开源 AI Agent 项目 OpenSquilla 正式发布 0.5.0 Preview 版本，核心升级是引入“多模型集成协作”机制。该机制在 Harness 层将 DeepSeek v4、GLM-5.2、Kimi K2.7 和 Qwen3.7 四个国产模型组织为并行提案的协作队伍，各自独立完成搜索与推理后，再由一个模型聚合输出最终结果。整个阵容中未使用任何海外旗舰模型。
与 Preview 版本同步，开发团队发布了《Agentic Routing》技术报告，详细阐述这套原生路由如何将日常 Agent 流量转化为自我进化的数据飞轮。正式版本将在随后推出。
最新公布的 DRACO 深度研究榜单按搜索引擎分组对比各方案的平均分数与平均成本，OpenSquilla 的集成方案在两组均位列第一。在 Brave Search 组，该方案平均分达到 64.09，高于单独运行的 Opus 4.8（59.11，高出 8.42%）和 GPT-5.5（53.28，高出 20.27%），平均任务成本仅 0.12 美元，分别比后两者低约 92% 和 86%，成为同组唯一同时拿下“最高分”与“最低成本”双标记的方案。
在 DuckDuckGo 组，OpenSquilla 平均分为 60.85，略高于 Anthropic 最新旗舰模型 Fable 5 的 59.80，分数基本持平，而成本约为后者的三分之一（0.39 美元对 1.21 美元）。Fable 5 在 Brave 组的成绩仍在运行中。
这一成绩背后的技术逻辑是“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，弥补单一模型容易遗漏信息源、算错数值或无法兼顾全部约束的固有短板。用团队的话说，这不是换一个更强的模型，而是换一种更好的组织方式。
OpenSquilla 由 基元律动（TokenRhythm） 开发，定位于 Harness 与模型优化双线并行，产品主张“提升单位成本的 Agent 智能”。其版本演进始终围绕“少烧钱、真交付”展开：v0.1.0 上线智能路由，按任务难度自动选模型；v0.2.0 推出一键迁移，支持从其他 Agent 框架低成本切换；v0.3.0 发布 MetaSkill 自组织技能协议，让 Agent 从“会调用工具”走向“会自组织工作流”；v0.4.0 带来可验证编码与首个签名桌面版。
此次 0.5.0 Preview 的结果指向一个正在成形的判断：国产基础模型单拎出来与海外旗舰仍有差距，但在 Harness 层组织得当的前提下，混用国产模型已能在真实任务上跑出更高、更稳的分数。即便面对最新一代旗舰，也能在成本仅为零头的情况下咬住甚至反超。这对 AI 应用开发者而言，意味着模型选型策略可能从“押注单一最强模型”转向“用工程手段组合多个性价比模型”，从而在控制成本的同时提升任务可靠性。
（数据来源：DRACO 深度研究榜单与 OpenSquilla 团队论文；平均分数由 LLM 评判，属阶段性结果。）