Tether AI发布BotPsy：0.8B参数端侧个人助理模型，Apache 2.0开源
Tether AI Research在Hugging Face发布BotPsy，基于Qwen3.5-0.8B后训练，专注工具调用与智能体工作流，以Apache 2.0许可开放权重供研究与教育使用。
AI解读：Tether AI Research推出 0.8B参数的BotPsy，基于Qwen3.5-0.8B后训练，定位端侧个人助理，可用于网页搜索、旅行、商务、设备控制、文件、日历和邮件等场景。
在作者自测中，BotPsy在六项工具使用与智能体基准上均优于其基座和同尺寸竞品，并在其中五项超过 2.5 倍参数量的Qwen3.5-2B-Think；但推理方法、评测设置均由作者自行定义，尚不构成独立验证。
作者称BotPsy在BFCL v4幻觉测试中得分 86.1，即无合适工具时拒绝调用；提示注入攻击下的不安全回复率从基座 46% 降至 31%。
模型以bf16、Q8、Q4三种精度发布，提供safetensors与GGUF格式，可用于QVAC SDK和llama.cpp；许可为Apache 2.0，限定研究与教育用途。
作者明确BotPsy仍会出错，不适用于高风险场景；开放搜索（BrowseComp-Plus 4.5）、BFCL记忆（16.3）和低资源语言（印地语 24.5）是已知弱项。
Tether AI Research发布BotPsy，一个 0.8B参数、基于Qwen3.5-0.8B后训练的端侧个人助理模型，主打工具调用和智能体工作流。模型以Apache 2.0许可开放权重，作者限定其用于研究与教育用途。
据Hugging Face博客文章，BotPsy提供bf16、Q8、Q4三种精度，以safetensors和GGUF格式发布，可用于QVAC SDK与llama.cpp。
定位与适用场景
文章称BotPsy面向网页搜索与研究、旅行与生活、商业与金融、业务与客户运营、设备与车辆控制、文件与文档、日历、邮件与消息等任务，通过调用工具完成。作者表示，受参数量限制，它最适合低到中等难度的任务。
作者将端侧小模型的价值归于成本、数据控制和隐私：云端前沿模型运营成本高且会波动，第三方访问可能被修改或收回；并非所有任务都需要前沿级智能。
作者自测的基准结果
博客给出的对比对象包括其基座Qwen3.5-0.8B-Think、2.5 倍参数量的Qwen3.5-2B-Think、LFM2.5-1.2B-Think和MiniCPM5-1B-Think。作者称BotPsy在六项工具使用与智能体基准上均优于 1.2B以下竞品。
具体数字：BFCL v4为 44.0（基座 23.4），ACEBench 58.7（30.1），τ-bench 51.5（23.2），ToolSandbox 64.6（30.5），BrowseComp-Plus 4.5（1.9），Claw-Eval 46.5（39.3）。六项平均 45.0，基座为 24.7。
与Qwen3.5-2B-Think相比，BotPsy在其中五项领先，仅Claw-Eval落后（46.5 对 48.9）。以上均为作者自行评测，文章未提供第三方复现结果。
工具调用行为与多轮表现
作者强调智能体还需知道何时不调用工具：BFCL v4幻觉测试中BotPsy得 86.1，为所测模型最高；ACEBench特殊情形（请求不完整、参数错误或工具无法满足）得 51.3，基座为 13.7。
多轮场景中，BFCL v4多轮从 7.5 升至 46.1，接近Qwen3.5-2B-Think的 23.8 的两倍；τ²-bench电信子集得 82.5，Qwen3.5-2B-Think为 69.3。作者同时指出 τ³-bench银行子集所有模型均低于 5，BotPsy为 4.1。
安全、效率与局限
作者称在六类危害的自动化红队测试中，BotPsy不安全回复率为 21%，基座为 36%，LFM2.5-1.2B-Think为 35%，MiniCPM5-1B-Think为 47%；提示注入攻击下不安全率从 46% 降至 31%。
效率方面，作者称在全部模型均答对的问题上，BotPsy在GPQA Diamond上使用约三分之一于基座的推理token（3,690 对 11,563），IFBench中陷入重复推理循环的比例从 22.9% 降至 1.4%。
作者列出的弱项包括开放搜索（BrowseComp-Plus 4.5绝对值偏低）、BFCL网页搜索 14.0 与记忆 16.3 落后于Qwen3.5-2B-Think，以及低资源语言，印地语仅 24.5，俄语 57.6。作者明确BotPsy仍会犯错，不适用于高风险用途。
训练方法与开源信息
BotPsy的训练分四阶段：工具使用对话的全参数监督微调；以三个经强化学习训练的Qwen3.5-4B专门教师模型进行在线策略蒸馏；两轮基于DAPO的强化学习，奖励由规则和验证器计算。
模型权重以Apache 2.0许可发布，供研究与教育使用。作者为Tether Data, S.A. de C.V.下属的Tether AI Research。