Tether、端末向け0.8BエージェントモデルBotPsyを公開 ツール呼び出しの自己申告スコアは倍増、Apache 2.0の重みは研究・教育用途と注記
Hugging Faceブログの2026年11月11日の発表記事によると、Tether AI Researchは0.8BモデルBotPsyを公開した。Qwen3.5-0.8Bをベースに事後学習したモデルで、関数呼び出しとエージェントワークフローに特化し、端末側での配備を想定する。ベンダーの自己申告では、ツール利用の6つのベンチマークのうち5つで首位に立ち、パラメータ数が2.5倍のQwen3.5-2B-Thinkも上回ったという。Apache 2.0で重みを公開し、用途は研究と教育に限るとしている。

主な変更
Hugging Faceブログの2026年11月11日の発表記事によると、Tether AI ResearchはBotPsyを公開した。0.8Bパラメータのモデルで、Qwen3.5-0.8Bをベースに事後学習し、関数呼び出しとエージェントワークフローに位置づけ、端末側配備を想定する。用途はウェブ検索と調査、旅行と生活、ビジネスと金融、デバイスと車両の制御、ファイルと文書、カレンダー、メールとメッセージにわたる。ベンダーの自己申告ではベースモデルのエージェント能力をほぼ倍増させ、BFCL v4は23.4から44.0、ACEBenchは30.1から58.7、τ-benchは23.2から51.5に向上した。BFCL v4、ACEBench、τ-bench、ToolSandbox、BrowseComp-Plusの5項目でパラメータ数が2.5倍のQwen3.5-2B-Thinkを上回り、Claw-Evalのみ劣る(46.5対48.9)。マルチターンではBFCL v4のマルチターンが7.5から46.1に上がり、τ²-bench telecomで82.5を記録した。BFCLのハルシネーションテストは86.1で、適切なツールがない場合に呼び出しを拒否する傾向が強いことを示す。ベンダーは弱点も挙げている。オープンエンド検索のBrowseComp-Plusは4.5にとどまり、BFCLのウェブ検索は14.0、記憶は16.3、τ³-bankingでは被験モデルすべてが5未満で、複雑な多段情報検索の場面は15だった。学習は4段階の事後学習で、教師あり微調整、複数教師による同方策蒸留(ツール利用、汎用推論、指示追従にそれぞれ特化した3つのQwen3.5-4B専門教師)、そしてルールと検証器の報酬を中心とした2回のDAPO強化学習からなる。ツール呼び出しの報酬はツール名、引数名、引数値に部分点を与える。公開元はbf16、Q8、Q4の3精度を用意し、Hugging Faceのsafetensorsと、QVAC SDKおよびllama.cpp向けのGGUF形式で配布するとしている。重みはApache 2.0ライセンスで公開し、研究・教育用途に用いる。以上のベンチマークはすべてベンダーの自己申告で、外部APIを使うベンチマークは2026年11月3日に実行され、全モデルが思考モードで評価された。
開発者への影響
導入の観点で注目すべきは「0.8Bがより多くの作業をこなせる」ことではなく、ツール呼び出しそのものが小規模モデルの事後学習の中心目標とされている点だ。発表記事によれば、4段階のうち最初の強化学習はツール呼び出しに特化し、報酬はまず推論と呼び出しの形式を確認し、その上でツール名、引数名、引数値に部分点を与える。正誤の二値報酬ではない。これはエラーを形式層から引数層へ押し出す。モデルが構造としては合法な呼び出しを出すが引数値がずれる場合、問題は利用者のツール層が引き受けることになり、引数の検証、冪等性、ロールバックの設計を前もって用意する必要がある。 配備の経路は比較的なじみがある。公開元はsafetensorsとGGUFの2種類のリポジトリを挙げ、GGUFはQVAC SDKとllama.cpp向けだ。専用ランタイムに縛られず、既存のローカル推論スタックに組み込めることを意味する。3段階の精度は、メモリ、遅延、形式の安定性の間で取捨選択の余地を残す。 能力の輪郭は製品の境界に直結する。公開元は「分からなければツールを呼ぶ」設計だと明言し、汎用知識は依然としてパラメータ数に主に比例して伸びるとしている。同規模ではGPQA Diamond 38.1、MMLU-Pro 48.9で同クラスをリードするが、2.5倍のQwen3.5-2B-Think(59.9、65.5)には大きく及ばない。そのため最終的な回答は、モデル自身の知識よりも検索とツールが返す内容の質に左右される。マルチターンの伸びが最も大きいが、指示が3ターン目まで累積するとMulti-IFは51.0に落ち、低資源言語(ヒンディー語24.5、ロシア語57.6)は英語、中国語、フランス語、スペイン語、イタリア語、ポルトガル語の72〜80の範囲に明確に見劣りする。これは端末側の状態管理、指示の言い換え、コンテキスト圧縮をアプリ側が担う必要があることを意味し、長い会話でモデルが自力で安定を保つことは期待できない。安全性では、レッドチームの自己申告で不安全な応答が21%(ベースは36%)、プロンプトインジェクション下で31%(ベースは46%)だった。残りの割合は、信頼できないツール出力を読む際に外部のポリシー層がなお必要であることを意味する。
導入と評価の提案
以下は条件付きの提案と分析上の推測であり、公開元の見解ではない。 一、まず振り分けを行い、全体置き換えはしない。発表記事では単一呼び出しが各アプリ群で概ね70〜79なのに対し、複雑な場面の総合は39.5、多段情報検索は15にとどまる。これに基づき線を引ける。ツールのスキーマが明確で引数を上流で補える単一または並列呼び出しは端末側に任せ、複数ターンの探索や複数ソースの突き合わせが必要な要求はクラウドに残す。発動条件は、過去の会話で単一呼び出しの比率が十分高く、引数検証をツール層の外に置けることだ。できない場合、モデルが出す引数の不一致がそのまま業務システムに届く。評価基準は自社トラフィックのサンプルで2項目を測る。関数名と引数値の完全一致率、そして与えたツール群では要求を満たせない場合に呼び出しを拒否する割合だ。後者はBFCLのハルシネーションテストの86.1に対応するが、それはベンダー設定下の数字であり、必ず自前で測る必要がある。 二、量子化はまずQ8、次にQ4。公開元はbf16、Q8、Q4の3精度を用意し、選択は端末のVRAMまたはメモリ予算に依存する。条件付きの方法は、メモリに余裕があるときはQ8で形式合法率の基準を作り、メモリが制約され、かつQ4の形式合法率の低下が許容できる場合にのみ下げる。自分で測る必要があるのは、固定プロンプト集でのツール呼び出し形式の合法率、推論ループの繰り返し率、単一呼び出しの遅延だ。発表記事が報告するループ率は22.9%から1.4%へ、32k上限に達する実行は28.3%から0.2%へ下がっているが、これらは公開された重み上での測定であり、量子化後も保たれるかは検証が要る。 三、安全判断はモデルの外に置く。発表記事はレッドチームの不安全応答の割合がベースの36%から21%へ、プロンプトインジェクション下で46%から31%へ下がったとしている。31%はなお相当の割合のインジェクションサンプルで不安全な出力が得られうることを意味し、ウェブページやメールなど信頼できない内容を読むエージェントには、安全責任をモデルに委ねるには足りない。この提案は、状態を変えるツール(支払い、送信、ファイル削除)の呼び出しを許す場合に当てはまり、そうしたツールにホワイトリストと人手の確認を付ける。測定できる指標は、書き込み操作のうち外部ポリシーゲートを通る割合と、インジェクションテスト集でゲートが止めた割合だ。 四、言語とターン数でルーティングする。発表記事はMulti-IFで英語、中国語、フランス語、スペイン語、イタリア語、ポルトガル語が72〜80の範囲、ヒンディー語24.5、ロシア語57.6、3ターン目の指示追従が51.0に下がるとしている。利用者にこれらの低資源言語が含まれる場合、または1つの会話で3ターン以上の累積指示が必要な場合、前提条件として、プロンプト層で指示の言い換えと圧縮を行う前にこれらのトラフィックを任せるべきではない。測り方は言語別の指示追従通過率と平均対話ターン数だ。
制限と未確認事項
上述のベンチマークはすべて公開元の自己申告で、評価は独自の設定下で行われ、比較モデルも同じチームが実行しており、現時点で独立した再現結果はない。評価条件では全モデルが思考モードで実行され、外部APIを使うベンチマークは2026年11月3日に実施された。推論トークンは各モデル自身のトークナイザで数えられ、モデル間のトークン数は完全に同じ物差しではない。ベンダーの言う「トークンを1.4〜3.1倍少なく使う」はこの基準で理解すべきだ。「≤1.2Bで最良」という結論も、選択した比較集合に限られる。 ライセンスと用途は分けて見る必要がある。発表記事は重みをApache 2.0で公開するとしつつ、「研究・教育用途に用いる」と明記し、想定用途の節でも適用場面を研究と教育に限定し、安全が重要な用途や高リスクの自動意思決定、金銭・個人情報・健康に関わる場面には適さないと宣言している。重みが入手できることは、これらの用途がすべて許諾されていることを意味しない。導入側は重みの入手可能性から権利範囲を推測せず、Hugging Faceリポジトリのライセンスファイルと想定用途の説明を自分で確認すべきだ。 発表の表現にも注意すべき点が1つある。本文の複数箇所が重みの公開を未来形で記述する一方、safetensorsとGGUFのリポジトリも挙げている。本稿ではこれらのファイルが現在ダウンロード可能か、記事の記述と一致するかを検証できない。 能力の境界では、オープンエンド検索が明確な弱点だ。BrowseComp-Plusは自己申告で4.5、BFCLのウェブ検索は14.0、記憶は16.3、τ³-bankingでは比較した全モデルが5未満で、この場面は現時点で実用性がない。モデルは主に英語で学習・テストされ、英語が推奨言語だ。 KimiSeekの現在のモデルカタログにはBotPsy-0.8Bの対応エントリはなく、本稿の能力と配布に関する情報はすべて公開元によるものだ。発表記事は公式にホストされるAPIにも触れておらず、重みの配布経路はベンダーがHugging FaceとQVAC SDK、llama.cpp側で示した説明による。今後ホストサービスや第三者による接続が現れた場合、その可用性、条件、課金はベンダーまたは該当するサービス提供者が説明する。
元の報道の図版







