Tether presentó BotPsy el miércoles como un agente de IA para tareas cotidianas en dispositivos personales. El modelo contiene 800 millones de parámetros. Las pruebas de Tether encontraron que BotPsy superó a modelos competidores con hasta 2.5 veces más parámetros. BotPsy obtuvo los mejores resultados en cinco de seis evaluaciones de uso de herramientas que involucraron cinco modelos. Esos resultados sugieren que los asistentes de IA no requieren modelos muy grandes para realizar tareas prácticas.
BotPsy puede manejar operaciones de múltiples pasos que involucran configuraciones de teléfono, mensajería y programación, potencialmente sin transferir información personal a servidores en la nube. El agente determina qué herramientas de software requiere una tarea, ejecuta comandos en secuencia y se adapta cuando una operación falla. Tether describió una prueba de mensajería en la que BotPsy enfrentó Wi-Fi desactivado y una bandeja de entrada llena. Tether dijo que BotPsy activó el Wi-Fi, liberó suficiente almacenamiento y envió el mensaje. El modelo subyacente, en cambio, seguía repitiendo una operación fallida.
Tether construyó BotPsy utilizando la arquitectura Qwen3.5-0.8B de Alibaba y proporcionó un entrenamiento adicional enfocado en la interacción con herramientas de software. Los parámetros son valores numéricos aprendidos durante el entrenamiento, y los modelos con menos parámetros generalmente requieren menos memoria. Un mayor número de parámetros generalmente mejora el rendimiento, y los modelos de IA de vanguardia de hoy contienen trillones de parámetros.
La documentación técnica de Tether otorga a BotPsy una puntuación del 44,0% en BFCL v4. BFCL v4 mide la selección y ejecución de funciones en tareas y conversaciones, utilizando un porcentaje de éxito ponderado en categorías de uso de herramientas. El modelo subyacente Qwen3.5-0.8B obtuvo un 23,4% en ese benchmark. El modelo más grande Qwen3.5-2B alcanzó un 37,7%.
BotPsy alcanzó un 58,7 % en ACEBench, que mide la precisión en llamadas a funciones, incluyendo la selección de herramientas y los argumentos proporcionados a las herramientas. El modelo base obtuvo un 30,1 % en ACEBench. El competidor de 2 mil millones de parámetros logró un 55,4 %. Las seis evaluaciones de Tether arrojaron una puntuación promedio de 45,0 % para BotPsy. El modelo Qwen más grande promedió un 38,8 % en esas evaluaciones.
BotPsy amplía QVAC, un ecosistema de IA que Tether está desarrollando en torno a dispositivos controlados por usuarios, en lugar de una dependencia total de infraestructuras centralizadas en la nube. Tether, la empresa detrás de USDT, la stablecoin más grande del mundo, ya cuenta con modelos locales de QVAC para usos médicos, traducción y procesamiento de voz. Tether presentó QVAC en mayo de 2025 como una alternativa a los servicios de IA de grandes empresas tecnológicas. Los objetivos a largo plazo de Tether incluyen agentes autónomos que puedan utilizar aplicaciones y potencialmente realizar pagos con Bitcoin y USDT.
Tether añadió un conjunto de datos de entrenamiento en ciencia e ingeniería que contiene 41 mil millones de tokens en octubre de 2025. Tether también presentó QVAC Workbench, una aplicación para ejecutar modelos de IA localmente. A principios de este año, Tether lanzó un kit de desarrollo de software para construir aplicaciones de IA sin conexión en sistemas operativos móviles y de escritorio. Tether también desarrolló QVAC MedPsy para tareas de IA médica en hardware de consumo. La versión de MedPsy con 1,7 mil millones de parámetros superó a MedGemma-27B de Google en HealthBench Hard, que evalúa conversaciones clínicas realistas contra criterios desarrollados por médicos.
BotPsy ya está disponible como un modelo de peso abierto con licencia Apache 2.0, lo que permite a los desarrolladores descargar, modificar e incorporar el modelo en aplicaciones. Tether también ha puesto a disposición versiones comprimidas para reducir las necesidades de memoria para uso local. Tether no ha proporcionado una fecha de lanzamiento para un asistente de consumidor final que utilice BotPsy. La tarjeta del modelo publicada indica que esta versión excluye el código de entrenamiento y los datos de entrenamiento.