Tether AI 发布 BotPsy：0.8B 端侧智能体模型，工具调用压过 2B 级对手

11月11日，Tether AI Research 在 Hugging Face 博客发布 BotPsy——一个参数量仅 0.8B 的端侧智能体语言模型，基于 Qwen3.5-0.8B 后训练而来，专为函数调用与智能体工作流设计。团队把它定位为“个人助理”：通过调用工具替用户完成网页搜索与研究、旅行与生活、商务与金融、设备与车辆控制、文件与文档、日历以及邮件与消息等任务。

发布动机写得很直接：前沿云端模型运营成本高且波动，依赖第三方接口意味着对方可以随时修改、拒绝或下线服务；专有模型难以针对具体工作流定制，同时带来隐私、数据控制与透明度风险。

性能是这篇发布的核心卖点。相比基座 Qwen3.5-0.8B-Think，BotPsy 在 BFCL v4 上从 23.4 提升到 44.0，ACEBench 从 30.1 升到 58.7，τ-bench（零售、电信、银行三个子集均值）从 23.2 升到 51.5。在 1.2B 参数以下的同类模型中，它在 BFCL v4、ACEBench、τ-bench、ToolSandbox、Claw-Eval 与 BrowseComp-Plus 六项基准上全部领先于 Qwen3.5-0.8B-Think、LFM2.5-1.2B-Think 和 MiniCPM5-1B-Think。

更值得注意的是它对比“更大但未必更强”的对手：在五项基准上，BotPsy 超过了体积为它 2.5 倍的 Qwen3.5-2B-Think，包括 BFCL v4 的 44.0 对 37.7、ToolSandbox 的 64.6 对 41.2；只有在 Claw-Eval 上以 46.5 对 48.9 落后。多轮场景中，它在 τ²-bench 电信子集拿到 82.5，高于对手的 69.3；BFCL v4 多轮任务从 7.5 跃升到 46.1。

智能体的另一半能力是知道什么时候不该调用工具。在 BFCL v4 的幻觉测试中，BotPsy 得分 86.1，为所有被测模型最高；在 ACEBench 针对请求不完整、参数错误或工具无法满足的特例中，它从基座的 13.7 提升到 51.3。这类拒答能力对端侧助理尤其关键：读入不可信的工具输出时，错误动作的代价很高。

训练配方分四个阶段：先做工具调用对话的全参数监督微调，再用多教师在线策略蒸馏（MOPD）——三个分别针对工具使用、通用推理与指令遵循做过强化学习的 Qwen3.5-4B 教师模型，按 token 提供反馈，训练信号是逐 token 的 reverse KL；最后进行两轮强化学习，奖励来自可验证的规则化工具调用结果。整体上，模型从示范、专家教师与可验证奖励三类信号中学习。

效率与安全数据同样是发布重点。在五个模型都答对的题目上，BotPsy 在 GPQA Diamond 上的推理 token 为 3,690，基座为 11,563；MMLU-Pro 上从 5,105 降到 1,912。循环推理比例从 22.9% 降到 1.4%，触发 32k token 上限的比例从 28.3% 降到 0.2%。六类危害的自动红队中，不安全回答率 21%，低于基座 36%，也低于 LFM2.5-1.2B-Think 的 35% 与 MiniCPM5-1B-Think 的 47%；提示注入攻击下的不安全率从 46% 降到 31%。指令遵循方面，IFEval 从 59.7 升到 90.8，GPQA Diamond 为 38.1，MMLU-Pro 为 48.9。

发布方式上，BotPsy 以 Apache 2.0 许可开放权重，面向研究与教育用途，提供 bf16、Q8、Q4 三种精度，以及 Hugging Face safetensors 和适配 QVAC SDK、llama.cpp 的 GGUF 文件。团队也明确列出局限：小模型仍会犯错，不适合高风险场景，多步信息检索是弱项，低资源语言表现落后，指令累积时性能会下降。后续路线包括 Hypersearch 的去中心化 P2P 搜索、QVAC Fabric 本地微调，以及手机在离线与在线切换时把重计算任务交给家用 PC 或可信节点。