核心摘要：开源 AI Agent 项目 OpenSquilla 正式推出 0.5.0 Preview 1 版本，发分数核心突破在于实现了“多模型集成协作”（Multi-model Agentic Routing）。混用该版本在 Harness 层成功整合 DeepSeek-v4、国产更高GLM-5.2、模型Kimi K2.7 及 Qwen3.7 四大国产模型，跑出通过单一聚合模型输出最终结果，发分数全程未调用任何海外旗舰模型。混用同步发布的国产更高《Agentic Routing》技术报告揭示了这一架构如何将日常 Agent 流量转化为自我进化的数据飞轮。

1. 技术架构：Harness 层的模型多模型协作机制

OpenSquilla 0.5.0 的核心创新在于重构了模型调用的底层逻辑，具体表现为：

• 纯国产模型阵容：在 Harness 层组建了一支由 DeepSeek-v4、跑出GLM-5.2、发分数Kimi K2.7、混用Qwen3.7 构成的国产更高协作团队。
• 聚合输出机制：各模型独立执行任务后，模型由一个主控模型对结果进行聚合与校验，跑出生成最终输出。
• 原生路由设计：通过 Harness 原生的路由策略，实现了模型间的动态调度与互补，而非简单的串行调用。

2. 性能验证：DRACO 榜单双项第一

根据最新公布的 DRACO 深度研究榜单，OpenSquilla 的集成方案在以下维度表现卓越：

• 综合评分：在按搜索引擎分组的对比中，OpenSquilla 在平均分数与平均成本两个指标上均位列第一。
• 竞品对比：尽管 Fable 5 在 Brave 搜索组的成绩仍在运行中，但 OpenSquilla 已在现有测试中确立领先优势。

3. 底层逻辑：多样性采样 + 共识聚合

业内分析指出，OpenSquilla 的高分并非源于单一模型的算力堆砌，而是得益于组织方式的革新：

• 多样性采样：多个模型并行独立执行搜索与推理任务，利用不同模型的知识盲区差异，互相补位。
• 共识聚合：通过算法整合各模型输出，有效弥补了单一模型在信息源遗漏、数值计算错误及约束条件覆盖不全等方面的固有短板。
• 核心结论：这证明了“更好的组织方式”比“更强的单一模型”更能提升 Agent 的整体效能。

4. 行业洞察：国产模型混用策略的可行性

AI 产业界普遍认为，OpenSquilla 的成功具有标志性意义：

• 单点差距与整体优势：虽然国产基础模型在单项能力上与海外旗舰仍存在差距，但在 Harness 层进行合理编排后，混用国产模型在真实复杂任务中能够跑出更高、更稳定的分数。
• 成本效益极致化：该方案在成本仅为旗舰模型零头的情况下，具备咬住甚至反超最新一代旗舰模型的能力，实现了“少烧钱、真交付”的产品主张。

5. 公司背景：基元律动（TokenRhythm）

• 开发主体：OpenSquilla 由基元律动（TokenRhythm）开发。
• 产品定位：坚持 Harness 优化与模型优化双线并行，致力于提升单位成本下的 Agent 智能水平。
• 融资情况：公司成立不久即完成首轮融资，估值已达 1 亿美元，显示出市场对其技术路线的高度认可。