Tether lanza el agente de IA en dispositivo BotPsy y asegura que supera a un Qwen más grande

Tether AI Research lanzó el 11 de noviembre QVAC BotPsy, un modelo de pesos abiertos con 0.800 millones de parámetros disponible en Hugging Face, capaz de convertir solicitudes sencillas —como reprogramar una reunión— en llamadas a herramientas en el propio dispositivo del usuario. Tether asegura que supera a Qwen3.5-2B-Think, de Alibaba, un modelo 2,5 veces más grande, en cinco de seis pruebas de agentes. Sin embargo, todas las puntuaciones provienen del sistema de evaluación de la propia compañía. La ficha técnica de Qwen asigna a ese modelo más grande una puntuación de 43,6 en BFCL v4, apenas 0,4 puntos por debajo de los 44,0 de BotPsy. Para quienes evalúan si un modelo de menos de 1.000 millones de parámetros debería operar correos electrónicos, calendarios y pagos, esa diferencia importa más que el titular.

Tres modelos Qwen3.5-4B como profesores y recompensas parciales impulsan el uso de herramientas de BotPsy

Tether construyó BotPsy sobre el modelo de pesos abiertos Qwen3.5-0.8B, de Alibaba, y lo sometió a un entrenamiento posterior en cuatro etapas: ajuste supervisado con conversaciones de uso de herramientas, destilación en política con múltiples profesores y dos rondas de aprendizaje por refuerzo. La destilación transfiere conocimiento de modelos más grandes a uno más pequeño. En este caso, el modelo estudiante genera sus propias respuestas y profesores especializados califican cada token mediante una señal de divergencia KL inversa por token. Los tres profesores son modelos Qwen3.5-4B, cada uno entrenado con aprendizaje por refuerzo para una habilidad específica: uso de herramientas, razonamiento general o seguimiento de instrucciones.

Las rondas de aprendizaje por refuerzo utilizan DAPO, un sistema de entrenamiento de código abierto, con una recompensa por llamadas a herramientas que concede crédito parcial por coincidencias en los nombres de las herramientas, los nombres de los argumentos y sus valores, en lugar de calificar cada llamada simplemente como correcta o incorrecta. El crédito parcial proporciona al modelo una señal de aprendizaje en los casos cercanos al acierto, algo que una recompensa de aprobado o reprobado no ofrece.

Estos fueron los resultados frente a su modelo base Qwen3.5-0.8B-Think, según las pruebas de Tether: BFCL v4 subió de 23,4 a 44,0; ACEBench, de 30,1 a 58,7; τ-bench, de 23,2 a 51,5, y ToolSandbox, de 30,5 a 64,6. La arquitectura base es híbrida: en cada una de sus 24 capas incorpora tres capas Gated DeltaNet, un diseño de atención lineal, por cada capa de atención con compuertas.

Tether también reporta mejoras de eficiencia. En preguntas que los cinco modelos evaluados respondieron correctamente, BotPsy llegó a las respuestas de GPQA Diamond con 3.690 tokens de razonamiento, frente a 11.563 de su modelo base, y redujo del 22,9 % al 1,4 % la tasa de bucles de razonamiento repetitivo en IFBench. Tether afirma que un razonamiento más corto debería reducir la latencia en el dispositivo, pero sus materiales publicados no incluyen mediciones de latencia ni de memoria en un teléfono.

La propia ficha de Qwen sitúa al modelo más grande al nivel de BotPsy en BFCL v4

En el sistema de evaluación de Tether, Qwen3.5-2B-Think obtiene 37,7 puntos en BFCL v4, 6,3 menos que BotPsy. La ficha técnica de Qwen reporta 43,6 para Qwen3.5-2B y 25,3 para el modelo base de 0.8B, utilizando sus propios parámetros de evaluación. Tether midió ese modelo base en 23,4. Las configuraciones difieren, incluida la temperatura de muestreo: 1,0 en la ficha de Qwen y 0,3 en la evaluación de Tether. Por lo tanto, las dos cifras no son directamente comparables, y ese es precisamente el punto: los márgenes de BFCL v4 dependen de la configuración de la evaluación.

Investigaciones independientes respaldan la cautela. Un artículo de autores vinculados laboralmente con Amazon encontró que presentar el historial de conversaciones de varios turnos con una plantilla de chat nativa, en lugar de un único turno del usuario, elevó aproximadamente entre 6 % y 8 % la precisión de BFCL en varios turnos en tres modelos Qwen. También encontró que una modificación moderada del mensaje del sistema elevó la puntuación de Qwen3-4B en varios turnos de 22,9 a 36,0 o 37,5. Los autores declararon que Amazon desarrolla uno de los modelos evaluados. Una auditoría independiente en formato preliminar sobre BFCL v4, τ²-Bench, LiveMCPBench y MCP-Atlas halló 92 desacuerdos entre evaluadores y expertos humanos en 496 tareas revisadas, una tasa del 18,5 %.

ToolSandbox es la prueba en la que BotPsy obtiene su mayor ventaja frente al modelo más grande: 64,6 contra 41,2. La ficha de Qwen no reporta una puntuación de ToolSandbox con la cual contrastarla. Parte de la mejora de BotPsy frente a su modelo base también podría deberse a la corrección de un fallo conocido, más que a la incorporación de una nueva capacidad. Qwen advierte que su modelo de 0.8B en modo de razonamiento es más propenso a los bucles de pensamiento, mientras que Tether informa que su método redujo del 28,3 % al 0,2 % las ejecuciones que alcanzaban el límite de 32.000 tokens en IFBench. Ninguno de los dos documentos separa la corrección de los bucles de las nuevas capacidades. El conjunto de comparación incluyó cinco modelos evaluados por Tether, y los materiales publicados por la compañía no citaban una replicación independiente de los resultados al 11 de noviembre.

La ficha de Tether prohíbe usarlo con dinero y datos personales, aunque lo promociona para finanzas y correo electrónico

Tether presenta BotPsy como una herramienta para comercio y finanzas, correo electrónico y mensajería, calendarios, archivos y control de dispositivos y vehículos. La misma ficha técnica señala que el modelo no está destinado a decisiones automatizadas críticas para la seguridad o de alto riesgo, ni a aplicaciones que involucren dinero, información personal, salud u otros asuntos sensibles.

Las propias cifras de Tether explican el motivo. En τ³-banking, BotPsy obtuvo 4,1 puntos, sin cambios frente a su modelo base, y ningún modelo evaluado superó los 5 puntos. En las pruebas automatizadas de equipos de seguridad de Tether, que abarcaron seis categorías de daño, BotPsy produjo respuestas inseguras en el 21 % de los casos, frente al 36 % de su modelo base. En ataques de inyección de instrucciones —en los que un agente lee texto no confiable, como el cuerpo de un correo— la tasa de respuestas inseguras bajó del 46 % al 31 %. Aun así, casi una de cada tres respuestas fue insegura en esa prueba.

La evidencia externa apunta en la misma dirección para los agentes pequeños en dispositivos. Un artículo publicado el 19 de octubre en las actas del taller brasileño WESAAC sometió a seis modelos pequeños, ejecutados en un Samsung Galaxy S24, a ataques de inyección de instrucciones por correo electrónico. El estudio encontró que Qwen3 0.6B activó acciones sensibles en el 32,0 % de las ejecuciones. Los autores advirtieron que una baja tasa de uso de herramientas no demuestra que un agente sea resistente a la inyección, ya que algunos modelos pequeños rara vez emitieron herramientas porque no lograron producir un comportamiento coherente de agente. El estudio no evaluó BotPsy.

El anuncio de Tether señala que las aplicaciones de los desarrolladores proporcionarían las conexiones a servicios, los permisos y los controles de ejecución alrededor del modelo. La ejecución local elimina la dependencia de una API en la nube, pero no la superficie de ataque. Las recomendaciones de Cloud Security Alliance para agentes autoalojados aconsejan denegar por defecto las conexiones de salida a la red, porque un agente con herramientas de shell o HTTP puede abrir conexiones que nadie solicitó. También consideran que las implementaciones limitadas al chat, sin ejecución de herramientas, son las de menor exposición. Esa nota se refiere a una generación posterior de Alibaba, Qwen3.8, en la que Cohere reportó un intento de carga no solicitado que no ha sido replicado de forma independiente en el modelo donde apareció. Nada de ese registro involucra a Qwen3.5 o BotPsy.

La procedencia también importa. BotPsy hereda sus pesos de Alibaba. Un investigador del American Enterprise Institute, en un artículo publicado en War on the Rocks, sostiene que los desarrolladores de origen chino están sujetos a la Ley de Inteligencia Nacional de China de 2017, que, según el texto, obliga a las empresas a apoyar el trabajo de inteligencia estatal, aunque señala que la mayoría de los usuarios ejecuta esos pesos abiertos de manera local. La ficha de Tether no aborda ninguna auditoría de los pesos base.

Pesos Apache 2.0 sin código ni datos de entrenamiento: pesos abiertos, no código abierto

El comunicado de Tether llama a BotPsy un modelo de pesos abiertos, una descripción correcta, aunque una viñeta de su blog califica el lanzamiento como de código abierto. Los pesos, bajo licencia Apache 2.0, se pueden descargar, pero el código y los datos de entrenamiento no forman parte del lanzamiento. Uno de los conjuntos de entrenamiento era un conjunto sintético no publicado que Tether generó con Qwen3.5-9B y Qwen3.6-27B. La definición de inteligencia artificial de código abierto 1.0 de la Open Source Initiative, publicada el 28 de octubre de 2024, exige código de entrenamiento e información detallada sobre los datos de entrenamiento junto con los pesos. El blog de Tether dice que los pesos están destinados a investigación y educación.

La ficha deja además un asunto pendiente: Hugging Face muestra cerca de 0.900 millones de parámetros para BotPsy, mientras Tether lo identifica como un modelo de 0.8B. Qwen describe el modelo base como un modelo de lenguaje causal con codificador de visión, y la ficha de BotPsy señala que se utiliza únicamente con texto. Esto sugiere que los 0.100 millones adicionales corresponden al codificador de visión, pero ninguna de las dos fichas desglosa el conteo.

Dónde gana BotPsy y dónde Qwen3.5-2B-Think todavía conserva la ventaja

Las puntuaciones provienen de la ficha técnica del modelo BotPsy de Tether.

El modelo más grande lidera en Claw-Eval. En las seis pruebas de agentes, BotPsy promedia 45,0 puntos, frente a 38,8 de Qwen3.5-2B-Think y 24,7 de su propio modelo base. El conocimiento sigue estando relacionado con el tamaño: Qwen3.5-2B-Think obtiene 59,9 en GPQA Diamond, frente a 38,1 de BotPsy. Por eso Tether dice que BotPsy debería recurrir a herramientas para consultar datos que no conozca. Las puntuaciones de BotPsy en búsqueda web y memoria de BFCL, 14,0 y 16,3, están por debajo de las del modelo más grande, 19,8 y 26,1. Su puntuación de 4,5 en BrowseComp-Plus fue la mejor entre los cinco modelos evaluados, pero es baja en términos absolutos. El idioma recomendado es el inglés, y las puntuaciones de Multi-IF bajan a 24,5 en hindi y 57,6 en ruso.

Entre sus fortalezas, BotPsy obtuvo 86,1 en las pruebas de alucinación de BFCL v4, que verifican si un modelo se abstiene cuando no existe una herramienta adecuada, la puntuación más alta entre los modelos evaluados. También logró 82,5 en τ²-bench telecom, frente a 69,3 del modelo más grande.

Tether incorpora modelos de visión, voz, medicina y uso de herramientas a QVAC

BotPsy se suma a VisionPsy, TranscribePsy, MedPsy y TranslatePsy en la línea QVAC de Tether. La compañía lanzó VisionPsy-Nano el 29 de julio como una familia de modelos de visión y lenguaje de 460 millones de parámetros, bajo licencia Apache 2.0. Su modelo de voz TranscribePsy fue presentado posteriormente, con una publicación en Hugging Face el 14 de octubre. El SDK de QVAC está dirigido a Linux, macOS, Windows, Android e iOS. El nombre Psy alude a la psicohistoria de Isaac Asimov, concepto que Tether ha utilizado para describir la familia de modelos.

¿Puede BotPsy funcionar en teléfonos sin ayuda de la nube?

El diseño de Tether indica que sí. El lanzamiento incluye versiones BF16, Q8_0 y Q4_K_M en formato GGUF para llama.cpp y el SDK de QVAC, además de compatibilidad con Hugging Face Transformers y vLLM sin código personalizado. El plan de largo plazo de Tether contempla que el teléfono delegue solicitudes complejas a un computador doméstico o a nodos entre pares de confianza, con búsquedas web canalizadas mediante conexiones cifradas entre pares. Lo que falta son resultados medidos en un teléfono: no hay datos sobre tokens por segundo, uso de memoria ni consumo de batería.

Los desarrolladores deberían probarlo con sus propios esquemas de herramientas y bloquear primero las conexiones de salida

Las mejoras reportadas para BotPsy se midieron en el sistema de evaluación de Tether: una combinación de destilación con profesores especializados y aprendizaje por refuerzo con crédito parcial llevó a un modelo de 0.8B de 23,4 a 44,0 en BFCL v4. Lo que un lector puede hacer con ese resultado es más limitado que lo que sugiere el titular. La afirmación de que supera 2,5 veces el tamaño debería considerarse un resultado del sistema de Tether hasta que grupos externos la repliquen, ya que la propia ficha de Qwen sitúa al modelo más grande al nivel de BotPsy en BFCL v4. Los desarrolladores deberían probar BotPsy con sus propias definiciones de herramientas, denegar por defecto las conexiones de salida a la red fuera del modelo y mantener el dinero y los datos personales detrás de pasos de confirmación explícita, dado que la propia ficha de Tether desaconseja ambos usos y su prueba de inyección de instrucciones dejó un 31 % de respuestas inseguras.

Preguntas frecuentes

¿BotPsy de Tether es de código abierto?

Es un modelo de pesos abiertos. Los pesos, bajo licencia Apache 2.0, se pueden descargar y ajustar, pero Tether afirma que el código y los datos de entrenamiento no forman parte del lanzamiento. La definición de la Open Source Initiative también exige código de entrenamiento e información sobre los datos.

¿Ejecutar un agente de IA localmente lo hace seguro?

La ejecución local mantiene las solicitudes fuera de una API en la nube, pero no impide que un agente con herramientas sea manipulado. La propia prueba de Tether encontró que el 31 % de las respuestas de BotPsy eran inseguras frente a ataques de inyección de instrucciones. Las recomendaciones de seguridad para agentes autoalojados aconsejan denegar por defecto las conexiones de salida a la red.

¿Quién verificó los resultados de las pruebas de Tether?

La propia Tether, utilizando cinco modelos seleccionados por la compañía y un sistema de evaluación compartido. La empresa publicó los pesos y los detalles de la evaluación para que otros puedan probarlos. Investigaciones independientes muestran que las puntuaciones de uso de herramientas pueden variar según decisiones de configuración que no siempre se documentan.

¿Cuánta memoria necesita BotPsy?

Tether no publicó una cifra de memoria para teléfonos y solo afirma que su tamaño compacto reduce la memoria necesaria para almacenar los pesos. Una estimación aproximada, basada en los cerca de 0.900 millones de parámetros que Hugging Face atribuye a BotPsy, sitúa los pesos BF16 por sí solos cerca de 1,8 gigabytes, calculados a dos bytes por parámetro, y la versión Q8_0 en alrededor de un gigabyte, antes de incluir la caché de contexto.