Die meisten KI-Assistenten, die für dich handeln können, also buchen, suchen oder Nachrichten senden, laufen auf fremden Servern. Tether AI Research, Teil des vor allem für den Stablecoin Tether bekannten Unternehmens, hat BotPsy veröffentlicht, ein Modell mit 0.8 Milliarden Parametern, das Werkzeuge auf dem eigenen Handy oder Laptop aufrufen soll. Es ist klein genug, um fast überall zu laufen, und die interessante Behauptung lautet, dass es bei den trainierten Agentenaufgaben Modelle schlägt, die mehr als doppelt so groß sind.
BotPsy basiert auf Qwen3.5-0.8B und wird in vier Stufen trainiert: überwachtes Feintuning mit Werkzeuggesprächen, Destillation aus drei spezialisierten Lehrermodellen mit 4B Parametern und zwei Runden Verstärkungslernen mit regelbasiert geprüften Belohnungen. Ziel ist ein persönlicher Assistent für einfache Aufgaben bei Suche, Reisen, Einkauf, Geräteeinstellungen, Dateien, Kalender und E-Mail. Tether will die Gewichte offen unter Apache 2.0 in bf16, Q8 und Q4 veröffentlichen, als Safetensors und GGUF-Dateien für das eigene QVAC SDK und für llama.cpp, das wir besprechen.
Die gemeldeten Fortschritte sind für die Größe beachtlich. Auf BFCL v4, einem Standardtest für Werkzeugaufrufe, steigt der Wert von 23,4 beim Basismodell auf 44,0, auf ACEBench von 30,1 auf 58,7 und auf tau-bench von 23,2 auf 51,5. Es schlägt auch das 2,5-mal größere Qwen3.5-2B-Think bei fünf von sechs Agenten-Benchmarks und verliert nur bei Claw-Eval mit 48,9 zu 46,5. Zwei Details zählen im Alltag. Bei Tests, ob es ablehnt, wenn kein passendes Werkzeug existiert, erreicht es 86,1, den besten Wert der getesteten Modelle. Und es denkt effizienter: Endlosschleifen auf IFBench sinken von 22,9% auf 1,4%.
Für alle, die sich für private, offline nutzbare Assistenten interessieren, ist das ein nützlicher Datenpunkt. Ein so kleines Modell läuft über llama.cpp, Ollama oder LM Studio auf gewöhnlicher Hardware, und lokale Werkzeugaufrufe bedeuten, dass Kalender und Nachrichten das Gerät nicht verlassen müssen. Der Preis ist Wissen: BotPsy soll Fakten nachschlagen statt sie zu kennen, und Qwen3.5-2B-Think schneidet beim Allgemeinwissen weiterhin deutlich besser ab.
Die Grenzen benennt Tether selbst. Alle Benchmarks sind eigene Läufe. Das Modell ist schwach bei mehrstufiger Recherche, mit 15 Punkten bei komplexen Informationsaufgaben, und auf Hindi und Russisch viel schlechter als auf Englisch. Red-Teaming fand weiterhin in 21% der Fälle unsichere Antworten. Tether sagt, es sei nicht für Entscheidungen über Geld, Gesundheit oder persönliche Daten gedacht, und die Lizenzformulierung beschränkt es auf Forschung und Bildung.