OpenSquilla 0.5.0 Preview 发布：多模型集成登顶 DRACO 双榜，成本仅为海外旗舰零头
OpenSquilla 发布 0.5.0 Preview 1，核心更新为多模型集成协作（多模型 agentic routing），将 DeepSeek v4、GLM-5.2、Kimi K2.7、Qwen3.7 四个国产模型并行推理后聚合输出。该方案在 DRACO 深度研究榜单两个搜索引擎组均获第一：Brave Search 组平均分 64.09，成本仅 $0.12；DuckDuckGo 组平均分 60.85，略超 Anthropic 最新旗舰 Fable 5（59.80），成本约为其三分之一。结果表明，通过 Harness 层组织国产模型可在真实任务上超越单一海外旗舰，同时大幅降低算力成本。
事件概述
开源 AI Agent 项目 OpenSquilla 发布 0.5.0 Preview 1，核心功能为“多模型集成协作”（多模型 agentic routing）。在 Harness 层将四个国产模型——DeepSeek v4、GLM-5.2、Kimi K2.7、Qwen3.7——组织成并行提案的协作队伍，再由一个模型聚合输出最终结果。同步发布《Agentic Routing》技术报告，阐述如何将 agent 流量转化为自我进化数据飞轮。
榜单表现
最新 DRACO 深度研究榜单按搜索引擎分组对比各方案平均分数与成本，OpenSquilla 集成方案在两组均列第一：
- Brave Search 组：平均分 64.09，高于 Opus 4.8（59.11，+8.42%）和 GPT-5.5（53.28，+20.27%），平均任务成本 $0.12，分别低约 92% 与 86%，唯一同时取得“最高分”与“最低成本”双标记。
- DuckDuckGo 组：平均分 60.85，略超 Anthropic 最新旗舰 Fable 5 的 59.80，成本约为其三分之一（$0.39 对 $1.21）。Fable 5 在 Brave 组的结果仍在运行中。
（数据由 LLM 评判，属阶段性结果。）
技术机制
采用“多样性采样 + 共识聚合”：多个模型独立完成搜索与推理，互相补位，弥补单一模型漏信息源、算错数值、顾不全约束的固有短板。核心思路不是换一个更强的模型，而是换一种更好的组织方式。
公司背景与版本演进
OpenSquilla 由基元律动（TokenRhythm）开发，定位于 Harness 与模型优化双线并行，主张“提升单位成本的 Agent 智能”。版本演进围绕“少烧钱、真交付”：
- v0.1.0：智能路由，按任务难度自动选模型；
- v0.2.0：一键迁移，支持从其他 Agent 框架低成本切换；
- v0.3.0：MetaSkill 自组织技能协议；
- v0.4.0：可验证编码（红绿回归证据链）与签名桌面版；
- v0.5.0 Preview：多模型集成。
公司成立不久即完成首轮融资，估值达 1 亿美元。