A Tether AI Research anunciou em 11 de novembro de 2026 o QVAC BotPsy-0.8B, um modelo de inteligência artificial open-weight com 0,8 bilhão de parâmetros, criado para transformar pedidos em linguagem natural em chamadas de ferramentas — as ações que um assistente executa em aplicativos, como remarcar uma reunião, ligar o Wi-Fi ou liberar espaço na caixa de entrada. O modelo foi construído sobre o Qwen3.5-0.8B-Think, da Alibaba, e foi projetado para rodar localmente em celulares e laptops, sem enviar os dados do usuário para a nuvem.
O que o BotPsy faz
Em vez de apenas responder perguntas, o BotPsy é especializado em function calling: ele escolhe a ferramenta certa, preenche os argumentos e executa a ação — em vários passos, quando necessário. Em um exemplo divulgado pela Tether, uma mensagem não pôde ser enviada porque o Wi-Fi estava desligado e a caixa de entrada estava cheia; o modelo ligou o Wi-Fi, liberou espaço e só então enviou a mensagem, enquanto o modelo-base repetia a mesma ação fracassada. O modelo também é capaz de reconhecer quando nenhuma ferramenta disponível serve para o pedido, em vez de inventar uma chamada.
Os números — e o que eles não provam
Nos testes conduzidos pela própria Tether em seis benchmarks de uso de ferramentas, o BotPsy praticamente dobrou os resultados do modelo-base: o BFCL v4 subiu de 23,4 para 44,0; o ACEBench, de 30,1 para 58,7; o τ-bench, de 23,2 para 51,5; e o ToolSandbox, de 30,5 para 64,6. A empresa afirma ainda que o modelo superou o Qwen3.5-2B-Think — um modelo 2,5 vezes maior — em cinco dos seis benchmarks; a exceção foi o Claw-Eval, vencido pelo modelo maior por 48,9 a 46,5. No teste de múltiplas rodadas do BFCL v4, que mede a continuidade de uma tarefa ao longo da conversa, o BotPsy marcou 46,1, contra 23,8 do modelo de 2 bilhões de parâmetros e 7,5 do modelo-base. No teste de alucinação do BFCL, que verifica se o modelo evita chamar uma ferramenta quando nenhuma serve, marcou 86,1 — a maior nota entre os modelos testados.
É importante ressaltar: todos esses números vêm da avaliação da própria Tether e ainda não tiveram replicação independente. Além disso, o BotPsy não é um modelo de conhecimento geral: no GPQA Diamond marcou 38,1 e no MMLU-Pro, 48,9 — bem abaixo dos 59,9 e 65,5 do modelo de 2 bilhões de parâmetros. A pesquisa aberta na web continua fraca: o BrowseComp-Plus ficou em 4,5, o melhor do grupo testado, mas baixo em termos absolutos. O modelo foi treinado e testado principalmente em inglês, e a própria Tether afirma que ele não deve ser usado para decisões de segurança crítica ou que envolvam dinheiro, dados pessoais ou saúde. Em testes internos de segurança, o modelo gerou respostas inseguras em 21% dos casos (contra 36% do modelo-base) e, sob ataques de injeção de prompt, em 31% (contra 46%).
Como ele foi treinado
Segundo a documentação técnica, o BotPsy passou por quatro etapas de pós-treinamento: ajuste fino supervisionado em conversas de uso de ferramentas, destilação com três modelos professores Qwen3.5-4B especializados (uso de ferramentas, raciocínio geral e seguimento de instruções) e duas rodadas de aprendizado por reforço com o sistema DAPO. O treinamento também encurtou os rastros de raciocínio do modelo: em questões do GPQA Diamond respondidas corretamente por todos os modelos comparados, o BotPsy usou 3.690 tokens de raciocínio, contra 11.563 do modelo-base.
Disponibilidade e limites
Os pesos do modelo estão no Hugging Face, sob licença Apache 2.0, em safetensors BF16 e em três versões GGUF para o llama.cpp e o SDK QVAC: BF16 (cerca de 1,52 GB), Q8_0 (cerca de 0,81 GB) e Q4_K_M (cerca de 0,53 GB). O código e os dados de treinamento não foram publicados. O BotPsy se soma a outros modelos da iniciativa QVAC — VisionPsy (visão), TranscribePsy (fala), MedPsy (saúde) e TranslatePsy (tradução) — e a visão de longo prazo da Tether é um assistente pessoal em que o celular serve de interface e um PC doméstico ou nós peer-to-peer assumem as tarefas mais pesadas. Essa parte, porém, é uma visão declarada: o que foi lançado agora são o modelo e os arquivos de implantação.
“Um assistente que gerencia sua agenda, mensagens e documentos precisa de acesso a algumas das suas informações mais pessoais”, afirmou Paolo Ardoino, CEO da Tether. “Executar a IA localmente pode reduzir a necessidade de enviar essas informações para provedores centralizados, dando às pessoas maior controle sobre como elas são processadas.”
Leia também: Qwen4-Max Preview: Alibaba abre prévia do modelo com contexto de 1 milhão de tokens
Fontes
- Tether — Tether's 800M AI Agent Beats Models 2.5x Its Size on Everyday Phone Tasks (comunicado oficial, 11 de novembro de 2026)
- Hugging Face — qvac/BotPsy-0.8B (pesos, documentação técnica e avaliação)
- Unite.AI — Tether Releases QVAC BotPsy for Tool-Using AI on Personal Devices (análise dos números divulgados)
Crédito da imagem: gráfico de benchmarks do anúncio oficial da Tether, via Tether.io.
Transparência: esta matéria foi produzida com auxílio de inteligência artificial, a partir do cruzamento de publicações públicas e das fontes da internet citadas acima. Os resultados de benchmarks citados são da avaliação da própria Tether e ainda não tiveram replicação independente. Recomendamos consultar as fontes originais para confirmar as informações.
Por Muse
