Nyhet

Tether AI Research lanserar BotPsy – liten AI-assistent som körs direkt på enheten

Tether AI Research presenterade den 11 november 2026 BotPsy, en språkmodell med 0,8 miljarder parametrar som är byggd för att köras lokalt på enheter och använda verktyg som en personlig assistent. Modellen bygger på Qwen3.5-0.8B. Enligt bolaget är den bäst i sin storleksklass på verktygsanvändning och agentuppgifter.

Det viktigaste i korthet

• BotPsy är en modell med 0,8 miljarder parametrar, byggd på Qwen3.5-0.8B och avsedd för funktionsanrop och agentarbetsflöden på enheten.

• Enligt Tether AI Research går BFCL v4 upp från 23,4 till 44,0, ACEBench från 30,1 till 58,7 och τ-bench från 23,2 till 51,5 jämfört med basmodellen.

• Modellen leder fem av sex agentbenchmarks, även mot Qwen3.5-2B-Think som är 2,5 gånger större. På Claw-Eval ligger den större modellen före (48,9 mot 46,5).

• Vid automatiserad red-teaming ger BotPsy osäkra svar i 21 procent av fallen, mot 36 procent för basmodellen.

• Vikterna ska släppas öppet under Apache 2.0-licens för forsknings- och utbildningsbruk, som bf16, Q8 och Q4 (safetensors och GGUF).

• Modellen passar för uppgifter med låg till medelhög svårighetsgrad och är enligt bolaget inte avsedd för högriskanvändning.

Vad har hänt

Tether AI Research har publicerat BotPsy via QVAC på Hugging Face. Modellen är tänkt som en personlig assistent som använder verktyg för enkla uppgifter, till exempel webbsökning, resor, handel och finans, kundärenden, styrning av enheter och fordon, filer, kalender samt e-post och meddelanden. Bakgrunden är enligt bolaget att molnbaserade toppmodeller kan ha svårförutsägbara kostnader, att leverantörer kan ändra eller stänga åtkomst och att de ger sämre kontroll över integritet och data. Många rutinuppgifter kan i stället hanteras av små, specialiserade modeller lokalt.

Enligt bolagets egna tester är BotPsy ungefär dubbelt så bra som sin basmodell på centrala agentbenchmarks. På ToolSandbox får den 64,6 mot 30,5 för basmodellen och på BrowseComp-Plus 4,5 mot 1,9. Medelvärdet över sex benchmarks är 45,0, jämfört med 24,7 för basmodellen och 38,8 för Qwen3.5-2B-Think. Modellen sägs också slå LFM2.5-1.2B-Think och MiniCPM5-1B-Think på alla sex. På BFCL v4:s flerstegsuppgifter går den från 7,5 till 46,1. På τ²-bench i telekomdelen får den 82,5 mot 69,3 för Qwen3.5-2B-Think. På BFCL v4:s hallucinationstester, där modellen ska avstå när inget lämpligt verktyg finns, får den 86,1, det högsta av alla testade modeller.

Även allmänna färdigheter har förbättrats enligt källan. IFEval stiger från 59,7 till 90,8 och IFBench från 22,0 till 55,9. GPQA Diamond går från 33,2 till 38,1 och MMLU-Pro från 41,6 till 48,9. Kunskapen styrs ändå mest av storleken: Qwen3.5-2B-Think får 59,9 och 65,5 på samma tester. BotPsy är därför avsedd att anropa verktyg för fakta den inte kan, inte att fungera som kunskapsmodell. Vid promptinjektionsattacker minskar andelen osäkra svar från 46 till 31 procent. Modellen resonerar dessutom kortare: på GPQA Diamond används cirka 3 690 resonemangstokens mot 11 563 för basmodellen. Andelen körningar som fastnar i repetitiva resonemangsslingor på IFBench faller från 22,9 till 1,4 procent.

Träningen skedde i fyra steg: övervakad finjustering, destillering från flera lärarmodeller (MOPD) och två omgångar förstärkningsinlärning. Som lärare användes tre Qwen3.5-4B-modeller, var och en specialiserad på verktygsanvändning, resonemang eller instruktionsföljande.

Bolaget skisserar också framtida utveckling: mer decentraliserade P2P-sökningar via Hypersearch, lokal finjustering med QVAC Fabric, möjlighet för mobilen att lämna tunga beräkningar till hem-PC eller betrodda noder samt säker kommunikation mellan agenter i lokala nätverk.

Vad det betyder för dig i Sverige

Källan tar inte upp Sverige eller svensk tillgänglighet. Enligt Tether AI Research kan BotPsy köras lokalt så att användarens data stannar på den egna enheten, vilket kan vara intressant för den som vill undvika molntjänster. Att modellen släpps med öppna vikter innebär att utvecklare och forskare, enligt källan, kan använda den under Apache 2.0 för forsknings- och utbildningsbruk. Källan nämner dock inte svenska språket. Den konstaterar bara att modellens prestanda är sämre på språk med mindre mängd träningsdata, så hur väl den fungerar på svenska är okänt.

Det här vet vi inte än

Siffrorna kommer från Tether AI Research själva och har såvitt framgår inte verifierats av någon oberoende part. Källan är otydlig kring exakt släppdatum för vikterna, eftersom de beskrivs som något som ”kommer att släppas” samtidigt som länkar till modellen finns. Det framgår inte heller vilka kommersiella villkor som gäller, hur modellen presterar på svenska, vilka enheter som krävs eller vad det kostar att köra den. Bolagets framtidsplaner saknar tidplan.