Tether AI Research presenta BotPsy, un modello da 0.8B di parametri progettato per il tool calling e i flussi di lavoro agentici, ovvero la capacità di un modello di utilizzare strumenti per completare un compito. Costruito a partire da Qwen3.5-0.8B, è destinato a funzionare direttamente sul dispositivo dell’utente.
Secondo l’azienda, i grandi modelli ospitati nel cloud comportano costi operativi elevati, che possono variare in modo imprevedibile. Dipendere da questi modelli di terze parti espone anche a rischi, poiché i loro fornitori possono modificare, limitare o ritirare l’accesso in qualsiasi momento. Tether AI Research ritiene che non tutti i compiti richiedano un’intelligenza di livello massimo, e che piccoli agenti specializzati possano essere altrettanto efficaci su compiti specifici, a un costo significativamente inferiore.
BotPsy si presenta come un « assistente personale » capace di eseguire compiti semplici grazie a strumenti, in ambiti come la ricerca sul web, i viaggi, il commercio e la finanza, la gestione del dispositivo e del veicolo, i file, il calendario o la posta elettronica. A causa delle sue dimensioni, è più adatto a compiti di difficoltà da bassa a media.
Risultati annunciati superiori alla sua categoria
Secondo i risultati pubblicati dall’azienda, BotPsy ottiene punteggi circa due volte superiori a quelli del suo modello base su diversi test. Su BFCL v4, passa da 23.4 a 44.0, su ACEBench da 30.1 a 58.7, e su τ-bench da 23.2 a 51.5. Supera Qwen3.5-2B-Think, un modello 2.5 volte più grande, su cinque dei sei benchmark di agenti testati. Solo Claw-Eval gli sfugge, con 48.9 contro 46.5.
Tether AI Research sottolinea anche la sicurezza. Durante test automatizzati che coprono sei categorie di rischio, BotPsy produce risposte pericolose nel 21% dei casi, contro il 36% del suo modello base. Si tratta del tasso più basso tra i modelli da 1.2B di parametri o meno testati, dove LFM2.5-1.2B-Think raggiunge il 35% e MiniCPM5-1B-Think il 47%. Sul ragionamento, l’azienda indica che BotPsy utilizza circa tre volte meno token, le unità di testo elaborate dal modello, rispetto al suo modello base per rispondere correttamente al benchmark GPQA Diamond, con 3.690 token contro 11.563.
Un metodo di addestramento in quattro fasi
BotPsy viene addestrato in quattro fasi successive, a partire da un apprendimento supervisionato su conversazioni di utilizzo di strumenti, poi da una distillazione multi-insegnanti, prima di due serie di apprendimento per rinforzo. La distillazione consiste qui nel far rispondere il modello studente ricevendo, token per token, i feedback di tre modelli insegnanti Qwen3.5-4B, ciascuno specializzato in un ambito. Le fasi di rinforzo si basano su ricompense calcolate da regole e verificatori, e non su giudizi umani.
Limiti e pubblicazione
Tether AI Research precisa che BotPsy rimane un modello piccolo che commette errori, e che non è destinato a decisioni automatizzate ad alto rischio, né ad applicazioni legate al denaro, alle informazioni personali o alla salute. Il modello è stato principalmente addestrato e testato in inglese. Le sue prestazioni calano in hindi, con un punteggio di 24.5 su Multi-IF, e in russo, con 57.6. BotPsy sarà pubblicato con pesi aperti sotto licenza Apache 2.0, per uso di ricerca e didattica, in tre precisioni: bf16, Q8 e Q4.
