Tether lança BotPsy: modelo de 0,8B para chamar ferramentas no dispositivo

A Tether AI Research publicou em 11 de novembro de 2026, no blog do Hugging Face sob a organização qvac, o BotPsy. É um modelo de 0,8B parâmetros baseado no Qwen3.5-0.8B e feito para function calling e fluxos agênticos rodando no próprio dispositivo.

Os pesos são abertos sob Apache 2.0 para uso em pesquisa e educação, como confirmam os model cards do BotPsy no Hugging Face. A própria equipe já avisa o limite: ele serve para tarefas de dificuldade baixa a média e não foi feito para uso de alto risco.

O que é o BotPsy e para que tipo de tarefa ele foi feito

O BotPsy é descrito pela equipe como um "assistente pessoal" que usa ferramentas para executar tarefas simples para o usuário. A ideia é ter um agente pequeno o bastante para rodar local, sem mandar seus dados para a nuvem.

Function calling, no contexto de agentes, é quando o modelo decide qual função externa chamar (uma busca, uma agenda, uma API) e com quais parâmetros, em vez de só responder em texto.

Os domínios-alvo listados no anúncio do BotPsy são estes:

• busca na web e pesquisa
• viagem e estilo de vida
• comércio e finanças
• operações de negócios e atendimento
• controle de dispositivos e veículos
• arquivos e documentos
• calendário
• e-mail e mensagens

Repare no perfil: são tarefas curtas e bem delimitadas, do tipo "marca uma reunião" ou "acha esse arquivo". Não é um modelo pra planejar um projeto inteiro.

Como o BotPsy se saiu nos benchmarks divulgados pela equipe

Todos os números desta seção foram divulgados pela própria equipe da Tether. Leia como o que a equipe reporta, não como ranking consolidado.

Em relação ao modelo base (Qwen3.5-0.8B-Think), os ganhos reportados no post da equipe são grandes: BFCL v4 sobe de 23,4 para 44,0, ACEBench de 30,1 para 58,7 e τ-bench de 23,2 para 51,5 (média dos subconjuntos retail, telecom e banking).

Contra os modelos de até 1,2B que a equipe testou (Qwen3.5-0.8B-Think, LFM2.5-1.2B-Think e MiniCPM5-1B-Think), o BotPsy lidera os seis benchmarks de ferramentas e agentes: BFCL v4, ACEBench, τ-bench, ToolSandbox, Claw-Eval e BrowseComp-Plus.

O confronto mais curioso é com o Qwen3.5-2B-Think, um modelo 2,5 vezes maior:

São 5 vitórias em 6, segundo a equipe. O Claw-Eval é o único em que o modelo maior fica na frente.

Saber quando não chamar uma ferramenta: o dado mais útil para agentes

Pra quem monta agente, o número que mais interessa talvez não seja o de acerto, e sim o de recusa. Um agente que chama ferramenta errada (ou inventa uma que não existe) causa mais estrago do que um que responde "não consigo fazer isso".

O multi-turn também aparece forte nos dados divulgados. No τ²-bench telecom, em que o agente precisa conduzir uma conversa longa com cliente seguindo uma política, ele marca 82,5 contra 69,3 do Qwen3.5-2B-Think. Nas tarefas multi-turn do BFCL v4, sobe de 7,5 para 46,1 em relação ao base.

Na prática, isso sugere menos chamadas indevidas em fluxos de várias etapas. Mas, de novo, são números da equipe, então vale conferir com as suas próprias ferramentas.

Limitações e segurança declaradas pela própria Tether

A equipe é bem direta sobre os limites. O conhecimento geral ainda escala principalmente com o número de parâmetros, então não espere um modelo de 0,8B saber tanto quanto um grande.

O desempenho também cai à medida que as instruções se acumulam, e ele fica atrás em idiomas com menos recursos. O BotPsy foi avaliado no Multi-IF em sete idiomas adicionais, incluindo português, com bom desempenho na maioria deles; apenas hindi e russo tiveram notas bem mais baixas. Ainda assim, o inglês continua sendo o idioma recomendado pela equipe.

Os ganhos em seguimento de instruções e conhecimento, segundo o post de lançamento, são: IFEval de 59,7 para 90,8, IFBench de 22,0 para 55,9, GPQA Diamond de 33,2 para 38,1 e MMLU-Pro de 41,6 para 48,9. Melhora sim, mas dentro do teto de um modelo pequeno.

Na segurança, em red-teaming automatizado com seis categorias de dano, o BotPsy gera respostas inseguras em 21% dos casos, contra 36% do modelo base. Sob prompt injection, a taxa cai de 46% para 31%, segundo a equipe, conforme o resumo do DEV Community.

Melhor que o base, mas longe de zero. A própria Tether reforça que ele ainda erra e não se destina a uso crítico.

Onde baixar o BotPsy e com o que ele roda

Os pesos estão em dois repositórios no Hugging Face: qvac/BotPsy-0.8B, em safetensors, e qvac/BotPsy-0.8B-GGUFs, com as variantes GGUF bf16, Q8 e Q4.

Os tamanhos aproximados dos GGUFs, segundo o resumo do lançamento, são:

• BF16: cerca de 1,52 GB
• Q8_0: cerca de 0,81 GB
• Q4_K_M: cerca de 0,53 GB

O model card do BotPsy-0.8B-GGUFs no Hugging Face confirma que os GGUFs são compatíveis com llama.cpp e com o QVAC SDK. O QVAC é o framework open source da Tether para rodar IA no próprio dispositivo, sem depender de nuvem.

Vale testar o BotPsy no seu agente local?

Faz sentido se você precisa de tool-use leve, privado e offline para tarefas simples, como agenda, arquivos ou comandos de dispositivo, mas vale lembrar que o próprio model card desaconselha usar o BotPsy em aplicações envolvendo dinheiro, informações pessoais, saúde e outros temas sensíveis. Um modelo com menos de 1 GB em Q8 cabe em cenário que um modelo grande nem chega perto.

Não faz sentido como substituto de modelo maior em tarefas complexas, longas ou críticas. A própria equipe deixa isso claro.

O próximo passo é abrir o model card no repositório, conferir a licença ali e montar um conjunto pequeno com as suas ferramentas e os seus prompts reais (incluindo pedidos em português e casos em que o modelo deveria recusar). Se ele aguentar esse teste, aí sim vale pensar em produção.

Encontre outros guias no YouTube da Hora de Codar.