Tether AI Research представила BotPsy - языковую модель на 0.8B параметров для вызова функций и агентных сценариев на локальных устройствах. Модель дообучена из Qwen3.5-0.8B. Авторы видят в ней персонального ассистента, который работает с инструментами: веб-поиск, почта и мессенджеры, календарь, файлы, коммерция и финансы, а также то, что они называют бизнес-операциями и работой с клиентами.
Что показывают бенчмарки
Все цифры ниже - собственные замеры авторов в режиме thinking. Независимой проверки в источнике нет.
- Против базовой модели: BFCL v4 вырос с 23.4 до 44.0, ACEBench - с 30.1 до 58.7, среднее по τ-bench - с 23.2 до 51.5.
- Против модели крупнее: BotPsy обходит Qwen3.5-2B-Think, которая в 2.5 раза больше, в пяти из шести агентных тестов, в том числе в ToolSandbox (64.6 против 41.2). В Claw-Eval крупная модель впереди: 48.9 против 46.5.
- Многошаговые диалоги: в τ²-bench telecom, где агент помогает пользователю устранить неполадку, результат 82.5 против 69.3 у модели на 2B.
- Умение отказаться: в оценках галлюцинаций BFCL v4 у BotPsy лучший результат среди протестированных моделей. Эти оценки проверяют, что модель не действует, когда подходящего инструмента нет.
- Цена рассуждений: в GPQA Diamond на один верный ответ уходит 3,690 токенов рассуждения против 11,563 у базовой модели. Авторы ожидают, что это снизит задержку на устройстве.
Показатели безопасности
При автоматическом red-teaming по шести категориям вреда BotPsy выдавала небезопасные ответы в 21% случаев против 36% у базовой модели. При prompt injection, который важен для агентов, читающих недоверенный вывод инструментов, доля упала с 46% до 31%. Это ниже, чем у базовой модели, но далеко от нуля.
Ограничения по словам вендора
Команда пишет, что модель подходит для задач низкой и средней сложности и допускает ошибки. Полагаться на неё нельзя в автоматических решениях, где под угрозой безопасность или высоки ставки, а также в сценариях с финансами, личными данными и медициной. Многошаговые задачи даются хуже, чем одиночные вызовы инструментов, а открытое глубокое исследование - слабое место: BrowseComp-Plus дает 4.5 из 100. Рекомендованный язык - английский. В Multi-IF хинди набирает 24.5, русский - 57.6, что заметно ниже диапазона 72-80 для английского и ряда других языков. Общие знания по-прежнему зависят от размера модели, поэтому за недостающими фактами она должна обращаться к инструментам.
Доступность
В публикации сказано, что BotPsy выпустят с открытыми весами под Apache 2.0 для исследований и обучения, в точности bf16, Q8 и Q4. Форматы: Hugging Face safetensors и файлы GGUF для QVAC SDK и llama.cpp. Формулировку про исследования и обучение стоит внимательно прочитать до любого коммерческого внедрения. Цены и облачного API в источнике нет.