【突发】OpenSquilla 0.5.0评测数据引关注在DRACO最近做的一项评测中一组数据引起了行业注意。这是一个公开基准测试包含100道高难度的研究与分析任务。开源Agent框架OpenSquilla 0.5.0把DeepSeek、GLM、Kimi、Qwen四个国产模型组织成并行提案架构再由一个模型聚合输出。结果显示这套全国产阵容取得了60.85的质量分略高于最新旗舰模型Fable5的59.80。单任务平均成本约为后者的1/3分别为0.39美元和1.21美元。在另一组对比中这套多模型集成方案相较单跑的Claude Opus 4.8和GPT - 5.5质量分更高成本降低约86%~92%。这组数据真正提出的问题是复杂任务是否还需要默认交给单一最强模型。【模型应用新趋势】从基础模型竞争到模型组织重要性凸显过去两年大模型竞争主要围绕基础模型展开模型能力、上下文长度和榜单表现最受关注。进入应用层一项任务往往要经过多轮执行模型怎么选、如何协作、结果怎么验证、失败后怎么恢复都会影响最终质量和成本。模型本身当然重要模型如何被组织起来也开始变得同样重要。【被忽视的关键】Harness的价值与作用要理解这个变化需要先拆开Agent的基本结构。行业常用公式Agent Base Models Harness来表达Agent和Harness的关系即基础模型提供语言理解、推理、代码生成、工具使用等能力Harness负责把这些能力接入具体流程让输出可执行、可观察、可验证。如果说模型提供能力Harness负责的是使用能力的方式。它包括上下文管理、执行控制、工具调用、输出验证、失败恢复也包括多个模型之间的协作安排。一个模型单独调用时只是在回答问题进入Harness之后它才被放进一套完整的工作流。Harness的价值并不只是工程包装。基元律动团队此前在Claw - SWE - Bench研究中提到同一个模型在不同Harness配置下任务完成率最多可以相差27.4个百分点。也就是说不换模型只调整外围执行框架最终结果就可能出现接近三成的差异。放到日常场景里这个差异会被放大。在很多任务中模型调用很少停留在一次问答。系统需要理解任务、拆解步骤、检索资料、调用工具再完成验证和修正。中间任何一个环节不稳最终交付都会受到影响。单纯把所有任务交给最贵模型曾经是一个省心选择。复杂任务怕失败就默认调用旗舰模型简单任务也混在里面一样消耗高价算力。账单越来越高结果仍然不完全可控。模型数量增加之后选择标准也变了。不同模型开始形成各自侧重要解决的不只是选最强模型还要在具体步骤里匹配合适的模型。这正是Harness所要做的事情。它不参与基础模型竞争却决定模型如何被调度、互补和验证最后能否形成稳定交付。【创新实践】OpenSquilla 0.5.0把模型组织成一支队伍OpenSquilla 0.5.0 Preview和同步发布的《Agentic Routing》技术报告把这套思路应用到了具体产品上。OpenSquilla不是新的大模型而是一套开源、可本地托管的Agent运行框架。它不训练基础模型主要做模型之上的调度和组织。Agentic Routing可以理解为步骤级模型路由。传统路由通常只在请求进入时做一次判断系统根据用户问题选择一个模型。Agentic Routing的判断发生在Agent执行过程中每一步都会根据当前状态重新选择模型。简单工具调用轻量模型就能处理复杂推理、长上下文归纳或代码生成则可能需要更强模型参与。有些步骤还会同时调用多个模型让它们并行给出方案再由系统聚合。0.5.0的核心能力是多模型集成协作。在这套机制里四个国产模型被放在并行提案位置上各自独立完成搜索、推理和答案生成。第五个模型负责聚合综合多个候选答案后形成最终输出。这套方法并不神秘它处理的是单模型执行时常见的信息盲区。单个模型查资料容易漏掉关键信息源处理复杂约束时也可能顾此失彼。多模型并行探索相当于让几个能力结构不同的模型从不同角度做补位再通过聚合降低单一模型失误带来的影响。OpenSquilla团队在DRACO评测中列了几组对比。在跨文化电商结账流程任务里单模型漏掉了Rakuten平台的确认机制和30分钟取消窗口多模型集成方案把这些平台细节补了进来。在AI代码补全的用户体验分析中单模型把调试和功能开发的触发策略说反了多模型方案给出的交互策略和时延预算更准确。在澳洲热泵烘干机比较任务里单模型没有完整覆盖各机型的容量参数多模型方案给出的比较维度更完整。这几组对比说明单模型在复杂任务中容易留下盲区。多模型并行提案再聚合可以补足部分细节也让结果更稳。值得一提的是OpenSquilla 0.5.0并非突然转向多模型集成。往前看它前面几个版本一直在围绕模型调度、工作流编排和结果验证做迭代v0.1.0做智能路由把简单任务交给更低成本的模型v0.3.0做MetaSkill自组织工作流让Agent按任务目标编排子任务v0.4.0引入可验证编码和签名桌面版把代码生成放进可执行验证流程。到了v0.5.0多模型集成被放进Harness层。几次更新一路延续下来目标都很清楚就是让模型调用更可控、成本更低、结果更稳定。【国产模型新价值】从单点能力转向组合能力OpenSquilla 0.5.0的DRACO结果本身只是一个阶段性观察。它的意义在于提供了一个切口让人看到两件事正在同时发生。国产模型能力在分化模型组织方法也在成熟。先看模型。在DRACO单模型评测中DeepSeek V4 Pro得分50.32Qwen 3.7得分49.34GLM - 5.2得分48.28和Fable5的59.80仍有差距。单模型层面它们还谈不上追平旗舰模型。但国产模型的角色已经变了。它们不再只是低价替代品开始在不同任务类型中形成各自侧重。单个模型未必全面胜出放进一套合理的组织框架里组合价值会被放大。再看组织方法。以Agentic Routing为代表的路由机制已经从“按问题选模型”推进到“按执行状态调度模型”。在Agent场景里系统要看任务走到了哪一步、风险是否升高、是否需要验证或恢复再决定下一步该调用哪个模型。OpenSquilla的路由设计包含四层从复杂度过滤、任务类型分类到上下文状态识别再到最终模型排序。关键不在于某个具体算法而在于路由开始理解任务所处的执行状态。同一个任务在不同阶段需要的模型可能不同。前期拆解可以用低成本模型遇到复杂证据恢复时再切换到更合适的模型验证失败后也可以让更强模型介入修正。路由判断的对象不再只是用户问题本身是任务执行到当前阶段之后的状态。每一次路由决策还会留下执行数据包括模型选择、结果和成本。这些数据会继续反哺路由器也可能训练更适合在Harness中运行的本地模型。路由越准同样预算下能执行的任务越多系统后续优化的空间也越大。OpenSquilla 0.5.0的表现说明当模型池足够丰富、调度系统足够精细复杂任务就不一定要默认交给最贵模型。【回归交付本质】Agent的最终追求使用AI最终衡量的是交付结果。一个Agent能否进入真实工作流取决于任务能否完成、结果能否验证和成本能否覆盖这几个基本条件。过去很多项目不是模型做不了是规模化之后成本算不过来。OpenSquilla 0.5.0代表的思路是把成本控制从简单降配推进到能力匹配。简单降配只是把贵的模型换成便宜模型结果往往不稳定。能力匹配要解决的是哪些步骤必须调用强模型哪些步骤可以交给轻量模型哪些场景需要多模型协作。它追求在成本和质量之间找到平衡点。在这套逻辑里降本就是减少不必要的高价调用。复杂任务也不必始终依赖单个旗舰模型只要模型组合、执行状态和验证机制设计得当一组成本更低的模型也可能在部分任务中取得接近甚至更好的结果。当模型使用成本可以通过系统工程压缩一些原本“ROI算不过来”的项目才有重新评估的空间。使用者未必关心系统背后调用了多少模型也未必关心某个单模型的榜单排名。它们更关心同样预算下系统能稳定完成多少任务出错后能否恢复最终结果能否交付。因此AI行业的效率红利正在从基础模型一侧延伸到模型组织和执行框架一侧。DRACO上的100道任务只是一个切片不能替代真实生产环境也不能替代长期验证。但它提醒行业复杂任务不一定只有等待更强模型这一条路径。把现有模型组织得更细致、更稳、更便宜同样是一条值得投入的路径。