← Alle Modellneuigkeiten

Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung

Laut einem Veröffentlichungsbeitrag im Hugging-Face-Blog vom 11. November 2026 stellt Tether AI Research das 0,8B-Modell BotPsy vor. Es wurde auf Basis von Qwen3.5-0.8B nachtrainiert, ist auf Funktionsaufrufe und Agenten-Workflows spezialisiert und für den Einsatz am Edge gedacht. Der Hersteller meldet, dass es in fünf von sechs Tool-Use-Benchmarks führt, darunter gegen das 2,5-fach größere Qwen3.5-2B-Think, und kündigt an, die Gewichte unter Apache 2.0 zu öffnen, beschränkt auf Forschung und Bildung.

Veröffentlicht Aktualisiert
Titelbild des Originalberichts — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Titelbild des OriginalberichtsOriginalbericht ↗

Was sich geändert hat

Laut einem Veröffentlichungsbeitrag im Hugging-Face-Blog vom 11. November 2026 stellt Tether AI Research BotPsy vor, ein Modell mit 0,8B Parametern, das auf Basis von Qwen3.5-0.8B nachtrainiert wurde. Es ist auf Funktionsaufrufe und Agenten-Workflows ausgerichtet und für den Edge-Einsatz gedacht; die Szenarien umfassen Websuche und Recherche, Reisen und Alltag, Handel und Finanzen, Geräte- und Fahrzeugsteuerung, Dateien und Dokumente, Kalender, E-Mail und Nachrichten. Der Hersteller meldet, die Agentenfähigkeiten des Basismodells in etwa verdoppelt zu haben: BFCL v4 von 23,4 auf 44,0, ACEBench von 30,1 auf 58,7, τ-bench von 23,2 auf 51,5. In BFCL v4, ACEBench, τ-bench, ToolSandbox und BrowseComp-Plus liegt es über dem 2,5-fach größeren Qwen3.5-2B-Think, nur bei Claw-Eval liegt es zurück (46,5 zu 48,9). Bei Mehrrunden-Aufgaben steigt BFCL v4 Multi-Turn von 7,5 auf 46,1, τ²-bench telecom erreicht 82,5; der BFCL-Halluzinationstest liegt bei 86,1, das heißt, ohne passendes Tool neigt es eher zur Verweigerung des Aufrufs. Der Hersteller nennt zugleich Schwächen: offene Suche BrowseComp-Plus nur 4,5, BFCL Websuche 14,0, Gedächtnis 16,3, bei τ³-banking liegen alle getesteten Modelle unter 5, komplexe mehrstufige Informationssuche nur 15. Das Training umfasst vier Nachtrainingsphasen: überwachtes Feintuning, On-Policy-Destillation mit mehreren Lehrern (drei Qwen3.5-4B-Expertenlehrer für Tool-Nutzung, allgemeines Schlussfolgern und Instruktionsbefolgung) sowie zwei Runden DAPO-Reinforcement-Learning mit überwiegend regel- und verifierbasierten Belohnungen, wobei die Tool-Aufruf-Belohnung Teilpunkte für Tool-Namen, Parameternamen und Parameterwerte vergibt. Der Herausgeber kündigt drei Präzisionen an – bf16, Q8, Q4 – als Hugging-Face-safetensors und als GGUF für das QVAC SDK und llama.cpp; die Gewichte sollen unter Apache 2.0 für Forschungs- und Bildungszwecke geöffnet werden. Alle genannten Benchmarks sind Herstellerangaben, die API-Benchmarks wurden am 3. November 2026 ausgeführt, alle Modelle wurden im Denkmodus evaluiert.

Auswirkungen für Entwickler

Für die Integration ist weniger bemerkenswert, dass „0,8B mehr Arbeit erledigen kann“, sondern dass der Tool-Aufruf selbst zum Kernziel des Nachtrainings eines kleinen Modells wurde. Laut Beitrag dreht sich die erste RL-Runde gezielt um Tool-Aufrufe: Die Belohnung prüft zuerst Schlussfolgerungs- und Aufruf-Format und vergibt dann Teilpunkte für Tool-Namen, Parameternamen und Parameterwerte statt nur binär richtig/falsch. Das verschiebt Fehler von der Format- auf die Parameterebene: Gibt das Modell strukturell gültige Aufrufe mit abweichenden Parameterwerten aus, muss die Tool-Schicht das auffangen; Parametervalidierung, Idempotenz und Rollback müssen vorab stehen. Der Deployment-Pfad ist vertraut. Der Herausgeber nennt safetensors- und GGUF-Repositories, GGUF für das QVAC SDK und llama.cpp, sodass es sich in bestehende lokale Inferenz-Stacks einfügen lässt statt an eine eigene Runtime gebunden zu sein; die drei Präzisionsstufen lassen Spielraum bei Speicher, Latenz und Formatstabilität. Das Fähigkeitsprofil bestimmt die Produktgrenzen. Der Herausgeber sagt ausdrücklich, es sei darauf ausgelegt, „bei Nichtwissen ein Tool aufzurufen“; Allgemeinwissen wächst weiterhin vor allem mit der Parameterzahl: In seiner Größenklasse führt es mit GPQA Diamond 38,1 und MMLU-Pro 48,9, liegt aber weit unter dem 2,5-fach größeren Qwen3.5-2B-Think (59,9, 65,5), daher entscheiden Retrieval und Tool-Rückgabe-Qualität stärker über die endgültige Antwort als das mitgelieferte Wissen. Der Mehrrunden-Gewinn ist am größten, doch bei kumulierten Instruktionen bis zur dritten Runde fällt Multi-IF auf 51,0, und ressourcenarme Sprachen (Hindi 24,5, Russisch 57,6) liegen deutlich hinter Englisch, Chinesisch, Französisch, Spanisch, Italienisch und Portugiesisch im Bereich 72–80. Das bedeutet: Zustandsverwaltung am Edge, Instruktionsumformulierung und Kontextkompression muss die Anwendung übernehmen; man kann nicht erwarten, dass das Modell in langen Sitzungen von selbst stabil bleibt. Zur Sicherheit meldet der Hersteller im Red-Team 21 % unsichere Antworten (Basis 36 %) und 31 % unter Prompt-Injection (Basis 46 %); der Restanteil heißt, dass beim Lesen nicht vertrauenswürdiger Tool-Ausgaben weiterhin eine externe Policy-Schicht nötig ist.

Integration und Bewertung

Das Folgende sind bedingte Empfehlungen und analytische Schlüsse, keine Aussagen des Herausgebers. 1. Zuerst aufteilen, nicht pauschal ersetzen. Der Beitrag zeigt 70–79 bei Einzelaufrufen in den einzelnen Anwendungsgruppen, insgesamt nur 39,5 bei komplexen Szenarien und nur 15 bei mehrstufiger Informationssuche. Daraus lässt sich eine Linie ziehen: Einzel- oder Parallelaufrufe mit klarem Tool-Schema und aus vorgelagerten Quellen ergänzbaren Parametern an den Edge geben; Anfragen mit mehrrundiger Exploration oder quellenübergreifender Prüfung weiter über die Cloud. Die Bedingung ist, dass der Anteil von Einzelaufrufen in den eigenen Sitzungsverläufen hoch genug ist und die Parametervalidierung außerhalb der Tool-Schicht möglich ist; sonst treffen Parameterfehler des Modells direkt die Geschäftssysteme. Die Evaluierung sollte anhand eigenen Traffic-Samples zwei Dinge messen: die exakte Trefferquote von Funktionsnamen und Parameterwerten sowie den Anteil verweigerter Aufrufe, wenn die gegebene Tool-Menge die Anfrage nicht erfüllen kann; Letzteres entspricht dem BFCL-Halluzinationstest von 86,1, aber das ist eine Zahl unter Herstellereinstellungen und muss selbst getestet werden. 2. Quantisierung erst Q8, dann Q4. Der Herausgeber bietet bf16, Q8 und Q4; die Wahl hängt vom VRAM- bzw. Arbeitsspeicherbudget des Geräts ab. Bedingtes Vorgehen: bei ausreichendem Speicher mit Q8 eine Basislinie für die Formatgültigkeitsrate aufbauen und nur dann auf Q4 heruntergehen, wenn der Speicher begrenzt ist und der Rückgang der Formatgültigkeit akzeptabel ausfällt. Selbst zu messen sind die Formatgültigkeitsrate von Tool-Aufrufen auf einem festen Prompt-Set, der Anteil repetitiver Inferenzschleifen und die Einzellatenz. Der Beitrag berichtet einen Rückgang der Schleifenrate von 22,9 % auf 1,4 % und der Läufe, die das 32k-Limit erreichen, von 28,3 % auf 0,2 %; diese Messungen gelten für die veröffentlichten Gewichte, ob sie nach Quantisierung halten, ist zu prüfen. 3. Sicherheitsentscheidungen außerhalb des Modells treffen. Laut Beitrag sinkt der Anteil unsicherer Antworten im Red-Team von 36 % beim Basis- auf 21 % beim neuen Modell, unter Prompt-Injection von 46 % auf 31 %. 31 % heißt, dass ein erheblicher Anteil der Injection-Proben noch unsichere Ausgaben erzeugen kann; für Agenten, die Webseiten, E-Mails und andere nicht vertrauenswürdige Inhalte lesen, reicht das nicht, um die Sicherheitsverantwortung dem Modell zu überlassen. Diese Empfehlung gilt, wenn Sie ihm zustandsändernde Tools erlauben (Zahlungen, Versand, Löschen von Dateien): solche Tools mit Allowlist und menschlicher Bestätigung versehen. Messbar sind der Anteil von Schreiboperationen, die ein externes Policy-Gate passieren, und der Anteil der im Injection-Testset vom Gate abgefangenen Fälle. 4. Nach Sprache und Runde routen. Der Beitrag nennt für Multi-IF Englisch, Chinesisch, Französisch, Spanisch, Italienisch und Portugiesisch im Bereich 72–80, Hindi 24,5, Russisch 57,6, und die Instruktionsbefolgung fällt in der dritten Runde auf 51,0. Umfassen Ihre Nutzer diese ressourcenarmen Sprachen oder braucht eine Sitzung mehr als drei kumulierte Instruktionsrunden, ist die Voraussetzung, diesen Traffic erst dann zuzulassen, wenn Instruktionsumformulierung und -kompression in der Prompt-Schicht stehen. Gemessen wird über die Passrate der Instruktionsbefolgung je Sprache und die durchschnittliche Gesprächsrundenzahl.

Grenzen und offene Fragen

Alle genannten Benchmarks stammen aus Herstellerangaben, wurden unter eigenen Einstellungen des Herausgebers erhoben, und die Vergleichsmodelle wurden vom selben Team betrieben; unabhängige Reproduktionen liegen derzeit nicht vor. In den Evaluationsbedingungen liefen alle Modelle im Denkmodus, die Benchmarks mit externer API wurden am 3. November 2026 ausgeführt; Reasoning-Tokens werden mit dem jeweiligen Tokenizer des Modells gezählt, die Token-Zahlen über Modelle hinweg sind also nicht völlig dieselbe Maßeinheit, und die Herstellerangabe „1,4–3,1-fach weniger Tokens“ ist in diesem Sinne zu verstehen. Die Aussage „bestes Modell unter ≤1,2B“ gilt zudem nur für die gewählte Vergleichsmenge. Lizenz und Nutzung sind getrennt zu betrachten. Der Beitrag nennt die Gewichte unter Apache 2.0 geöffnet und schreibt zugleich „für Forschungs- und Bildungszwecke“; auch der Abschnitt zu den beabsichtigten Verwendungen beschränkt die geeigneten Szenarien auf Forschung und Bildung und erklärt das Modell für ungeeignet bei sicherheitskritischen oder hochriskanten automatisierten Entscheidungen sowie in Szenarien mit Geld, personenbezogenen Daten oder Gesundheit. Verfügbarkeit der Gewichte bedeutet nicht, dass diese Nutzungen lizenziert sind; wer es einsetzen will, sollte die Lizenzdatei und die Hinweise zur beabsichtigten Verwendung im Hugging-Face-Repository selbst prüfen, statt aus der Verfügbarkeit der Gewichte auf den Rechteumfang zu schließen. Auch die Formulierung der Ankündigung verdient Beachtung: Der Text beschreibt die Veröffentlichung der Gewichte mehrfach im Futur, nennt aber zugleich safetensors- und GGUF-Repositories; dieser Bericht kann nicht prüfen, ob diese Dateien derzeit herunterladbar und mit der Beschreibung im Beitrag konsistent sind. Bei den Fähigkeitsgrenzen ist offene Suche eine klare Schwäche: BrowseComp-Plus laut Hersteller 4,5, BFCL Websuche 14,0, Gedächtnis 16,3; bei τ³-banking liegen alle Vergleichsmodelle unter 5, dieses Szenario ist derzeit nicht nutzbar. Das Modell wurde vor allem auf Englisch trainiert und getestet; Englisch ist die empfohlene Sprache. Im aktuellen Modellkatalog von KimiSeek gibt es keinen Eintrag zu BotPsy-0.8B; alle Angaben zu Fähigkeiten und Verteilung in diesem Text stammen vom Herausgeber. Der Beitrag nennt auch keine offiziell gehostete API; für die Verteilung der Gewichte gelten die Angaben des Herstellers zu Hugging Face, QVAC SDK und llama.cpp. Sollten später gehostete Dienste oder Drittanbieter-Integrationen erscheinen, werden Verfügbarkeit, Bedingungen und Abrechnung vom Hersteller bzw. dem jeweiligen Anbieter erklärt.

Abbildungen aus dem Originalbericht

Abbildung aus dem Originalbericht 1 — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Abbildung aus dem Originalbericht 1Originalbericht ↗
Abbildung aus dem Originalbericht 2 — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Abbildung aus dem Originalbericht 2Originalbericht ↗
Abbildung aus dem Originalbericht 3 — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Abbildung aus dem Originalbericht 3Originalbericht ↗
Abbildung aus dem Originalbericht 4 — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Abbildung aus dem Originalbericht 4Originalbericht ↗
Abbildung aus dem Originalbericht 5 — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Abbildung aus dem Originalbericht 5Originalbericht ↗
Abbildung aus dem Originalbericht 6 — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Abbildung aus dem Originalbericht 6Originalbericht ↗
Abbildung aus dem Originalbericht 7 — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Abbildung aus dem Originalbericht 7Originalbericht ↗
Abbildung aus dem Originalbericht 8 — Tether veröffentlicht 0,8B-Agentenmodell BotPsy: Hersteller meldet Verdopplung bei Tool-Aufrufen, Apache-2.0-Gewichte für Forschung und Bildung
Abbildung aus dem Originalbericht 8Originalbericht ↗

In drei Minuten zum ersten Aufruf

Erstelle ein Konto und einen API-Schlüssel. Aufrufe werden von deinem Guthaben abgebucht. 30 % Rabatt auf die erste Aufladung. ¥500 aufladen, ¥350 zahlen, ¥500 Guthaben erhalten. ¥1000 aufladen, ¥850 zahlen, ¥1000 Guthaben erhalten Die Mindestaufladung bleibt ¥10 und eignet sich zum Ausprobieren.

Quellen und redaktioneller Prozess

BotPsy:基于亚十亿参数智能体语言模型的端侧个人助理

KI unterstützte die Analyse und Übersetzung der genannten Quellen, gefolgt von automatischen Qualitätsprüfungen. Empfehlungen sind keine Testergebnisse. Verfügbarkeit und Preise stehen im aktuellen Katalog.