開源 AI Agent 項目 OpenSquilla 正式發佈 0.5.0 Preview 版本，核心升級是引入“多模型集成協作”機制。該機制在 Harness 層將 DeepSeek v4、GLM-5.2、Kimi K2.7 和 Qwen3.7 四個國產模型組織為並行提案的協作隊伍，各自獨立完成搜索與推理後，再由一個模型聚合輸出最終結果。整個陣容中未使用任何海外旗艦模型。
與 Preview 版本同步，開發團隊發佈了《Agentic Routing》技術報告，詳細闡述這套原生路由如何將日常 Agent 流量轉化為自我進化的數據飛輪。正式版本將在隨後推出。
最新公佈的 DRACO 深度研究榜單按搜索引擎分組對比各方案的平均分數與平均成本，OpenSquilla 的集成方案在兩組均位列第一。在 Brave Search 組，該方案平均分達到 64.09，高於單獨運行的 Opus 4.8（59.11，高出 8.42%）和 GPT-5.5（53.28，高出 20.27%），平均任務成本僅 0.12 美元，分別比後兩者低約 92% 和 86%，成為同組唯一同時拿下“最高分”與“最低成本”雙標記的方案。
在 DuckDuckGo 組，OpenSquilla 平均分為 60.85，略高於 Anthropic 最新旗艦模型 Fable 5 的 59.80，分數基本持平，而成本約為後者的三分之一（0.39 美元對 1.21 美元）。Fable 5 在 Brave 組的成績仍在運行中。
這一成績背後的技術邏輯是“多樣性採樣 + 共識聚合”。多個模型獨立完成搜索與推理，互相補位，彌補單一模型容易遺漏信息源、算錯數值或無法兼顧全部約束的固有短板。用團隊的話說，這不是換一個更強的模型，而是換一種更好的組織方式。
OpenSquilla 由 基元律動（TokenRhythm） 開發，定位於 Harness 與模型優化雙線並行，產品主張“提升單位成本的 Agent 智能”。其版本演進始終圍繞“少燒錢、真交付”展開：v0.1.0 上線智能路由，按任務難度自動選模型；v0.2.0 推出一鍵遷移，支持從其他 Agent 框架低成本切換；v0.3.0 發佈 MetaSkill 自組織技能協議，讓 Agent 從“會調用工具”走向“會自組織工作流”；v0.4.0 帶來可驗證編碼與首個簽名桌面版。
此次 0.5.0 Preview 的結果指向一個正在成形的判斷：國產基礎模型單拎出來與海外旗艦仍有差距，但在 Harness 層組織得當的前提下，混用國產模型已能在真實任務上跑出更高、更穩的分數。即便面對最新一代旗艦，也能在成本僅為零頭的情況下咬住甚至反超。這對 AI 應用開發者而言，意味著模型選型策略可能從“押注單一最強模型”轉向“用工程手段組合多個性價比模型”，從而在控制成本的同時提升任務可靠性。
（數據來源：DRACO 深度研究榜單與 OpenSquilla 團隊論文；平均分數由 LLM 評判，屬階段性結果。）