BotPsy: el agente de 0,8B que corre en tu móvil

BotPsy: 0,8B de parámetros que superan a un modelo 2,5 veces más grande

BotPsy tiene 800 millones de parámetros y, en cinco de las seis pruebas de uso de herramientas publicadas por Tether AI Research, supera a Qwen3.5-2B-Think, un modelo 2,5 veces más grande. Corre en el dispositivo, se distribuye con pesos abiertos bajo licencia Apache 2.0 y está diseñado para una sola cosa: que un asistente personal llame herramientas —calendario, correo, mapas, archivos— sin enviar los datos del usuario a la nube.

Para un founder, la pregunta relevante no es si el benchmark queda bonito en un gráfico. Es si un modelo de este tamaño puede sostener un producto real, a qué coste y con qué riesgo. La respuesta corta: sí para tareas concretas y de dificultad media, no para nada que toque dinero, salud o datos sensibles.

Qué es BotPsy y para qué sirve

Es un modelo de 0,8B construido sobre Qwen3.5-0.8B y post-entrenado específicamente para function calling y flujos agénticos. Tether lo describe como un «asistente personal» que usa herramientas en dominios como búsqueda web e investigación, viajes y estilo de vida, comercio y finanzas, operaciones de negocio y atención al cliente, control de dispositivos y vehículos, archivos y documentos, calendario, y correo y mensajería.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Se publica en tres precisiones —bf16, Q8 y Q4— como safetensors de Hugging Face y como archivos GGUF para el SDK de QVAC y para llama.cpp. La licencia Apache 2.0 está declarada para investigación y uso educativo.

El propio equipo marca el límite sin adornos: por su cantidad de parámetros, es apto para tareas de dificultad baja a media y no está pensado para decisiones de alto riesgo ni para aplicaciones que involucren dinero, información personal o salud.

Los números: cómo rinde frente a rivales más grandes

Todas las pruebas se corrieron en modo de razonamiento y las que usan API externa se ejecutaron el 3 de noviembre de 2026, según la ficha técnica del modelo. El promedio de los seis benchmarks de uso de herramientas queda así: BotPsy 45,0, su modelo base 24,7, Qwen3.5-2B-Think 38,8, LFM2.5-1.2B-Think 25,3 y MiniCPM5-1B-Think 22,7.

BFCL v4: 44,0 frente a 23,4 de su base y 37,7 de Qwen3.5-2B-Think.
ACEBench: 58,7 frente a 30,1 y 55,4.
τ-bench: 51,5 frente a 23,2 y 46,5.
ToolSandbox: 64,6 frente a 30,5 y 41,2.
BrowseComp-Plus: 4,5 frente a 1,9 y 2,8.
Claw-Eval: 46,5 frente a 39,3, pero por debajo de Qwen3.5-2B-Think (48,9).

El salto más grande está en la interacción multi-turno con estado, que es justo donde los agentes se rompen en producción. En las tareas multi-turno de BFCL v4 pasa de 7,5 a 46,1 (Qwen3.5-2B-Think: 23,8). En τ²-bench telecom, donde el agente debe guiar a un usuario por un diagnóstico a lo largo de muchos turnos, llega a 82,5 frente a 69,3 del modelo más grande.

Hay un dato que suele pasarse por alto y que es el más útil para diseñar producto: en las pruebas de alucinación de BFCL v4, que verifican que el modelo se niegue a llamar una herramienta cuando no existe una adecuada, BotPsy saca 86,1, el puntaje más alto de todos los modelos probados. En los casos especiales de ACEBench —peticiones incompletas, parámetros erróneos o imposibles de servir con las herramientas dadas— sube de 13,7 a 51,3.

En seguir instrucciones también mejora con fuerza: IFEval 90,8 (base 59,7; Qwen3.5-2B-Think 80,0) e IFBench 55,9 (base 22,0; 40,9). Y en seguridad, el red-teaming automatizado en seis categorías de daño da 21% de respuestas inseguras frente al 36% de su base, el más bajo del grupo (LFM2.5-1.2B-Think: 35%; MiniCPM5-1B-Think: 47%). Bajo ataques de prompt injection, el riesgo baja de 46% a 31%.

Cómo se entrena un agente tan pequeño

El proceso tiene cuatro etapas secuenciales. Primero un ajuste fino supervisado de todos los parámetros sobre conversaciones de uso de herramientas, incluyendo trayectorias multi-turno de entornos simulados y casos donde no hay que llamar ninguna herramienta. Después una destilación on-policy con tres profesores Qwen3.5-4B previamente entrenados con RL para especializarse en uso de herramientas, razonamiento general y seguimiento de instrucciones. Al final, dos rondas de aprendizaje por refuerzo con DAPO, con recompensas calculadas por reglas y verificadores, que dan crédito parcial por acertar el nombre de la herramienta, los nombres de los argumentos y sus valores.

El detalle interesante para quien fine-tunea modelos pequeños: el equipo reconoce que la etapa de ajuste supervisado degradó el conocimiento y el seguimiento de instrucciones, y que la destilación con profesores se usó principalmente para recuperar ese terreno. Si vas a especializar un modelo chico en tool calling, mide el olvido en las métricas generales antes de celebrar la mejora en las específicas.

Por qué esto importa ahora: el mercado de los modelos pequeños

El contexto acompaña. El mercado global de modelos de lenguaje pequeños estaba valorado en US$2.350 millones en 2025 y se estima en US$3.100 millones en 2026, con proyección a US$25.590 millones en 2036 y una tasa de crecimiento anual compuesta de 23,5%, según un informe de ResearchAndMarkets difundido por GlobeNewswire. El mismo documento cita un estudio de NVIDIA Research y Georgia Tech de junio de 2025 según el cual servir un modelo de 7.000 millones de parámetros puede requerir entre 10 y 30 veces menos latencia, energía y cómputo que servir modelos de 70 a 175 mil millones, y que los modelos pequeños especializados podrían procesar entre 40% y 70% de las consultas de los agentes de código abierto más usados.

También hay presión desde las plataformas. Apple abrió en la WWDC 2025 su framework Foundation Models, con acceso offline a un modelo en dispositivo de unos 3.000 millones de parámetros, comprimido a 2 bits y disponible en 15 idiomas sin coste de inferencia, según ese mismo informe.

Y hay una advertencia que conviene leer antes de entusiasmarse. En octubre de 2026, Anthropic alertó de que los avances en modelos pequeños podrían habilitar malware autorreplicante en dispositivos IoT; en sus pruebas, el modelo Gemma4-26B-A4B necesitó solo 15 equipos de 4 GB de memoria para lograr inferencia, según reportó Ars Technica. Un agente local que lee salidas de herramientas no confiables es, por definición, una superficie de ataque que ya no controlas desde el servidor.

Tether no llega a este terreno de cero. Su unidad QVAC publicó en julio de 2026 VisionPsy-Nano, un modelo visión-lenguaje de 460 millones de parámetros también bajo Apache 2.0, que según la compañía obtuvo el mejor puntaje normalizado de su categoría (62,3) frente a rivales como LFM2.5-VL-450M y SmolVLM2-500M, reportó news.bitcoin.com. La línea de releases de QVAC se remonta a octubre de 2025, con datasets sintéticos de entrenamiento, un SDK multiplataforma y modelos médicos para teléfonos y wearables.

Qué significa esto para tu startup

La lectura útil no es «cambia tu stack a local». Es que la conversación sobre coste por token ya tiene una alternativa medible para un rango amplio de tareas.

Rutea por dificultad, no por costumbre. Clasificación, extracción, enrutamiento y llamadas simples de herramienta son candidatos naturales a un modelo local. El estudio de NVIDIA Research y Georgia Tech citado arriba estima que entre 40% y 70% de las consultas de los agentes open source más usados podrían resolverse con modelos pequeños especializados. Mide qué porcentaje de tu tráfico real cae en ese rango antes de firmar otro contrato de API.
Prueba BotPsy contra tus propias tareas, no contra el leaderboard. El modelo es gratis y corre en llama.cpp. Toma 50 conversaciones reales de tu producto, especialmente las que terminan en «no puedo ayudarte», y compáralas contra tu modelo actual. Los benchmarks dicen qué tan bien llama herramientas; tus datos dicen si sirve para tu vertical.
Diseña la métrica del «no llamar». El 86,1 en las pruebas de alucinación de BFCL v4 es la señal más valiosa del release: un agente que inventa una herramienta inexistente es peor que uno que admite no poder actuar. Instrumenta esa tasa en producción desde el día uno.
Presupuesta el coste completo. On-device elimina el coste por token, pero traslada la carga a memoria, batería y latencia del dispositivo del usuario. Un modelo de 0,8B en Q4 es manejable; aun así, el rendimiento depende del hardware y no de tu infraestructura.
No lo pongas donde haya dinero o salud. El propio equipo lo excluye explícitamente. Si tu caso de uso es pagos, datos personales o decisiones médicas, este no es el modelo.

Dónde falla BotPsy

Los límites están documentados y conviene no ignorarlos. BrowseComp-Plus 4,5 es el mejor de los cinco modelos probados, pero bajo en términos absolutos: la investigación abierta en web sigue siendo un problema para toda esta clase de tamaño. En búsqueda web de BFCL (14,0) y memoria (16,3) queda por detrás de Qwen3.5-2B-Think (19,8 y 26,1). En τ³-banking ningún modelo del grupo pasa de 5, y BotPsy se queda en 4,1.

El idioma también importa para esta audiencia. En Multi-IF, que prueba el seguimiento de instrucciones en ocho idiomas, BotPsy arranca fuerte (84,3 en el primer turno, el mejor de los cinco) pero cae a 51,0 en el tercero. El español está en el grupo que rinde entre 72 y 80, junto con inglés, chino, francés, italiano y portugués; el hindi (24,5) y el ruso (57,6) quedan muy por debajo. Si construyes para LATAM o España, el idioma no es el problema: el desgaste multi-turno sí.

Conclusión

BotPsy no compite con un modelo frontera y no pretende hacerlo. Compite con la idea de que cada llamada de herramienta necesita pasar por la nube. Con 0,8B de parámetros, licencia Apache 2.0 y un promedio de 45,0 en benchmarks de uso de herramientas frente a 24,7 de su base, ofrece un punto de partida real para prototipar agentes locales sin coste de inferencia.

La decisión sensata para un founder es acotada: úsalo donde el error sea barato y reversible, mide el olvido si lo fine-tuneas, instrumenta la tasa de alucinación de herramientas y mantén la nube para lo que exija razonamiento profundo o datos que no puedes permitirte perder. El ahorro está; la responsabilidad de dónde aplicarlo sigue siendo tuya.