如果有人说「四个便宜模型组队，能打赢一个旗舰模型」，你会觉得他在吹牛。
OpenSquilla 就是这么干的，而且把测试数据公开了：4 个国产模型并行提案 + 1 个模型聚合综合，在 100 道高难度任务上，质量分超过 Opus 4.8 和 GPT-5.5，成本只有零头。项目目前在 GitHub 6512 星。
一、先看数据
源文章（基元律动，OpenSquilla 官方公众号）公布了 DRACO 全量测试集（100 个高难度任务）的对比：
| 对比对象 | 质量提升 | 成本变化 |
|---|---|---|
| vs Fable5 | +1.05 | -67.77% |
| vs Opus 4.8 | +8.59 | -40.00% |
| vs GPT-5.5 | +10.84 | -13.00% |
阵容：DeepSeek v4、GLM-5.2、Kimi K2.7、Qwen3.7 四个国产模型当「前锋」，各自独立搜索、推理、提方案；第 5 个模型（GLM-5.2）当「队长」聚合四个候选，融合出最优结果。没有一个国外旗舰模型。
GitHub README 里还有一组更直观的数据（PinchBench 1.2.1，25 个任务）：
| Agent | 基座模型 | 平均分 | 总成本 |
|---|---|---|---|
| OpenSquilla | 路由（Opus4.7+GLM5.1+DS4 Flash） | 0.9251 | $0.688 |
| OpenClaw | Claude Opus 4.7 | 0.9255 | $6.233 |
分数几乎打平（0.9251 vs 0.9255），成本差了 9 倍。这就是「同样的预算，让 Agent 做更多事」。
二、为什么多模型组队能赢
单个模型有三个老毛病：
- 一个人查资料，容易漏关键信息源
- 一个人算数，没人帮着对，容易算错
- 一个人干活，约束条件一多就丢三落四
四个模型从不同角度覆盖、互相补位，本质是用多样性采样 + 共识聚合把单模型的短板垫平。
源文章给了几个具体案例，比如让 AI 对比澳洲热泵烘干机，Fable5 漏了三款机型的容量，OpenSquilla 完整覆盖型号、容量、保修、能耗、澳洲场景适配和 TCO 计算逻辑——多模型交叉验证后，漏信息的概率明显更低。
三、背后是 Harness 层，不是模型
OpenSquilla 的核心观点：Agent = Models + Agent Harness。
模型负责「智能」，Harness（包裹在模型外围的可执行代码）负责「组织」——决定存储什么、检索什么、向模型呈现什么、多个模型怎么协作。当各家基础模型的能力差距逐渐缩小，决定 AI 产品质量的分水岭已经从「模型本身」转移到了「怎么驾驭模型」。
OpenSquilla 做的就是 Harness。不卷模型，卷组织方式。
四、GitHub 上的干货（源文章没讲的）
SquillaRouter：本地 LightGBM + ONNX 分类器，按长度、语言、代码、关键词和语义嵌入给每一轮打分，分派到 C0–C3 四个分级里能胜任的最便宜模型。分类在本机完成——为了做这个判断，你的提示词不会离开本机。
20+ LLM 提供商：TokenRhythm、OpenRouter、OpenAI、Anthropic、Ollama、DeepSeek、Gemini、Qwen/DashScope、Moonshot、Mistral、Groq、智谱、SiliconFlow、vLLM、LM Studio 等，支持主用+回退。
15 个内置技能 + MCP：coding、GitHub、cron、pptx/docx/xlsx/pdf、摘要、tmux、天气等，仅任务需要时加载。OpenSquilla 既是 MCP 客户端，也能当 MCP 服务端跑。
持久化本地记忆：精选 MEMORY.md + 带日期的 Markdown 笔记，SQLite 全文搜索 + sqlite-vec 语义召回，嵌入用内置 ONNX 在设备端跑。
分层安全沙箱：Standard / Strict / Locked 三档，Linux 上用 Bubblewrap 隔离代码执行，拒绝账本在反复拒绝后自动暂停自主运行。
统一网关：运行在 127.0.0.1:18791，Web UI、CLI、Terminal、WebSocket、Slack、Telegram、Discord、飞书、钉钉、企业微信、Matrix、QQ 都共用同一个 TurnRunner。
当前版本 0.5.2（源文章写的是 0.5.0 Preview），7月3日还发了技术报告《Agentic Routing: The Harness-Native Data Flywheel》。
五、代价清醒
166 个 Open Issue。 这个数量说明项目很活跃，也说明离「省心」还有距离。
路由质量依赖分类器。 SquillaRouter 是 LightGBM + ONNX 模型，虽然提示词不出本机，但「分派到最便宜模型」的判断准确率直接决定体验——分错了，复杂任务用便宜模型跑，结果可能很惨。
沙箱不完整。 macOS 的 Seatbelt 后端只生成 profile（还没真正执行），Windows 上还没有沙箱后端。跨平台安全能力是不均衡的。
安装有坑。 macOS 终端安装可能要手动 brew install libomp，Windows 可能缺 Visual C++ 运行库，装不好路由会降级成直连单模型。
「质量分更高」是特定测试集的结果。 DRACO 100 道高难度任务上赢了，不代表所有场景都赢。单模型在风格化、创意类任务上未必输给多模型组队。
六、意味着什么
国产基础模型走到了一个临界点：单看任何一个，和国外旗舰还有差距；但在 Harness 层组织得当的时候，混着用，可以跑出更高、更稳的分数——成本只有零头。
OpenSquilla 用 Apache 2.0 开源，支持完全离线私有化部署，数据不出内网。玩法很简单：不换更贵的模型，换一种组织方式。
相关链接：
暂无评论。