Em 11 de novembro de 2026, a Tether AI Research publicou no blog da Hugging Face o BotPsy, um modelo de 0.8 bilhão de parâmetros desenhado especificamente para function calling e workflows agênticos em dispositivo. O post, assinado por Milan Gritta e colegas, descreve o modelo como construído em cima do Qwen3.5-0.8B e distribuído sob Apache 2.0, em três precisões (bf16, Q8, Q4), como safetensors e GGUF para o QVAC SDK e llama.cpp.
Este artigo é sobre a receita de treino que fez um modelo desse tamanho bater, em cinco de seis benchmarks de uso de ferramentas, um irmão 2.5 vezes maior. O que interessa aqui é o mecanismo, não o marketing.
O que é o BotPsy e por que o tamanho importa
Um modelo sub-bilhão cabe em celular. Essa é a razão pela qual o tamanho não é detalhe: é a premissa. Rodar localmente elimina latência de rede, remove a dependência de um fornecedor que pode mudar preço ou deprecar endpoint, e mantém dados do usuário no aparelho. O preço disso é capacidade: um modelo pequeno sabe menos coisas e raciocina pior em problemas abertos.
A proposta do BotPsy é assumir esse trade-off: ele não tenta ser um modelo de conhecimento, ele é desenhado para chamar ferramentas quando precisa de um fato. Nas palavras do próprio post, ele é feito para tarefas de dificuldade baixa a média, nos domínios de busca na web, viagem, comércio, operações, controle de dispositivo, arquivos, calendário e mensagens.
Os números que ancoram essa proposta: 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 em relação ao modelo base. Em cinco dos seis benchmarks agênticos, ele fica à frente do Qwen3.5-2B-Think, que tem 2.5 vezes mais parâmetros. A exceção é o Claw-Eval, onde o 2B lidera 48.9 contra 46.5.
Como o treinamento funciona: quatro estágios, três sinais
Aqui está o núcleo do artigo. O BotPsy não é o resultado de um único passe de fine-tuning. São quatro estágios sequenciais, cada um partindo do melhor checkpoint do anterior, e cada um aprendendo com um tipo diferente de sinal.
Pensa num aprendiz de cozinha. Primeiro ele copia receitas do livro, passo a passo (imitação). Depois um chef fica ao lado dele e corrige cada movimento enquanto ele cozinha os pratos dele mesmo (feedback do especialista). Por fim, ele cozinha sozinho e só sabe se acertou quando alguém prova e dá nota (recompensa verificável). A analogia quebra num ponto: o chef do BotPsy não é um chef só, são três chefs especialistas em habilidades diferentes, e o roteador decide qual deles vai corrigir cada prato.
Estágio 1: SFT, aprender por imitação
Supervised Fine-Tuning de parâmetros completos sobre conversas de uso de ferramentas. Inclui trajetórias multi-turno de ambientes simulados, chamadas únicas, paralelas e multi-passo reproduzidas, e casos em que nenhuma ferramenta deve ser chamada. Este estágio dispara a métrica de tool use, mas empurra conhecimento e instrução para baixo do modelo base. É um efeito esperado: o modelo está sobre-especializando.
Estágio 2: MOPD, destilação on-policy com múltiplos professores
Este é o estágio mais interessante da receita. Em destilação clássica, o aluno imita saídas prontas do professor. Em on-policy distillation, o aluno gera a própria resposta e o professor dá feedback token a token sobre o que o aluno realmente produziu, usando a divergência KL reversa per-token como sinal de treino.
A diferença é mecânica, não cosmética. Em imitação off-policy, se o aluno sai da trilha, o professor nunca vê o erro, porque só mostra a trilha correta. Em on-policy, o professor olha para onde o aluno de fato pisou e corrige dali. A técnica foi formalizada por Agarwal e colegas no ICLR 2024, com a ideia de que o aluno aprende com os próprios erros e não com um dataset estático.
A Tether aplicou três professores especialistas, cada um um Qwen3.5-4B RL-treinado para uma habilidade: uso de ferramentas, raciocínio geral, instrução. Cada prompt é roteado para o professor adequado. O efeito, descrito pelos autores, é recuperar o conhecimento e a capacidade de seguir instrução que o SFT tinha derrubado, enquanto as métricas de ferramenta continuam subindo.
Estágios 3 e 4: RL com DAPO
Os dois últimos estágios usam reinforcement learning com o algoritmo DAPO. DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization) foi publicado pela ByteDance Seed e Tsinghua em março de 2025, como um sistema open-source de RL para LLMs que constrói sobre GRPO e PPO.
O sinal de treino vem de regras e verificadores. A primeira rodada foca em tool calling: a recompensa primeiro checa o formato de raciocínio e chamada, e depois dá crédito parcial comparando nomes de ferramentas, nomes de argumentos e valores de argumentos previstos contra o ground truth. Não é binário. Acertar o nome da função e errar um argumento vale mais do que errar tudo. A ideia vem do ToolRL.
A segunda rodada expande o mix para tarefas verificáveis de domínio geral: matemática, código, perguntas de múltipla escolha, instrução, saídas estruturadas e uso multi-passo de ferramentas em ambiente simulado de trabalho. Curiosamente, esse mix não contém conversas multi-turno, mas mesmo assim melhora o function calling multi-turno. Esse é o tipo de resultado que a documentação registra sem explicar completamente.
O que isso significa na prática
Se você está construindo um assistente que chama ferramentas no celular do usuário, a receita acima é desenhada para o seu caso. O ganho mais claro está em conversas longas com múltiplas chamadas de função, não em responder trivia.
Um exemplo concreto do formato que o modelo espera processar:
{
"messages": [
{"role": "system", "content": "Você é um assistente com acesso a ferramentas."},
{"role": "user", "content": "Agende reunião com João amanhã às 10h e me avise por SMS"}
],
"tools": [
{"name": "calendar.create_event", "parameters": {"title": "string", "start": "datetime", "attendees": "array"}},
{"name": "sms.send", "parameters": {"to": "string", "body": "string"}}
]
}
O BotPsy precisa, em sequência: ler a intenção, chamar calendar.create_event com os parâmetros certos, esperar o retorno, e só então chamar sms.send. É nesse encadeamento que modelos pequenos tipicamente quebram, e é exatamente onde o BotPsy mostra o maior salto: no BFCL v4 multi-turn, ele vai de 7.5 para 46.1, quase o dobro do Qwen3.5-2B-Think (23.8).
Outro detalhe que importa quando você está desenhando o loop: o modelo melhorou em saber quando não chamar. No teste de alucinação do BFCL v4, que verifica se o modelo recusa quando nenhuma ferramenta serve, ele marca 86.1, o mais alto dos testados. Para quem já construiu agente que inventa chamada de função porque não quer admitir que não sabe, esse número vale mais do que benchmark acadêmico.
Nesse ponto, vale uma nota de experiência. Num sistema multi-agente de captura e enriquecimento de lead, optei por escrever a orquestração explícita em vez de usar um framework, exatamente porque quando quebra você precisa saber qual passo quebrou. O BotPsy ajuda nesse mundo: se o modelo é previsível em recusar quando não há ferramenta adequada, o seu orquestrador externo não precisa gastar lógica defensiva para esse caso.
Onde quebra
A honestidade do post dos autores é útil: eles listam onde o modelo não funciona bem.
- Recuperação de informação multi-passo. Em cenários complexos de Information Retrieval & Research, o score cai para 15 contra 79 em chamadas únicas. A maioria dessas tarefas é BrowseComp-Plus, que continua difícil para todos os modelos nessa faixa de tamanho.
- Línguas de baixo recurso. Hindi marca 24.5 e russo 57.6 no Multi-IF, bem abaixo dos 72 a 80 do inglês, chinês, francês, espanhol, italiano e português.
- Degradação em instruções acumuladas. No Multi-IF, o modelo começa mais forte na turn 1 (84.3, o mais alto dos cinco) mas cai mais rápido na turn 3 (51.0), enquanto Qwen3.5-2B-Think e LFM2.5-1.2B-Think caem menos.
- τ³-banking. Nenhum modelo passa de 5 pontos. É um benchmark onde essa faixa de tamanho simplesmente não dá conta.
- Conhecimento geral. Melhorou em relação ao base (GPQA de 33.2 para 38.1, MMLU-Pro de 41.6 para 48.9), mas continua bem abaixo do Qwen3.5-2B-Think (59.9 e 65.5). Os próprios autores dizem que o modelo foi feito para chamar ferramenta para fatos que não sabe, não para servir como base de conhecimento.
A limitação declarada pelos autores é explícita: o modelo não é indicado para decisões de alto risco, nem para aplicações envolvendo dinheiro, dados pessoais, saúde ou outros temas sensíveis.
Um segundo ponto de experiência que encaixa aqui. Publicando design system e style guide de interface, aprendi que quase nenhum engenheiro de IA tem isso, e é por isso que quase toda interface de produto com agente é feia. Vale para modelos pequenos on-device também: a UX precisa comunicar com clareza quando o agente recusou (porque a ferramenta certa não existe) versus quando ele falhou. BotPsy reforça a primeira situação; a segunda continua sendo responsabilidade do produto.
O que ainda não dá para afirmar
O post relata ganhos de eficiência de inferência medidos em tokens de raciocínio por resposta correta. É menos do que o base, e isso deveria reduzir latência no dispositivo, mas os autores escrevem exatamente “deveria”. Não há medição direta de latência em hardware real de celular, nem comparação de consumo de memória entre as quantizações Q8 e Q4 em casos de uso concretos.
Também não há avaliação pública sobre comportamento em idiomas além dos oito do Multi-IF. Para português, o número existe e é razoável, mas está diluído na média do benchmark, sem quebra por cenário agêntico em português.
Por fim, a receita de treino é descrita em alto nível. Os hiperparâmetros exatos do DAPO, a composição exata dos três professores especialistas e o formato dos ambientes simulados usados no segundo RL não estão abertos no post. Isso é esperado num blog post, não num artigo acadêmico, mas limita o quanto você consegue reproduzir ponto a ponto.
Como testar isso você mesmo
O caminho menor para experimentar, sem infraestrutura dedicada:
- Baixe o GGUF Q4 do BotPsy no repositório da Hugging Face apontado no post original.
- Rode local com llama.cpp. Em Mac com chip Apple Silicon ou notebook com GPU razoável, Q4 roda com folga.
- Defina duas ou três ferramentas simples em JSON schema: uma de calendário, uma de envio de mensagem, uma de consulta climática.
- Monte um prompt multi-turno onde o usuário pede algo que exige duas chamadas em sequência, com dependência entre elas. Depois monte um prompt onde não há ferramenta adequada para o pedido, e verifique se o modelo recusa.
- Rode a mesma bateria no Qwen3.5-0.8B base (que também está disponível em GGUF) e compare: taxa de chamada correta, taxa de recusa quando nenhuma ferramenta serve, número de turns até resolver.
Você vai aprender mais rodando esses cinco casos do que lendo tabela de benchmark. E vai formar opinião sobre se o BotPsy encaixa no seu produto, que é a única pergunta que importa.





