{"id":837,"date":"2026-11-13T18:32:53","date_gmt":"2026-11-13T21:32:53","guid":{"rendered":"https:\/\/yellowkode.com\/blog\/botpsy-tether-treinamento-local\/"},"modified":"2026-11-13T18:32:53","modified_gmt":"2026-11-13T21:32:53","slug":"botpsy-tether-treinamento-local","status":"publish","type":"post","link":"https:\/\/yellowkode.com\/blog\/botpsy-tether-treinamento-local\/","title":{"rendered":"BotPsy 0.8B: Como a Tether Treinou um Modelo para Rodar Localmente"},"content":{"rendered":"<p>Em 11 de novembro de 2026, a Tether AI Research publicou no blog da Hugging Face o BotPsy, um modelo de 0.8 bilh\u00e3o de par\u00e2metros desenhado especificamente para function calling e workflows ag\u00eanticos em dispositivo. O post, assinado por Milan Gritta e colegas, descreve o modelo como constru\u00eddo em cima do Qwen3.5-0.8B e distribu\u00eddo sob Apache 2.0, em tr\u00eas precis\u00f5es (bf16, Q8, Q4), como safetensors e GGUF para o QVAC SDK e llama.cpp.<\/p>\n<p>Este artigo \u00e9 sobre a receita de treino que fez um modelo desse tamanho bater, em cinco de seis benchmarks de uso de ferramentas, um irm\u00e3o 2.5 vezes maior. O que interessa aqui \u00e9 o mecanismo, n\u00e3o o marketing.<\/p>\n<h2>O que \u00e9 o BotPsy e por que o tamanho importa<\/h2>\n<p>Um modelo sub-bilh\u00e3o cabe em celular. Essa \u00e9 a raz\u00e3o pela qual o tamanho n\u00e3o \u00e9 detalhe: \u00e9 a premissa. Rodar localmente elimina lat\u00eancia de rede, remove a depend\u00eancia de um fornecedor que pode mudar pre\u00e7o ou deprecar endpoint, e mant\u00e9m dados do usu\u00e1rio no aparelho. O pre\u00e7o disso \u00e9 capacidade: um modelo pequeno sabe menos coisas e raciocina pior em problemas abertos.<\/p>\n<p>A proposta do BotPsy \u00e9 assumir esse trade-off: ele n\u00e3o tenta ser um modelo de conhecimento, ele \u00e9 desenhado para chamar ferramentas quando precisa de um fato. Nas palavras do pr\u00f3prio post, ele \u00e9 feito para tarefas de dificuldade baixa a m\u00e9dia, nos dom\u00ednios de busca na web, viagem, com\u00e9rcio, opera\u00e7\u00f5es, controle de dispositivo, arquivos, calend\u00e1rio e mensagens.<\/p>\n<p>Os n\u00fameros que ancoram essa proposta: BFCL v4 sobe de 23.4 para 44.0, ACEBench de 30.1 para 58.7, e \u03c4-bench de 23.2 para 51.5 em rela\u00e7\u00e3o ao modelo base. Em cinco dos seis benchmarks ag\u00eanticos, ele fica \u00e0 frente do Qwen3.5-2B-Think, que tem 2.5 vezes mais par\u00e2metros. A exce\u00e7\u00e3o \u00e9 o Claw-Eval, onde o 2B lidera 48.9 contra 46.5.<\/p>\n<h2>Como o treinamento funciona: quatro est\u00e1gios, tr\u00eas sinais<\/h2>\n<p>Aqui est\u00e1 o n\u00facleo do artigo. O BotPsy n\u00e3o \u00e9 o resultado de um \u00fanico passe de fine-tuning. S\u00e3o quatro est\u00e1gios sequenciais, cada um partindo do melhor checkpoint do anterior, e cada um aprendendo com um tipo diferente de sinal.<\/p>\n<p>Pensa num aprendiz de cozinha. Primeiro ele copia receitas do livro, passo a passo (imita\u00e7\u00e3o). 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 s\u00f3 sabe se acertou quando algu\u00e9m prova e d\u00e1 nota (recompensa verific\u00e1vel). A analogia quebra num ponto: o chef do BotPsy n\u00e3o \u00e9 um chef s\u00f3, s\u00e3o tr\u00eas chefs especialistas em habilidades diferentes, e o roteador decide qual deles vai corrigir cada prato.<\/p>\n<h3>Est\u00e1gio 1: SFT, aprender por imita\u00e7\u00e3o<\/h3>\n<p>Supervised Fine-Tuning de par\u00e2metros completos sobre conversas de uso de ferramentas. Inclui trajet\u00f3rias multi-turno de ambientes simulados, chamadas \u00fanicas, paralelas e multi-passo reproduzidas, e casos em que nenhuma ferramenta deve ser chamada. Este est\u00e1gio dispara a m\u00e9trica de tool use, mas empurra conhecimento e instru\u00e7\u00e3o para baixo do modelo base. \u00c9 um efeito esperado: o modelo est\u00e1 sobre-especializando.<\/p>\n<h3>Est\u00e1gio 2: MOPD, destila\u00e7\u00e3o on-policy com m\u00faltiplos professores<\/h3>\n<p>Este \u00e9 o est\u00e1gio mais interessante da receita. Em destila\u00e7\u00e3o cl\u00e1ssica, o aluno imita sa\u00eddas prontas do professor. Em on-policy distillation, o aluno gera a pr\u00f3pria resposta e o professor d\u00e1 feedback token a token sobre o que o aluno realmente produziu, usando a diverg\u00eancia KL reversa per-token como sinal de treino.<\/p>\n<p>A diferen\u00e7a \u00e9 mec\u00e2nica, n\u00e3o cosm\u00e9tica. Em imita\u00e7\u00e3o off-policy, se o aluno sai da trilha, o professor nunca v\u00ea o erro, porque s\u00f3 mostra a trilha correta. Em on-policy, o professor olha para onde o aluno de fato pisou e corrige dali. <a href=\"https:\/\/iclr.cc\/media\/iclr-2024\/Slides\/19484.pdf\" target=\"_blank\" rel=\"noopener\">A t\u00e9cnica foi formalizada por Agarwal e colegas no ICLR 2024<\/a>, com a ideia de que o aluno aprende com os pr\u00f3prios erros e n\u00e3o com um dataset est\u00e1tico.<\/p>\n<p>A Tether aplicou tr\u00eas professores especialistas, cada um um Qwen3.5-4B RL-treinado para uma habilidade: uso de ferramentas, racioc\u00ednio geral, instru\u00e7\u00e3o. Cada prompt \u00e9 roteado para o professor adequado. O efeito, descrito pelos autores, \u00e9 recuperar o conhecimento e a capacidade de seguir instru\u00e7\u00e3o que o SFT tinha derrubado, enquanto as m\u00e9tricas de ferramenta continuam subindo.<\/p>\n<h3>Est\u00e1gios 3 e 4: RL com DAPO<\/h3>\n<p>Os dois \u00faltimos est\u00e1gios usam reinforcement learning com o algoritmo DAPO. <a href=\"https:\/\/arxiv.org\/abs\/2503.14476\" target=\"_blank\" rel=\"noopener\">DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization) foi publicado pela ByteDance Seed e Tsinghua em mar\u00e7o de 2025<\/a>, como um sistema open-source de RL para LLMs que constr\u00f3i sobre GRPO e PPO.<\/p>\n<p>O sinal de treino vem de regras e verificadores. A primeira rodada foca em tool calling: a recompensa primeiro checa o formato de racioc\u00ednio e chamada, e depois d\u00e1 cr\u00e9dito parcial comparando nomes de ferramentas, nomes de argumentos e valores de argumentos previstos contra o ground truth. N\u00e3o \u00e9 bin\u00e1rio. Acertar o nome da fun\u00e7\u00e3o e errar um argumento vale mais do que errar tudo. A ideia vem do ToolRL.<\/p>\n<p>A segunda rodada expande o mix para tarefas verific\u00e1veis de dom\u00ednio geral: matem\u00e1tica, c\u00f3digo, perguntas de m\u00faltipla escolha, instru\u00e7\u00e3o, sa\u00eddas estruturadas e uso multi-passo de ferramentas em ambiente simulado de trabalho. Curiosamente, esse mix n\u00e3o cont\u00e9m conversas multi-turno, mas mesmo assim melhora o function calling multi-turno. Esse \u00e9 o tipo de resultado que a documenta\u00e7\u00e3o registra sem explicar completamente.<\/p>\n<h2>O que isso significa na pr\u00e1tica<\/h2>\n<p>Se voc\u00ea est\u00e1 construindo um assistente que chama ferramentas no celular do usu\u00e1rio, a receita acima \u00e9 desenhada para o seu caso. O ganho mais claro est\u00e1 em conversas longas com m\u00faltiplas chamadas de fun\u00e7\u00e3o, n\u00e3o em responder trivia.<\/p>\n<p>Um exemplo concreto do formato que o modelo espera processar:<\/p>\n<pre><code>{\n \"messages\": [\n {\"role\": \"system\", \"content\": \"Voc\u00ea \u00e9 um assistente com acesso a ferramentas.\"},\n {\"role\": \"user\", \"content\": \"Agende reuni\u00e3o com Jo\u00e3o amanh\u00e3 \u00e0s 10h e me avise por SMS\"}\n ],\n \"tools\": [\n {\"name\": \"calendar.create_event\", \"parameters\": {\"title\": \"string\", \"start\": \"datetime\", \"attendees\": \"array\"}},\n {\"name\": \"sms.send\", \"parameters\": {\"to\": \"string\", \"body\": \"string\"}}\n ]\n}<\/code><\/pre>\n<p>O BotPsy precisa, em sequ\u00eancia: ler a inten\u00e7\u00e3o, chamar <code>calendar.create_event<\/code> com os par\u00e2metros certos, esperar o retorno, e s\u00f3 ent\u00e3o chamar <code>sms.send<\/code>. \u00c9 nesse encadeamento que modelos pequenos tipicamente quebram, e \u00e9 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).<\/p>\n<p>Outro detalhe que importa quando voc\u00ea est\u00e1 desenhando o loop: o modelo melhorou em saber quando n\u00e3o chamar. No teste de alucina\u00e7\u00e3o do BFCL v4, que verifica se o modelo recusa quando nenhuma ferramenta serve, ele marca 86.1, o mais alto dos testados. Para quem j\u00e1 construiu agente que inventa chamada de fun\u00e7\u00e3o porque n\u00e3o quer admitir que n\u00e3o sabe, esse n\u00famero vale mais do que benchmark acad\u00eamico.<\/p>\n<p>Nesse ponto, vale uma nota de experi\u00eancia. Num sistema multi-agente de captura e enriquecimento de lead, optei por escrever a orquestra\u00e7\u00e3o expl\u00edcita em vez de usar um framework, exatamente porque quando quebra voc\u00ea precisa saber qual passo quebrou. O BotPsy ajuda nesse mundo: se o modelo \u00e9 previs\u00edvel em recusar quando n\u00e3o h\u00e1 ferramenta adequada, o seu orquestrador externo n\u00e3o precisa gastar l\u00f3gica defensiva para esse caso.<\/p>\n<h2>Onde quebra<\/h2>\n<p>A honestidade do post dos autores \u00e9 \u00fatil: eles listam onde o modelo n\u00e3o funciona bem.<\/p>\n<ul>\n<li><strong>Recupera\u00e7\u00e3o de informa\u00e7\u00e3o multi-passo.<\/strong> Em cen\u00e1rios complexos de Information Retrieval &#038; Research, o score cai para 15 contra 79 em chamadas \u00fanicas. A maioria dessas tarefas \u00e9 BrowseComp-Plus, que continua dif\u00edcil para todos os modelos nessa faixa de tamanho.<\/li>\n<li><strong>L\u00ednguas de baixo recurso.<\/strong> Hindi marca 24.5 e russo 57.6 no Multi-IF, bem abaixo dos 72 a 80 do ingl\u00eas, chin\u00eas, franc\u00eas, espanhol, italiano e portugu\u00eas.<\/li>\n<li><strong>Degrada\u00e7\u00e3o em instru\u00e7\u00f5es acumuladas.<\/strong> No Multi-IF, o modelo come\u00e7a mais forte na turn 1 (84.3, o mais alto dos cinco) mas cai mais r\u00e1pido na turn 3 (51.0), enquanto Qwen3.5-2B-Think e LFM2.5-1.2B-Think caem menos.<\/li>\n<li><strong>\u03c4\u00b3-banking.<\/strong> Nenhum modelo passa de 5 pontos. \u00c9 um benchmark onde essa faixa de tamanho simplesmente n\u00e3o d\u00e1 conta.<\/li>\n<li><strong>Conhecimento geral.<\/strong> Melhorou em rela\u00e7\u00e3o 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 pr\u00f3prios autores dizem que o modelo foi feito para chamar ferramenta para fatos que n\u00e3o sabe, n\u00e3o para servir como base de conhecimento.<\/li>\n<\/ul>\n<p>A limita\u00e7\u00e3o declarada pelos autores \u00e9 expl\u00edcita: o modelo n\u00e3o \u00e9 indicado para decis\u00f5es de alto risco, nem para aplica\u00e7\u00f5es envolvendo dinheiro, dados pessoais, sa\u00fade ou outros temas sens\u00edveis.<\/p>\n<p>Um segundo ponto de experi\u00eancia que encaixa aqui. Publicando design system e style guide de interface, aprendi que quase nenhum engenheiro de IA tem isso, e \u00e9 por isso que quase toda interface de produto com agente \u00e9 feia. Vale para modelos pequenos on-device tamb\u00e9m: a UX precisa comunicar com clareza quando o agente recusou (porque a ferramenta certa n\u00e3o existe) versus quando ele falhou. BotPsy refor\u00e7a a primeira situa\u00e7\u00e3o; a segunda continua sendo responsabilidade do produto.<\/p>\n<h2>O que ainda n\u00e3o d\u00e1 para afirmar<\/h2>\n<p>O post relata ganhos de efici\u00eancia de infer\u00eancia medidos em tokens de racioc\u00ednio por resposta correta. \u00c9 menos do que o base, e isso deveria reduzir lat\u00eancia no dispositivo, mas os autores escrevem exatamente &#8220;deveria&#8221;. N\u00e3o h\u00e1 medi\u00e7\u00e3o direta de lat\u00eancia em hardware real de celular, nem compara\u00e7\u00e3o de consumo de mem\u00f3ria entre as quantiza\u00e7\u00f5es Q8 e Q4 em casos de uso concretos.<\/p>\n<p>Tamb\u00e9m n\u00e3o h\u00e1 avalia\u00e7\u00e3o p\u00fablica sobre comportamento em idiomas al\u00e9m dos oito do Multi-IF. Para portugu\u00eas, o n\u00famero existe e \u00e9 razo\u00e1vel, mas est\u00e1 dilu\u00eddo na m\u00e9dia do benchmark, sem quebra por cen\u00e1rio ag\u00eantico em portugu\u00eas.<\/p>\n<p>Por fim, a receita de treino \u00e9 descrita em alto n\u00edvel. Os hiperpar\u00e2metros exatos do DAPO, a composi\u00e7\u00e3o exata dos tr\u00eas professores especialistas e o formato dos ambientes simulados usados no segundo RL n\u00e3o est\u00e3o abertos no post. Isso \u00e9 esperado num blog post, n\u00e3o num artigo acad\u00eamico, mas limita o quanto voc\u00ea consegue reproduzir ponto a ponto.<\/p>\n<h2>Como testar isso voc\u00ea mesmo<\/h2>\n<p>O caminho menor para experimentar, sem infraestrutura dedicada:<\/p>\n<ol>\n<li>Baixe o GGUF Q4 do BotPsy no reposit\u00f3rio da Hugging Face apontado no post original.<\/li>\n<li>Rode local com llama.cpp. Em Mac com chip Apple Silicon ou notebook com GPU razo\u00e1vel, Q4 roda com folga.<\/li>\n<li>Defina duas ou tr\u00eas ferramentas simples em JSON schema: uma de calend\u00e1rio, uma de envio de mensagem, uma de consulta clim\u00e1tica.<\/li>\n<li>Monte um prompt multi-turno onde o usu\u00e1rio pede algo que exige duas chamadas em sequ\u00eancia, com depend\u00eancia entre elas. Depois monte um prompt onde n\u00e3o h\u00e1 ferramenta adequada para o pedido, e verifique se o modelo recusa.<\/li>\n<li>Rode a mesma bateria no Qwen3.5-0.8B base (que tamb\u00e9m est\u00e1 dispon\u00edvel em GGUF) e compare: taxa de chamada correta, taxa de recusa quando nenhuma ferramenta serve, n\u00famero de turns at\u00e9 resolver.<\/li>\n<\/ol>\n<p>Voc\u00ea vai aprender mais rodando esses cinco casos do que lendo tabela de benchmark. E vai formar opini\u00e3o sobre se o BotPsy encaixa no seu produto, que \u00e9 a \u00fanica pergunta que importa.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Explore o treinamento do BotPsy, modelo de 0.8B da Tether AI Research para uso de ferramentas em dispositivos. Aprenda a replicar o teste.<\/p>\n","protected":false},"author":2,"featured_media":836,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-837","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/837","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/comments?post=837"}],"version-history":[{"count":0,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/837\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media\/836"}],"wp:attachment":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media?parent=837"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/categories?post=837"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/tags?post=837"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}