiables, la tasa bajó del 46 % al 31 %. Son tasas inferiores a las del modelo base, pero lejos de cero.
Límites que reconoce el proveedor
El equipo indica que el modelo sirve para tareas de dificultad baja a media y que comete errores. No debe usarse para decisiones automatizadas donde haya riesgo para la seguridad o mucho en juego, ni para usos que afecten a finanzas, datos privados o asuntos médicos. Las tareas de varios pasos puntúan menos que las llamadas a una sola herramienta, y la investigación abierta en profundidad es débil: BrowseComp-Plus marca 4,5 sobre 100. Se recomienda el inglés. En Multi-IF, el hindi obtiene 24,5 y el ruso 57,6, muy por debajo del rango de 72 a 80 del inglés y de otros idiomas. El conocimiento general sigue dependiendo del tamaño del modelo, por lo que está pensado para llamar a herramientas cuando le falte un dato.
Disponibilidad
Según la publicación, BotPsy se lanzará con pesos abiertos bajo Apache 2.0 para uso en investigación y educación, en precisiones bf16, Q8 y Q4. Los formatos son safetensors de Hugging Face y archivos GGUF para el QVAC SDK y llama.cpp. Conviene leer con atención la fórmula de investigación y educación antes de cualquier despliegue comercial. La fuente no indica precio ni API alojada.