BotPsy 0.8B 開放：手機 AI 代理會叫工具，為何還不能代管錢？
BotPsy 0.8B 開放權重與量化檔。比較工具評測、裝置端資料路徑與安全限制，說明為何小模型進步仍不適合代管錢或處理敏感任務。
BotPsy 把工具呼叫能力放進只有八億參數的模型，目標是讓手機與其他裝置也有機會運行代理的決策部分。
Tether AI Research 在 11 月 11 日公布模型權重與不同大小的量化檔，開發者能自行下載研究。它卻不是安裝後就能控制所有 App 的完整手機助理。
官方測試顯示，小模型在不少工具任務上優於同系列較大的對照模型，仍有一項落後，複雜瀏覽與金融情境也留下明顯缺口。
更需要留意的是，模型卡把涉及金錢、敏感個資與醫療的高風險工作排除在建議用途之外，不能把會呼叫工具寫成適合代管錢。
這次較值得研究的是低風險工作如何縮小運算負擔，並讓每次工具動作可被檢查。小模型的進步有意義，能交付的責任仍要看任務條件。
要評估這個方向，先分清楚模型負責決定什麼，以及手機系統還得補上什麼。以下資料以 2026 年 11 月 12 日可讀的官方部落格與模型卡為準。
BotPsy 是模型，還不是完整手機助理
開放權重讓開發者取得代理的文字決策部分，實際動作仍要工具與應用程式配合。權重是模型訓練完成的核心參數，下載之後還需要執行環境與工具介面。
官方模型卡說明，它以 Qwen3.5-0.8B 為基底，針對工具呼叫調整，使用文字輸入並在回答前進行思考。八億參數描述規模，不能當成整套系統的記憶體需求。
工具呼叫的工作，是把自然語言請求轉成某個程式能接受的操作。例如，使用者要求調整行程，模型需要判斷先查什麼，再把日期與對象放進適合的欄位。
但模型提出操作以後，應用程式還要決定能否執行。行事曆連接、帳號權限與最後寫入，都不是權重檔自動附帶的服務，開發者需要另外建立。
Tether 的原始新聞稿也明確把服務連接、權限與執行控制留給應用程式。這讓產品設計仍能限制模型只操作指定範圍，而不必直接交出整部手機。
目前提供的檔案包含原始精度版本與 GGUF 格式。GGUF 方便部分本機執行工具載入，量化則用較精簡的數值表示權重，以減少儲存與運算負擔。
官方列出不同量化選項，並沒有替每一款手機保證速度、耗電與準確度。選哪一個檔案，仍要依裝置與實際任務比較，不能只用檔案較小就推成體驗一定更好。
接線工作釐清後，才適合比較這個小模型在相同測試裡的表現。否則很容易把模型會選工具，和手機已經能可靠完成任務混在一起。
八億參數的成績該怎麼比較
官方在共同測試環境中比較不同大小模型，結果支持工具能力進步，但沒有支持全面勝出。先分清對照基底和對照較大模型，才能讀懂改善來自哪裡。
官方技術部落格列出，BotPsy 在 BFCL v4 得到 44.0，原本的 Qwen3.5-0.8B-Think 是 23.4。這套測試主要看模型能否依需求選擇與組織工具呼叫。
同樣比較基底，ToolSandbox 從 30.5 提高到 64.6。這類任務把工具放在互動環境中，因此更接近需要連續做幾個動作的情況，仍不是使用者手機上的實際成功率。
如果改拿 Qwen3.5-2B-Think 比較，BFCL 的對照分數是 37.7，ToolSandbox 則是 41.2。這組比較回答的是較小的專門模型能否勝過較大的同系列模型，分母與前一組不同。
官方共比較六項工具與代理測試，BotPsy 在其中五項高於這個二十億參數對照。剩下的 Claw-Eval 為 46.5，低於對照的 48.9，因此不能概括成每一項都贏。
共同測試也有環境條件。五個模型都使用思考模式和同一套評測架構，BotPsy 以 BF16 精度透過 vLLM 執行，並非把量化版本放進各種手機測得的結果。
共同環境還不能代表手機實測
BF16 是保留較完整數值精度的模型表示方式。手機上較小的量化版本可能有不同取捨，所以工具能力測試與裝置速度測試需要分開，不能直接互換結論。
這些資料支持專門訓練能改善小模型的工具行為。平均進步之外，失敗集中的地方更能決定哪些工作先不要交付，尤其是需要長時間搜尋或處理敏感資產的情境。
搜尋、記憶與銀行情境為何是界線
多步瀏覽與金融情境的低分，說明工具選對一次仍不足以支撐完整任務。一個工作如果包含查詢、比對、記住條件與最後提交，任何一步出錯都可能改變結果。
BotPsy 的 BrowseComp-Plus 為 4.5，即使高於對照模型，絕對表現仍然有限。這套測試涉及困難的網路搜尋與資訊整合，分數提高不能直接翻成適合獨立做深度研究。
BFCL 的網路搜尋與記憶子項也分別只有 14.0 與 16.3。記憶在這裡是維持任務資訊的能力，並不表示模型已附帶一個安全、永久而正確的個人資料庫。
金融情境的差異更明顯。官方列出的 τ³-bench 銀行測試，所有比較模型都低於五分，BotPsy 是 4.1，無法由其他電信或零售情境的高分推成銀行工作同樣成熟。
這也說明為什麼平均值需要回到任務。模型在電信互動中表現較好，可能來自更熟悉的工具與流程，不能把那個比例當成所有需要代理操作的共同成功率。
官方的特殊情境測試還看模型是否知道缺少適合工具時應該拒絕呼叫。這種能力很重要，因為不該動作時硬選一個工具，可能比單純回答不出來造成更大影響。
但這項表現改善，仍不代表它能判斷所有權限與業務規則。應用程式要能阻止超出範圍的操作，不能把最後一道執行限制交給模型自己解釋。
這些界線讓裝置端運作的價值回到資料路徑與可控制範圍。把模型放近使用者，能改變部分資料怎麼流動，卻不能直接變成任務安全保證。
權重在手機，資料一定不離開嗎
裝置端模型可以減少部分推論傳輸，但外部工具查詢仍可能把必要資料送到服務商。模型在哪裡運算，和整個工作在哪裡取得資料，是兩個不同問題。
例如，模型在手機上判斷需要查行程，接著呼叫雲端行事曆，服務商仍會收到對應的請求。這不會因為模型權重留在裝置，就自動成為完全離線工作。
因此，資料路徑應沿著整條任務來看。哪一步只使用本機內容，哪一步需要外部服務，以及送出了哪些欄位，都比一句「本機 AI」更能說明實際安排。
新聞稿描述手機和家中電腦協作、透過點對點網路處理複雜工作，這些屬於 Tether 的長期方向。不能把未來願景寫成這次 BotPsy 已經交付的完整產品功能。
目前能取得的是模型與相關檔案，應用程式仍要決定使用哪個服務、如何管理帳號，以及何時需要使用者確認。這也讓開發團隊有機會把資料需求限制在任務真正需要的範圍。
對一般讀者來說，最容易理解的區別是「先在本機整理」和「替你對外做事」。前者可能只讀取一份測試資料，後者則涉及服務連接與權限，兩者應分別說明。
此外，模型卡建議以英文為主，雖有其他語言的評測資料，仍不能保證台灣常見的中文人名、地址與日期用法都同樣可靠。使用語言也應放進實際比較條件。
控制資料流之後，還需要看模型遇到惡意指令時會不會做錯動作。裝置位置無法替代這項判斷，因為有害內容也可能透過外部工具回覆進入任務。
安全測試改善，為何還要保留確認
不安全率降低代表進步，剩下的失敗仍會影響能否授權模型執行動作。官方報告的紅隊測試中，不安全比例從基底的 36% 降至 21%，仍然不是零。
另一組提示注入測試的不安全比例，則從 46% 降至 31%。提示注入指外部內容夾帶指令，試圖讓代理偏離原本任務，不能和一般使用者正常提出的操作要求混為一談。
這些是供應商在特定資料與設定下的測試，不是所有實際攻擊的發生機率。它們能顯示改善方向，卻不能直接用來保證某個帳號每天只會遇到多少風險。
模型卡對用途的限制也很清楚：它面向研究與教育，不建議用在涉及金錢、敏感個資或健康資訊等高風險工作。這是判斷試作範圍時應優先保留的條件。
Apache 2.0 授權描述的是程式與模型檔的使用權利，建議用途則描述能力與風險。不能把研究用途提醒誤寫成授權全面禁止商用，也不能用開放授權消除能力限制。
若工具可直接刪除、付款或對外承諾，錯誤的代價會比整理一份草稿大得多。應用程式需要依動作設限，讓使用者知道模型準備做什麼，以及是否能撤回。
保留確認也不只是多按一次按鈕。畫面應呈現將被改動的內容、對象與範圍，否則使用者仍可能在不知道結果的情況下批准錯誤動作。
所以第一個試作任務應該選能撤回、可檢查，又不涉及敏感資產的工作。這能讓團隊觀察模型的工具決策，而不必先承擔整套個人助理的責任。
先從哪種裝置端試作開始
適合的試作讓工具只讀取有限資料，把模型提出的動作保留給人最後確認。例如，使用虛構行程資料整理衝突，再輸出修改建議，就能觀察多步判斷而不接觸真實行事曆。
這類任務可以清楚區分模型是否理解日期、是否選對工具，以及工具回覆缺少資訊時會不會追問。每一項都有可重看的依據，不必只靠對話感覺順不順。
比較不同檔案時，也應使用相同材料與工具定義。若一個版本能查更多資料，另一個版本只能讀部分內容，就不能把結果差異全部歸因於量化方式。
因為工具分數不能代替裝置體驗，回應時間、記憶體與持續使用的穩定性還要另外記錄。官方工具評測沒有替每款手機提供答案，因此這些是開發團隊需要自行補上的證據。
如果某項工作常需要人重新解釋，記錄補充內容比只算完成數有用。它能顯示小模型是否真的減少交接負擔，或只是把原本的手動操作改成更多輪對話。
要進一步理解不同的小模型與裝置端安排，可以對照以下兩篇，分清模型檔、執行環境與完整服務之間的差別。
延伸閱讀：Liquid AI 推出 LFM3：六款小模型處理文字、影像與語音，本機部署前先看什麼？
延伸閱讀：Spark-X2.6-4B 開放本機代理模型：三檔思考模式，速度與可靠度如何取捨？
BotPsy 常見問題
下載後就能控制所有手機 App 嗎？
不能。開放的是模型與相關檔案，工具連接、帳號權限與執行控制需要應用程式提供。模型會提出呼叫，不代表每個 App 都已經支援。
勝過較大的模型，就代表每種工作都比較好嗎？
本次六項工具與代理測試中，它有五項高於指定的二十億參數對照，另有一項落後。複雜搜尋、記憶與銀行子項仍有低分，應依工作看證據。
可以拿來自動付款或處理醫療資料嗎？
模型卡把金錢、敏感個資與健康相關高風險工作排除在建議用途之外。開放權重與較低的不安全率，不構成這些任務可以放心自動執行的證明。
讓小模型的動作留下依據
BotPsy 讓裝置端工具代理多了一個可研究的選項。對低風險原型，先用測試資料限制讀取範圍，並把每次工具選擇留下來，比直接連上所有私人帳號更能判斷模型的實際價值。
訂閱 AI 郵報，持續追蹤小模型與本機工作流程。準備動手的人可以先寫下一項可撤回任務與正確結果，讓第一次比較就有明確依據。
