BotPsy: 0,8B-s nyílt agent modell a Tethertől

Mit adott ki a Tether?

A Tether AI kutatócsoportja, a QVAC november 11-én mutatta be a BotPsyt. Ez egy 0,8 milliárd paraméteres modell tool hívásra és agent workflow-kra, a Qwen3.5-0.8B-re építve. A cél egy telefonon vagy laptopon futó személyi asszisztens, amely naptárt, e-mailt, fájlokat, keresést vagy eszközbeállításokat kezel úgy, hogy az adat nem hagyja el a gépet (QVAC blog).

A súlyok már fent vannak a Hugging Face-en Apache 2.0 licenccel: safetensors formátumban, illetve bf16, Q8 és Q4 GGUF fájlokként llama.cpp-hez és a QVAC SDK-hoz (modell, GGUF). A blog szerint kutatási és oktatási célra adják ki.

Mit mutatnak a számok?

A cég mérései szerint a BotPsy nagyjából megduplázza az alapmodell agent képességeit. BFCL v4-en 23,4-ről 44,0-ra, ACEBench-en 30,1-ről 58,7-re, τ-bench-en 23,2-ről 51,5-re javult. Hat tool use benchmarkból ötön a 2,5-ször nagyobb Qwen3.5-2B-t is veri, csak Claw-Evalon marad mögötte (46,5 vs 48,9).

Forrás: Tether AI Research. Tool use és agent benchmarkok reasoning módban, 0–100 skálán.

• IFEval 59,7-ről 90,8-ra, IFBench 22,0-ról 55,9-re nőtt, ez a legjobb IFBench eredmény a tesztelt modellek között.
• BFCL v4 hallucination teszten 86,1: ennyiszer utasítja el a hívást, ha nincs hozzá illő tool.
• τ²-bench telecomon 82,5, a Qwen3.5-2B 69,3 pontot ér el.
• A helyesen megválaszolt GPQA Diamond kérdéseken kb. háromszor kevesebb reasoning tokent használ, mint az alapmodell (3690 vs 11 563).
• Automatizált red teamingben a nem biztonságos válaszok aránya 36%-ról 21%-ra, prompt injection alatt 46%-ról 31%-ra esett.

Minden szám a Tether saját mérése, független ellenőrzés egyelőre nincs. A tanítás négy lépésben ment: SFT, három darab 4B-s specialista tanárral végzett on-policy distillation, majd két kör DAPO alapú reinforcement learning.

Hol gyenge?

A tudás továbbra is a mérettel skálázódik: GPQA Diamondon 38,1, a Qwen3.5-2B 59,9. Nyílt végű kutatásban gyenge, BrowseComp-Pluson 4,5 pontot ér el, és a több lépéses információgyűjtés a leggyengébb pontja. Angolon kívül is működik, de hindin (24,5) és oroszon (57,6) sokat esik. A cég maga írja, hogy pénzt, személyes adatot vagy egészséget érintő döntésekre nem való.

Mit jelent ez a gyakorlatban?

Ha olyan agentet építesz, amelyik egyszerű tool hívásokat ismételget, egy 0,8B-s modell lokálisan is elviheti ezt a munkát, API költség és adatkiküldés nélkül. Az egylépéses hívásokban 75 pont körül teljesít, a több lépéses feladatokban viszont még 40 alatt marad. Reálisan tehát routernek vagy első szűrőnek érdemes kipróbálni, a nehezebb lépéseket pedig nagyobb modellnek továbbadni. A kis nyílt modellek mezőnyéről korábban a Liquid AI LFM3 családnál írtunk.