Tether veröffentlicht Tool-Use-Modell BotPsy-0.8B unter Apache-2.0
Das Finetune von Qwen3.5-0.8B soll als lokaler Assistent laufen. Die Benchmarkwerte stammen vom Hersteller und sind nicht unabhängig geprüft.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Tether AI Research kündigte BotPsy-0.8B am 11. November 2026 an.
- BotPsy-0.8B ist ein Open-Weight-Modell mit 0,8 Mrd. Parametern für Function Calling.
- Basismodell ist Qwen3.5-0.8B; BotPsy ist als Finetune dieses Modells ausgewiesen.
- Lizenz ist Apache-2.0; die Gewichte liegen auf Hugging Face als Safetensors und GGUF.
- Die GGUF-Dateien umfassen BF16, Q8_0 und Q4_K_M mit Importance-Matrix-Kalibrierung.
Tether veröffentlicht Tool-Use-Modell mit 0,8 Milliarden Parametern unter Apache-2.0
Tether AI Research hat am 11. November 2026 das Open-Weight-Modell QVAC BotPsy-0.8B mit 0,8 Milliarden Parametern angekündigt. Hinter dem Namen steht Tether Data, S.A. de C.V. BotPsy ist ein Finetune von Qwen3.5-0.8B, also ein Nachtraining eines bestehenden Modells und keine neue Architektur. Es soll Funktionsaufrufe und agentische Workflows beherrschen. Als persönlicher Assistent mit Werkzeugen soll es lokal auf dem Gerät laufen.
Die Gewichte liegen unter Apache-2.0 auf Hugging Face, als Safetensors (qvac/BotPsy-0.8B) und als GGUF (qvac/BotPsy-0.8B-GGUFs). Als Einsatzfelder nennt der Hersteller Websuche und Recherche, Reisen und Lifestyle, Handel und Finanzen, Geschäfts- und Kundenprozesse, Geräte- und Fahrzeugsteuerung, Dateien und Dokumente, Kalender sowie E-Mail und Messaging.
Tether begründet das Vorhaben mit geringeren und planbareren Kosten, Unabhängigkeit von Drittanbietern, Datenschutz, Datenkontrolle und Self-Hosting. Frontier-Modelle aus der Cloud seien teuer. Ihre Kosten könnten schwanken, und Anbieter könnten den Zugang ändern oder einstellen.
Hersteller nennt fast verdoppelte Benchmarkwerte, unabhängige Prüfung fehlt
Laut Tether steigen die Werte gegenüber dem Basismodell Qwen3.5-0.8B-Think deutlich. Im BFCL v4 wächst der Wert von 23,4 auf 44,0, im ACEBench von 30,1 auf 58,7, im τ-bench von 23,2 auf 51,5 und in ToolSandbox von 30,5 auf 64,6. Der τ-bench-Wert ist der Mittelwert aus den Teilbereichen Retail, Telecom und Banking. Insgesamt nennt der Hersteller sechs Benchmarks. Neben den vier genannten sind das Claw-Eval und BrowseComp-Plus.
Getestet wurde nach Herstellerangaben im Thinking-Modus mit identischen Sampling-Einstellungen. Die GGUF-Dateien liefen unter llama.cpp, das BF16-Modell unter vLLM. Eine unabhängige Überprüfung der Zahlen gibt es nicht.
Bei der Reichweite des Vergleichs weichen die Angaben voneinander ab. Die Modellkarte besagt, BotPsy übertreffe jedes getestete Modell bis 1,2 Milliarden Parameter. Die Mitteilung spricht von Modellen bis zum 2,5-Fachen der eigenen Größe, rechnerisch rund 2 Milliarden Parameter. Das dürfte ein Unterschied in der Formulierung sein. Aus dem vorliegenden Material geht jedoch nicht hervor, welche größeren Modelle in welchen Benchmarks getestet wurden. Den Anspruch, für die Größenklasse „state-of-the-art“ zu sein, belegt bislang allein der Hersteller.
Dateien ab 0,53 Gigabyte, aber nur Englisch und einfache Aufgaben
Für Entwickler liegen drei GGUF-Dateien bereit: BF16 mit rund 1,52 GB, Q8_0 mit rund 0,81 GB und Q4_K_M mit Importance-Matrix-Kalibrierung mit rund 0,53 GB. Die MTP-Layer (Multi-Token-Prediction) des Basismodells fehlen. Quantisierung kostet Qualität. Der Hersteller beziffert die Abweichung als KL-Divergenz zu BF16: 0,001 bei Q8_0, 0,048 bei Q4_K_M ohne und 0,036 mit Kalibrierung. Je kleiner der Wert, desto näher liegt die Datei am unquantisierten Modell.
Laut Metadaten unterstützt das Modell nur Englisch. Tether räumt ein, dass BotPsy als kleines Modell weiterhin Fehler macht. Es tauge nur für Aufgaben niedriger bis mittlerer Schwierigkeit. Details stehen im Abschnitt „Intended Use and Limitations“, der im vorliegenden Material fehlt. Trainiert wurde nach einer Sekundärquelle unter anderem mit SFT, Destillation (MOPD) und Reinforcement Learning (DAPO).
Wer BotPsy einsetzen will, sollte den Herstellerangaben nicht blind folgen. Selbst testen lohnt sich, besonders bei deutschsprachigen Eingaben oder mehrstufigen Aufgaben.



