Tether AI Research dévoile BotPsy, un modèle agentique de 0,8 milliard de paramètres pensé pour tourner sur l’appareil. Il revendique de meilleurs résultats que des modèles jusqu’à 1,2 milliard de paramètres, des réponses jugées plus sûres et une consommation de raisonnement réduite. Les poids doivent être publiés sous licence Apache 2.0 pour la recherche et l’éducation.
Publication ouverte annoncée et usages à faible enjeu
Tether AI Research prévoit de publier les poids de BotPsy sous licence Apache 2.0 pour un usage de recherche et éducatif. L’équipe précise que le modèle peut commettre des erreurs et n’est pas destiné à des scénarios à enjeux élevés. Le dispositif est décrit comme conçu pour des flux sécurisés exécutés localement, avec un suivi d’instructions présenté comme fiable tout en conservant les données de l’utilisateur sur l’appareil. Sur l’axe sécurité, BotPsy génère des réponses qualifiées de non sécurisées 21% du temps, contre 36% pour son modèle de base. Côté efficacité, il atteint ses réponses avec environ trois fois moins de tokens de raisonnement que le modèle d’origine.
Benchmarks : des écarts nets face aux modèles jusqu’à 1,2 Md
Les mesures publiées indiquent des gains marqués par rapport au modèle de base Qwen3.5-0.8B-Think : sur BFCL v4, le score passe de 23,4 à 44,0 ; sur ACEBench, de 30,1 à 58,7 ; sur τ-bench, de 23,2 à 51,5. Tether AI Research affirme que BotPsy dépasse les modèles de 1,2 milliard de paramètres ou moins sur six benchmarks d’usage d’outils et agentiques. Le modèle obtiendrait par ailleurs le meilleur score sur cinq des six tests, devant Qwen3.5-2B-Think mesuré comme 2,5 fois plus grand. Sur τ²-bench dans les télécommunications, BotPsy atteint 82,5, devant ce modèle plus volumineux. Sur les tests d’hallucination de BFCL v4, il obtient 86,1, décrit comme le plus élevé des modèles évalués. L’équipe rapporte aussi un meilleur suivi d’instructions que la base.
La recherche en IA vous passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Fonctions visées : outils, multi-domaines et exécution locale
BotPsy repose sur Qwen3.5-0.8B, un modèle de 0,8 milliard de paramètres conçu pour gérer les appels de fonctions, les flux agentiques et pensé pour fonctionner directement sur appareil. Il est décrit comme un assistant équipé pour des missions simples, incluant la recherche web, les voyages et le style de vie, le commerce et la finance, la gestion des opérations commerciales et de la relation client, la commande d’appareils ou de véhicules, l’organisation de fichiers et de documents, la gestion du calendrier, ainsi que des courriels et messages. Ses dimensions le rendent adapté à des tâches dont la complexité varie du faible au moyen. Il atteint pour sa classe des performances de pointe en usage d’outils et agentique, supérieures à celles de modèles testés jusqu’à 1,2 milliard de paramètres, selon ses auteurs.
Méthode : SFT, distillation multi-enseignants et renforcement
Le processus d’entraînement associe quatre phases et trois catégories de signaux : démonstrations, enseignants spécialisés et récompenses vérifiables. Il débute par une phase de fine-tuning supervisé sur des dialogues impliquant l’utilisation d’outils. Une phase de distillation sur politique suit, où l’étudiant génère ses réponses et reçoit un retour d’un enseignant spécialisé sur chaque token. Le modèle est ensuite post-entraîné séquentiellement avec SFT, MOPD, puis deux tours d’apprentissage par renforcement. Chaque étape repart du meilleur point de contrôle de la précédente.
Le pari de l’on-device : coûts, dépendance et confidentialité
L’équipe avance que les LLM hébergés dans le cloud entraînent des coûts volatils et une dépendance à des fournisseurs susceptibles de modifier ou restreindre l’accès. Elle met aussi en avant des limites de personnalisation et des risques autour de la vie privée, du contrôle des données et de la transparence. Partant du constat que nombre de tâches ne requièrent pas des capacités de pointe, elle défend l’usage d’agents plus petits, spécialisés et exécutés localement pour des charges routinières, en soulignant une amélioration rapide de l’efficacité par paramètre. Dans cette logique, BotPsy est décrit comme conçu pour des workflows sécurisés sur appareil, avec l’objectif affiché de rester à la pointe de cette approche auto-hébergée.
