オンデバイス向けエージェントモデル「BotPsy」公開、0.8Bパラメータでツール利用に特化
この記事の要点
Tether AI Researchは、オンデバイス実行を想定した0.8Bパラメータの言語モデル「BotPsy」を公開した。Qwen3.5-0.8Bをベースに、ツール利用やエージェントワークフローに特化して開発された。主要なエージェントベンチマークで同クラスのモデルを上回る性能を示し、推論トークン数も削減している。ライセンスはApache 2.0で、Hugging Faceから入手可能。英語での利用が推奨され、高リスクなタスクへの利用は想定されていない。
オンデバイスでの実行を想定した0.8Bパラメータの言語モデル「BotPsy」が公開された。Qwen3.5-0.8Bをベースに、ツール利用(Function Calling)とエージェントワークフローに特化して開発されたモデルだ。
BotPsyは、Web検索やデバイス制御、ファイル管理、カレンダー、メールといったタスクを実行するパーソナルアシスタントとしての利用を想定している。パラメータ数が小さいため、低〜中程度の難易度のタスクに適している。
性能面では、ベースモデルのQwen3.5-0.8Bと比較してエージェント能力が約2倍に向上した。BFCL v4やACEBench、τ-benchといった主要ベンチマークでスコアが大幅に上昇している。1.2Bパラメータ以下のモデルクラスにおいて、これらを含む6つのベンチマークすべてで、Qwen3.5-0.8B-ThinkやLFM2.5-1.2B-Think、MiniCPM5-1B-Thinkを上回る結果を記録した。
推論効率も改善されており、GPQA DiamondやMMLU-Proなどのタスクでは、ベースモデルと比較して推論トークン数が約1.4〜3.1倍削減された。学習は、教師ありファインチューニング(SFT)、マルチティーチャー・オンポリシー蒸留(MOPD)、2段階の強化学習(RL)の4段階で実施されている。
ライセンスはApache 2.0で、Hugging Face上で公開中だ。bf16、Q8、Q4の3種類の精度で提供されており、GGUFファイル形式にも対応している。
なお、BotPsyは英語での利用が推奨されている。ヒンディー語やロシア語など一部の言語では性能が低下する傾向があるため注意が必要だ。また、金銭や個人情報、健康に関わる高リスクなタスクへの利用は想定されていない。
開発者にとっての意味
BotPsyへの移行は行わない。記事のベンチマークは評価条件が不明であり、実務での精度を保証しないからだ。開発者は、自社のタスクデータでBFCL v4等のスコアを再計測し、推論トークン削減が実運用コストに直結するか検証すべきだ。経営者は、英語推奨かつ高リスク用途不可という制約が、自社サービスの要件を満たすか確認が必要である。多言語対応や安全性評価の詳細は未定であり、現時点での採用はリスクが高い。まずは手元のモデルで同様のタスクを動かし、BotPsyの推論速度と精度を比較する評価環境を構築してから判断する。
4人で読み解く
記事の内容だけをもとに、担当のちがう4人(経営・開発・聞き手・運用)が話します。 記事に書かれていないことは話しません。
出典
Hugging Face「BotPsy: On-Device Personal Assistant with a Sub-Billion-Parameter Agentic Language Model」この記事は、出典元が公表した原文をもとに当社のAI編集部が日本語で再構成し、 公開前に人が確認したものです。原文の訳ではありません。 事実関係は出典(原文)で確認してください。
