Tether lança BotPsy, modelo de agente on-device de 0,8B: chamadas de ferramentas dobram segundo a fabricante, pesos Apache 2.0 indicados para pesquisa e educação
Segundo o post de lançamento no blog do Hugging Face em 11 de novembro de 2026, a Tether AI Research apresentou o BotPsy, um modelo de 0,8B baseado em pós-treinamento do Qwen3.5-0.8B, voltado para chamadas de função e fluxos de agentes, destinado à implantação on-device. A fabricante relata que ele lidera em cinco de seis benchmarks de uso de ferramentas, incluindo superar o Qwen3.5-2B-Think, com 2,5 vezes mais parâmetros, e afirma que abrirá os pesos sob licença Apache 2.0, com uso restrito a pesquisa e educação.

O que mudou
Segundo o post de lançamento no blog do Hugging Face em 11 de novembro de 2026, a Tether AI Research apresentou o BotPsy, um modelo de 0,8 bilhão de parâmetros baseado em pós-treinamento do Qwen3.5-0.8B, posicionado para chamadas de função e fluxos de agentes, destinado à implantação on-device, com cenários que abrangem busca e pesquisa na web, viagens e vida cotidiana, negócios e finanças, controle de dispositivos e veículos, arquivos e documentos, calendário, e-mail e mensagens. A fabricante relata que aproximadamente dobrou as capacidades de agente do modelo base: BFCL v4 subiu de 23,4 para 44,0, ACEBench de 30,1 para 58,7 e τ-bench de 23,2 para 51,5. Em BFCL v4, ACEBench, τ-bench, ToolSandbox e BrowseComp-Plus, ficou acima do Qwen3.5-2B-Think, que tem 2,5 vezes mais parâmetros, ficando atrás apenas no Claw-Eval (46,5 contra 48,9). No desempenho multiturno, o BFCL v4 multiturno subiu de 7,5 para 46,1, e o τ²-bench telecom obteve 82,5; no teste de alucinação do BFCL, 86,1, ou seja, tende mais a recusar a chamada quando não há ferramenta adequada. A fabricante também lista pontos fracos: a recuperação aberta no BrowseComp-Plus tem apenas 4,5, a busca na web do BFCL 14,0 e a memória 16,3; no τ³-banking, todos os modelos testados ficaram abaixo de 5, e em cenários complexos de recuperação de informação em múltiplas etapas, apenas 15. O treinamento consistiu em pós-treinamento em quatro etapas: ajuste fino supervisionado, destilação on-policy com múltiplos professores (três professores especialistas Qwen3.5-4B especializados em uso de ferramentas, raciocínio geral e seguimento de instruções, respectivamente) e duas rodadas de aprendizado por reforço DAPO com recompensas baseadas principalmente em regras e verificadores, em que a recompensa de chamada de ferramenta dá pontuação parcial para nome da ferramenta, nome do parâmetro e valor do parâmetro. A publicadora afirma que oferecerá três precisões: bf16, Q8 e Q4, em formatos safetensors do Hugging Face e GGUF para uso com o QVAC SDK e o llama.cpp, com os pesos abertos sob licença Apache 2.0, para fins de pesquisa e educação. Todos os benchmarks acima são autorrelatados pela fabricante, os benchmarks de API externa foram executados em 3 de novembro de 2026, e todos os modelos foram avaliados no modo de pensamento.
Impacto para desenvolvedores
Do ponto de vista de integração, o que chama atenção não é que “um 0,8B consiga fazer mais coisas”, mas que a própria chamada de ferramentas foi tratada como objetivo central do pós-treinamento de um modelo pequeno. Segundo o post de lançamento, entre as quatro etapas, a primeira rodada de aprendizado por reforço gira especificamente em torno da chamada de ferramentas: a recompensa primeiro verifica o formato de raciocínio e de chamada e depois dá pontuação parcial para nome da ferramenta, nome do parâmetro e valor do parâmetro, em vez de uma recompensa binária de certo ou errado. Isso desloca o erro da camada de formato para a camada de parâmetros: quando o modelo emite uma chamada estruturalmente válida mas com valores de parâmetro desviantes, o problema recai sobre a sua camada de ferramentas, e validação de parâmetros, idempotência e designs de rollback precisam estar prontos de antemão. O caminho de implantação é relativamente familiar. A publicadora fornece dois tipos de repositório, safetensors e GGUF, sendo o GGUF voltado para o QVAC SDK e o llama.cpp, o que significa que ele pode ser integrado à pilha de inferência local já existente, em vez de ficar preso a um runtime proprietário; as três precisões também abrem espaço para negociar entre memória, latência e estabilidade de formato. O perfil de capacidade afeta diretamente os limites do produto. A publicadora afirma explicitamente que ele foi projetado para “chamar uma ferramenta quando não sabe”, e que o conhecimento geral ainda cresce principalmente com o número de parâmetros: no mesmo porte, GPQA Diamond 38,1 e MMLU-Pro 48,9 lideram a categoria, mas ficam bem atrás do Qwen3.5-2B-Think, 2,5 vezes maior (59,9 e 65,5), portanto a qualidade da recuperação e do retorno das ferramentas determina a resposta final mais do que o conhecimento próprio do modelo. O ganho multiturno é o maior, mas quando as instruções se acumulam até a terceira rodada, o Multi-IF cai para 51,0, e os idiomas de baixo recurso (hindi 24,5, russo 57,6) ficam claramente atrás da faixa de 72–80 do inglês, chinês, francês, espanhol, italiano e português. Isso significa que o gerenciamento de estado, a reformulação de instruções e a compressão de contexto no dispositivo precisam ficar a cargo da aplicação, sem esperar que o modelo se mantenha estável sozinho em sessões longas. Em segurança, o red team autorrelatado aponta 21% de respostas inseguras (36% no modelo base) e 31% sob injeção de prompt (46% no base); a proporção restante indica que ainda é necessária uma camada de política externa ao ler saídas de ferramentas não confiáveis.
Integração e avaliação
As recomendações a seguir são condicionais e inferências analíticas, não declarações da publicadora. 1. Primeiro faça a triagem, não a substituição total. O post de lançamento mostra que chamadas únicas ficam geralmente entre 70 e 79 nos diversos grupos de aplicação, que cenários complexos têm apenas 39,5 no total e que a recuperação de informação em múltiplas etapas tem apenas 15. Com base nisso, pode-se traçar uma linha: chamadas únicas ou paralelas com schema de ferramenta claro e parâmetros que possam ser preenchidos pela camada superior vão para o dispositivo; requisições que exigem exploração multiturno ou verificação cruzada entre fontes continuam na nuvem. A condição de disparo é que a proporção de chamadas únicas no seu histórico de sessões seja suficientemente alta e que a validação de parâmetros possa ser externalizada na camada de ferramentas; se isso não for possível, os desvios de parâmetros do modelo atingirão diretamente os sistemas de negócio. O critério de avaliação deve medir duas coisas com amostras do seu próprio tráfego: a taxa de correspondência exata entre nome de função e valor de parâmetro, e a proporção de recusas de chamada quando o conjunto de ferramentas fornecido não consegue atender à requisição; esta última corresponde ao 86,1 do teste de alucinação do BFCL, mas esse é um número nas condições da fabricante e precisa ser testado por você. 2. Nos níveis de quantização, comece com Q8 e depois Q4. A publicadora oferece três precisões, bf16, Q8 e Q4, e a escolha depende do orçamento de VRAM ou memória do dispositivo. A abordagem condicional é: se a memória não estiver apertada, use Q8 para estabelecer a linha de base da taxa de formato válido, e só reduza para Q4 quando a memória for limitada e a queda na taxa de formato válido do Q4 for aceitável. O que você precisa medir é a taxa de formato válido das chamadas de ferramentas em um conjunto fixo de prompts, a proporção de loops de raciocínio repetidos e a latência de uma chamada. O post de lançamento relata que a taxa de loops caiu de 22,9% para 1,4% e que as execuções que atingiam o limite de 32k caíram de 28,3% para 0,2%; essas são medições feitas nos pesos publicados, e é preciso verificar se se mantêm após a quantização. 3. Coloque o julgamento de segurança fora do modelo. O post de lançamento afirma que a proporção de respostas inseguras no red team caiu de 36% no modelo base para 21%, e sob injeção de prompt de 46% para 31%. Os 31% significam que ainda há uma proporção considerável de amostras de injeção que podem gerar saídas inseguras; para agentes que precisam ler conteúdos não confiáveis como páginas web e e-mails, isso não é suficiente para delegar a responsabilidade de segurança ao modelo. Esta recomendação se aplica quando você permite que ele chame ferramentas que alteram estado (pagamentos, envio de e-mails, exclusão de arquivos); a prática é adicionar listas de permissão e confirmação humana a essas ferramentas. As métricas mensuráveis são a proporção de operações de escrita que passam pelo portão de política externa e a proporção de casos do conjunto de testes de injeção bloqueados pelo portão. 4. Faça o roteamento por idioma e por rodada. O post de lançamento indica que, no Multi-IF, inglês, chinês, francês, espanhol, italiano e português ficam na faixa de 72–80, hindi em 24,5 e russo em 57,6, e que o seguimento de instruções cai para 51,0 na terceira rodada. Se seus usuários incluírem esses idiomas de baixo recurso, ou se uma única sessão exigir acúmulo de instruções por mais de três rodadas, a condição prévia é não entregar esse tráfego a ele antes de fazer reformulação e compressão de instruções na camada de prompt. A forma de medir é a taxa de aprovação no seguimento de instruções por idioma e o número médio de rodadas de conversa.
Limites e pontos a confirmar
Todos os benchmarks acima vêm do autorrelato da publicadora, foram concluídos em suas próprias configurações, e os modelos de comparação também foram executados pela mesma equipe; até o momento não há resultados de reprodução independente. Nas condições de avaliação, todos os modelos rodaram no modo de pensamento, e os benchmarks que usam API externa foram executados em 3 de novembro de 2026; os tokens de raciocínio são contados pelo tokenizador de cada modelo, portanto a contagem de tokens entre modelos não usa exatamente a mesma régua, e a afirmação da fabricante de “usar 1,4–3,1 vezes menos tokens” deve ser entendida nesse critério. A conclusão de “melhor entre ≤1,2B” também se limita ao conjunto de comparação escolhido por ela. Licença e uso precisam ser vistos separadamente. O post de lançamento afirma que os pesos são abertos sob Apache 2.0, mas também declara “para fins de pesquisa e educação”, e a seção de uso pretendido limita os cenários aplicáveis a pesquisa e educação, declarando que não é adequado para automação crítica de segurança ou decisões automatizadas de alto risco, nem para cenários que envolvam dinheiro, informações pessoais ou saúde. A disponibilidade dos pesos não significa que todos esses usos estejam autorizados; quem for implantar deve verificar por conta própria o arquivo de licença e a descrição de uso pretendido no repositório do Hugging Face, em vez de inferir o escopo de direitos a partir da disponibilidade dos pesos. Há também um ponto a observar na redação do anúncio: o texto descreve a publicação dos pesos no futuro em vários trechos, ao mesmo tempo que fornece repositórios safetensors e GGUF; este resumo não consegue verificar se esses arquivos estão atualmente disponíveis para download nem se correspondem à descrição do artigo. Quanto aos limites de capacidade, a recuperação aberta é um ponto fraco claro: BrowseComp-Plus autorrelatado em 4,5, busca na web do BFCL 14,0 e memória 16,3; no τ³-banking, todos os modelos comparados ficaram abaixo de 5, e esse cenário atualmente não é utilizável. O modelo foi treinado e testado principalmente em inglês, que é o idioma recomendado. O catálogo atual de modelos do KimiSeek não tem entrada correspondente ao BotPsy-0.8B; as informações deste artigo sobre capacidade e distribuição vêm da publicadora; o post de lançamento também não menciona API oficial hospedada, e os canais de distribuição dos pesos seguem as indicações da fabricante no Hugging Face e no lado do QVAC SDK e do llama.cpp; se surgirem posteriormente serviços hospedados ou integrações de terceiros, sua disponibilidade, termos e cobrança serão explicados pela fabricante ou pelo respectivo provedor de serviço.
Ilustrações da notícia original







