Tether lanza BotPsy, modelo de agente en dispositivo de 0,8B: duplica su propia cifra en llamadas a herramientas, pesos Apache 2.0 indicados para investigación y educación
Según la publicación del blog de Hugging Face del 11 de noviembre de 2026, Tether AI Research presenta BotPsy, un modelo de 0,8B basado en un postentrenamiento sobre Qwen3.5-0.8B, especializado en llamadas a funciones y flujos de trabajo de agentes, orientado al despliegue en dispositivo. El fabricante informa que lidera cinco de seis benchmarks de uso de herramientas, incluido Qwen3.5-2B-Think, con 2,5 veces más parámetros, y afirma que abrirá los pesos con licencia Apache 2.0, con uso limitado a investigación y educación.

Qué ha cambiado
Según la publicación del blog de Hugging Face del 11 de noviembre de 2026, Tether AI Research presenta BotPsy, un modelo de 0,8B parámetros basado en un postentrenamiento sobre Qwen3.5-0.8B, orientado a llamadas a funciones y flujos de trabajo de agentes, para despliegue en dispositivo, con escenarios que abarcan búsqueda e investigación en la web, viajes y vida cotidiana, comercio y finanzas, control de dispositivos y vehículos, archivos y documentos, calendario, correo y mensajería. El fabricante informa que aproximadamente duplica las capacidades de agente del modelo base: BFCL v4 pasa de 23,4 a 44,0, ACEBench de 30,1 a 58,7 y τ-bench de 23,2 a 51,5. Supera a Qwen3.5-2B-Think, con 2,5 veces más parámetros, en cinco pruebas: BFCL v4, ACEBench, τ-bench, ToolSandbox y BrowseComp-Plus, y solo queda por detrás en Claw-Eval (46,5 frente a 48,9). En rendimiento multiturno, BFCL v4 multiturno sube de 7,5 a 46,1 y τ²-bench telecom obtiene 82,5; la prueba de alucinación de BFCL es 86,1, es decir, tiende más a rechazar la llamada cuando no hay una herramienta adecuada. El fabricante también enumera puntos débiles: la recuperación abierta BrowseComp-Plus solo alcanza 4,5, BFCL búsqueda web 14,0 y memoria 16,3, en τ³-banking todos los modelos evaluados quedan por debajo de 5, y en escenarios complejos de recuperación de información en varios pasos solo llega a 15. El entrenamiento es un postentrenamiento en cuatro etapas: ajuste fino supervisado, destilación on-policy con múltiples profesores (tres profesores expertos Qwen3.5-4B especializados en uso de herramientas, razonamiento general y seguimiento de instrucciones) y dos rondas de aprendizaje por refuerzo DAPO basadas principalmente en recompensas de reglas y verificadores, donde la recompensa de llamadas a herramientas otorga puntuación parcial a nombres de herramienta, nombres de parámetros y valores de parámetros. El emisor afirma que ofrecerá tres precisiones, bf16, Q8 y Q4, publicadas en safetensors de Hugging Face y en formato GGUF para el SDK QVAC y llama.cpp, con pesos abiertos bajo licencia Apache 2.0 para fines de investigación y educación. Todos los benchmarks anteriores son autodeclarados por el fabricante, los benchmarks de API externa se ejecutaron el 3 de noviembre de 2026 y todos los modelos se evaluaron en modo de pensamiento.
Impacto para desarrolladores
Desde el punto de vista de la integración, lo reseñable no es que «un 0,8B pueda hacer más trabajo», sino que la propia llamada a herramientas se trata como objetivo central del postentrenamiento de un modelo pequeño. Según la publicación, de las cuatro etapas, la primera ronda de aprendizaje por refuerzo gira específicamente en torno a la llamada a herramientas: la recompensa primero comprueba el formato de razonamiento y de llamada y después otorga puntuación parcial a nombres de herramienta, nombres de parámetros y valores de parámetros, en lugar de una recompensa binaria de acierto o error. Esto desplaza el error de la capa de formato a la capa de parámetros: cuando el modelo emite una llamada estructuralmente válida pero con valores de parámetro desviados, el problema recae en tu capa de herramientas, por lo que la validación de parámetros, la idempotencia y el diseño de reversión deben estar listos de antemano. La ruta de despliegue resulta relativamente familiar. El emisor ofrece dos tipos de repositorio, safetensors y GGUF; el GGUF está orientado al SDK QVAC y a llama.cpp, lo que significa que puede integrarse en pilas de inferencia local existentes en lugar de quedar atado a un entorno de ejecución propio; las tres precisiones también dejan margen para elegir entre memoria, latencia y estabilidad de formato. El perfil de capacidades incide directamente en los límites del producto. El emisor afirma explícitamente que está diseñado para «llamar a una herramienta cuando no sabe», y que el conocimiento general sigue dependiendo principalmente del número de parámetros: en su misma escala, GPQA Diamond 38,1 y MMLU-Pro 48,9 lideran su categoría, pero quedan muy lejos de Qwen3.5-2B-Think, 2,5 veces mayor (59,9 y 65,5), por lo que la calidad de la recuperación y de lo que devuelven las herramientas determina la respuesta final más que el conocimiento propio del modelo. La mayor ganancia está en el multiturno, pero cuando las instrucciones se acumulan hasta la tercera ronda, Multi-IF cae a 51,0, y los idiomas de bajos recursos (hindi 24,5, ruso 57,6) quedan claramente por detrás del rango de 72–80 de inglés, chino, francés, español, italiano y portugués. Esto implica que la gestión de estado en dispositivo, la reformulación de instrucciones y la compresión de contexto deben recaer en el lado de la aplicación; no cabe esperar que el modelo se mantenga estable por sí solo en conversaciones largas. En seguridad, el equipo rojo informa un 21 % de respuestas inseguras (36 % en el modelo base) y un 31 % bajo inyección de prompts (46 % en el base); el porcentaje restante implica que, al leer salidas de herramientas no confiables, sigue siendo necesaria una capa de políticas externa.
Integración y evaluación
Las siguientes son recomendaciones condicionales e inferencias analíticas, no afirmaciones del emisor. Uno. Primero clasifica el tráfico, no sustituyas todo de golpe. La publicación muestra que las llamadas individuales obtienen generalmente 70–79 en los distintos grupos de aplicaciones, mientras que los escenarios complejos solo llegan a 39,5 en conjunto y la recuperación de información en varios pasos a 15. Sobre esta base puede trazarse una línea: las llamadas individuales o paralelas con esquema de herramienta claro y parámetros que puedan completarse aguas arriba se confían al dispositivo; las solicitudes que requieren exploración multiturno o verificación entre fuentes siguen yendo a la nube. La condición de activación es que la proporción de llamadas individuales en tu historial de sesiones sea suficientemente alta y que la validación de parámetros pueda externalizarse en la capa de herramientas; si no es así, los desajustes de parámetros que produzca el modelo golpearán directamente los sistemas de negocio. Evalúa con muestras de tu propio tráfico dos cosas: la tasa de coincidencia exacta de nombres de función y valores de parámetros, y la proporción de rechazos de llamada cuando el conjunto de herramientas dado no puede satisfacer la solicitud; esta última corresponde al 86,1 de la prueba de alucinación de BFCL, pero es una cifra obtenida en la configuración del fabricante y debes medirla tú mismo. Dos. En cuantización, empieza por Q8 y luego pasa a Q4. El emisor ofrece tres precisiones, bf16, Q8 y Q4, y la elección depende del presupuesto de VRAM o memoria del dispositivo. El procedimiento condicional es: si la memoria no es ajustada, usa Q8 para establecer una línea base de tasa de formato válido, y baja de nivel solo cuando la memoria sea limitada y la caída de la tasa de formato válido con Q4 sea aceptable. Lo que debes medir tú mismo es la tasa de formato válido de llamadas a herramientas sobre un conjunto fijo de prompts, la proporción de bucles de razonamiento repetidos y la latencia por llamada. La publicación informa que la tasa de bucles baja del 22,9 % al 1,4 % y que las ejecuciones que alcanzan el límite de 32k bajan del 28,3 % al 0,2 %; son mediciones sobre sus pesos publicados y hay que verificar si se mantienen tras la cuantización. Tres. Deja el juicio de seguridad fuera del modelo. La publicación afirma que la proporción de respuestas inseguras del equipo rojo baja del 36 % del base al 21 %, y bajo inyección de prompts del 46 % al 31 %. Un 31 % significa que todavía una proporción considerable de muestras de inyección puede producir salidas inseguras; para un agente que debe leer contenido no confiable como páginas web o correo, no basta para delegar la responsabilidad de seguridad al modelo. Esta recomendación se aplica cuando le permites invocar herramientas que cambian estado (pagos, envío de correo, borrado de archivos); la práctica es añadir listas blancas y confirmación humana a esas herramientas. Los indicadores medibles son la proporción de operaciones de escritura que pasan por la compuerta de políticas externa y la proporción de muestras del conjunto de pruebas de inyección bloqueadas por la compuerta. Cuatro. Enruta por idioma y por turno. La publicación sitúa en Multi-IF el inglés, chino, francés, español, italiano y portugués en el rango de 72–80, el hindi en 24,5 y el ruso en 57,6, y el seguimiento de instrucciones cae a 51,0 en la tercera ronda. Si tus usuarios incluyen estos idiomas de bajos recursos, o si una sola sesión requiere más de tres rondas de instrucciones acumuladas, la condición previa es no entregarle ese tráfico antes de hacer reformulación y compresión de instrucciones en la capa de prompts. La forma de medirlo es la tasa de aprobación del seguimiento de instrucciones por idioma y el número medio de turnos de conversación.
Límites y cuestiones pendientes
Todos los benchmarks anteriores proceden del propio emisor, la evaluación se realizó en su configuración, los modelos de comparación también fueron ejecutados por el mismo equipo y por ahora no hay resultados de reproducción independientes. En las condiciones de evaluación, todos los modelos se ejecutaron en modo de pensamiento; los benchmarks que usan API externa se ejecutaron el 3 de noviembre de 2026; los tokens de razonamiento se cuentan con el tokenizador propio de cada modelo, por lo que el número de tokens entre modelos no es exactamente la misma vara, y la afirmación del fabricante de «usar 1,4–3,1 veces menos tokens» debe entenderse con ese criterio. La conclusión de «mejor entre ≤1,2B» también se limita al conjunto de comparación elegido por el emisor. Licencia y uso deben considerarse por separado. La publicación afirma que los pesos se abren bajo Apache 2.0 y a la vez indica «para fines de investigación y educación»; la sección de usos previstos también limita los escenarios aplicables a investigación y educación, y declara que no es apto para automatización crítica para la seguridad ni para decisiones automatizadas de alto riesgo, ni para escenarios que impliquen dinero, datos personales o salud. La disponibilidad de los pesos no equivale a que todos esos usos estén autorizados; quien vaya a implementarlo debe comprobar por su cuenta el archivo de licencia y la descripción de usos previstos en el repositorio de Hugging Face, en lugar de inferir el alcance de los derechos a partir de la disponibilidad de los pesos. También hay un detalle en la redacción del anuncio que conviene notar: el texto describe la publicación de los pesos en futuro en varios lugares, a la vez que ofrece repositorios safetensors y GGUF; este resumen no puede verificar si esos archivos son descargables actualmente ni si coinciden con lo descrito en el artículo. En cuanto a los límites de capacidad, la recuperación abierta es un punto débil claro: BrowseComp-Plus autodeclarado 4,5, BFCL búsqueda web 14,0 y memoria 16,3; en τ³-banking todos los modelos comparados quedan por debajo de 5, por lo que ese escenario no es actualmente utilizable. El modelo se entrenó y evaluó principalmente en inglés, y el inglés es el idioma recomendado. El catálogo actual de KimiSeek no tiene ninguna entrada correspondiente a BotPsy-0.8B; la información de este artículo sobre capacidades y distribución proviene toda del emisor; la publicación tampoco menciona una API oficial alojada, y los canales de distribución de pesos se rigen por lo indicado por el fabricante en Hugging Face y en el lado del SDK QVAC y llama.cpp; si más adelante aparece un servicio alojado o una integración de terceros, su disponibilidad, condiciones y facturación corresponderán al fabricante o al proveedor de ese servicio.
Ilustraciones de la noticia original







