DRACO 最新一轮评测结果，引发了业内广泛关注与讨论。

这是一次公开基准测试，覆盖了100道高难度的研究与分析类任务。主角是开源Agent框架OpenSquilla 0.5.0，它将DeepSeek、GLM、Kimi、Qwen这四款国产大模型组合成一个并行提案架构，并由第五个模型对输出结果进行聚合决策。

测试结果十分亮眼：这套纯国产组合方案获得了60.85的质量分，小幅超越了当时最新旗舰模型Fable5的59.80分。更关键的是，其单任务平均成本仅为后者的三分之一左右——分别是0.39美元和1.21美元。

在另一组横向对比中，该多模型协同方案比单独运行的Claude Opus 4.8和GPT-5.5质量分更高，而成本却降低了86%至92%。

这组数据背后，实际上抛出了一个尖锐的问题：面对复杂任务，我们是否真的仍需无条件依赖那个所谓的“最强”单模型？

过去两年，大模型赛道的竞争几乎都集中在基础模型本身——比拼参数规模、推理能力、上下文长度以及各类榜单排名。但当技术进入落地阶段时，人们发现，一个任务往往需要经历多轮迭代：模型如何选择、如何协作、结果如何验证、失败后如何回滚……这些环节，每一个都直接影响最终的交付质量和资源消耗。

模型能力固然重要，但模型如何被组织和调度，正成为一个决定性的变量。

01. 被长期低估的 Harness

要理解这一趋势变化，首先需要弄清楚Agent的基本构成逻辑。业内有一个经典公式：Agent = Base Models + Harness。

基础模型负责语言理解、逻辑推理、代码生成、工具调用等底层能力；而Harness则承担着将这些能力嵌入真实业务流程的职责，确保输出是可执行、可观测、可验证的。

如果说模型回答的是“能做什么”，那么Harness定义的就是“如何做”。其涵盖的内容相当丰富：上下文动态管理、执行流程控制、外部工具集成、结果一致性校验、异常恢复机制，以及多模型之间的协同策略设计。当单个模型被直接调用时，它只是完成一次问答响应；但一旦将其纳入Harness架构，它就变成了完整工作流中的一个可控节点。

千万别小看Harness的价值，它远不止是工程封装那么简单。

基元律动团队此前在Claw-SWE-Bench测试中就指出：同一个模型，放在不同的Harness配置下，任务完成率的差距最高可达27.4个百分点。这意味着，在不更换模型本身的情况下，仅优化外围的执行框架，就能带来接近三成的结果波动。

这种影响在实际场景中会被进一步放大。

大多数真实任务并非一次问答就能结束。系统通常需要完成意图解析、步骤拆解、信息检索、工具调用、结果验证和迭代修正等多个环节。任何一个环节的稳定性不足，都会传导到最终交付效果上。

过去，那种“全量交给最贵模型”的策略，其实是一种低风险思路：复杂任务怕出错，就默认启用旗舰模型；简单任务也被裹挟着，持续消耗高价算力。结果账单节节攀升，交付质量却未必同步提升。

随着可用模型数量越来越多，选型逻辑也在不断进化。各个模型逐渐形成了差异化的能力图谱，问题不再是“哪个模型最强”，而是“每一步该用哪个模型”。

这正是Harness的核心使命——它不参与基础模型的研发竞赛，但深度介入模型的调度逻辑、互补机制和结果验证路径，最终保障端到端交付的稳定性和确定性。

02. OpenSquilla 0.5.0：让模型真正组成一支作战单元

OpenSquilla 0.5.0 Preview 和同期发布的《Agentic Routing》技术白皮书，将这些理念变成了可落地的产品方案。

OpenSquilla 并非新训练的大模型，而是一个开源、支持本地部署的Agent运行框架。它不涉足基础模型训练，专注于构建模型之上的智能调度与协同体系。

Agentic Routing，可以理解为“步骤级模型路由机制”。传统路由通常只在请求入口处做一次静态判断，根据用户的原始输入选一个模型。但Agentic Routing的决策发生在Agent执行过程中，每推进一步，系统都会基于当前状态重新评估，并动态匹配最优模型。

举个例子，轻量级的工具调用可以交给小模型快速响应；涉及长文本归纳、多跳推理或复杂代码生成时，自动切换到更强的模型；某些关键步骤甚至会并发调用多个模型，分别产出方案，再由聚合模块统一整合。

0.5.0 版本的核心突破，在于实现了多模型协同闭环。

在这个架构中，四款国产模型处于并行提案层，各自独立完成信息搜索、逻辑演算和答案生成；第五个模型作为聚合中枢，对多个候选输出进行加权融合，输出最终结论。

这个方法其实并不复杂，本质上就是应对单模型执行中固有的认知盲区。

单一模型在检索资料时，容易遗漏关键信源；处理多重约束条件时，也常常顾此失彼。多模型并行探索，相当于调动结构各异的能力体，从不同视角协同补位，再通过聚合机制削弱个体偏差带来的不确定性。

OpenSquilla 团队在DRACO测试中展示了几个典型案例：

在跨文化电商结账流程任务里，单模型未能识别Rakuten平台特有的确认机制和30分钟自动取消窗口，而多模型集成方案成功补上了这一细节；
在AI代码补全的用户体验分析中，单模型混淆了调试触发与功能开发的优先级逻辑，多模型方案给出的交互节奏和时延预算更为精准；
在澳洲热泵烘干机横向对比任务中，单模型未能覆盖全部机型的关键容量参数，多模型方案则提供了更完整的维度比对。

这些案例印证了一个事实：在复杂任务中，单模型天然存在信息覆盖的缺口。多模型并行提案加上智能聚合，不仅能填补局部的细节空白，还能显著提升整体结果的鲁棒性。

值得一提的是，OpenSquilla 0.5.0 的多模型集成并非临时起意。回顾其演进路径，可以看到一条清晰的技术脉络：
v0.1.0 实现智能路由，将简单任务导向低成本模型；
v0.3.0 引入MetaSkill自组织工作流，让Agent能按目标自主编排子任务；
v0.4.0 加入可验证编码与签名桌面版，将代码生成纳入可执行闭环验证；
直到v0.5.0，多模型协同能力正式下沉到Harness层。

每一次迭代目标都十分明确：让模型调用更可控、资源消耗更合理、交付结果更稳定。

03. 国产模型的价值重心，正从单点突破转向系统协同

OpenSquilla 0.5.0 在DRACO中的表现，本质上是一次阶段性的快照。其更深层的意义，在于揭示两个正在同步发生的结构性变化：国产模型能力日趋分化，模型组织范式也在加速成熟。

先看模型方面。

DRACO 单模型评测显示：DeepSeek V4 Pro 得分50.32，Qwen 3.7 为49.34，GLM-5.2 为48.28。虽然与Fable5的59.80分仍有差距，但它们已开始显现出各自的差异化优势。单模型层面尚未全面赶超，但角色定位已经改变——它们不再是廉价的替代品，而是在特定任务类型中逐步建立起不可替代性。单点不一定全能，但在合理的组织框架下，组合效应可以被充分释放。

再看组织方面。

以Agentic Routing为代表的新型路由机制，正从“按问题选模型”升级为“按执行态调度模型”。在Agent场景中，系统需要实时感知任务所处的阶段、风险等级的变化、是否需要交叉验证或容错回滚，然后动态决策下一步的模型调用策略。

OpenSquilla 的路由体系包含四层判断逻辑：复杂度初筛、任务类型分类、上下文状态识别，再到最终的模型排序。关键不在于某类算法的创新，而在于路由机制开始真正理解任务的“执行语境”。

同一个任务在不同阶段所需的模型可能截然不同：初期任务拆解可以用轻量模型高效完成；到了证据链重建等高风险环节，就无缝切换到更强模型；如果验证失败，还能触发更强模型介入修正。路由决策的对象，已经从原始的用户提问，延伸到任务执行到此刻的完整状态快照。

每次路由动作都会沉淀执行日志，包含模型选择依据、实际输出、耗时和成本等字段。这些数据会持续反哺路由器优化，也可能被用来训练更适配Harness场景的专用轻量模型。路由越精准，单位预算能支撑的任务量就越多，系统后续的演进空间也越广阔。

OpenSquilla 0.5.0 的实践表明：当模型池足够丰富、调度逻辑足够精细时，复杂任务完全不必默认绑定最贵的模型。

04. Agent 的终极归宿，始终是可靠交付

AI技术的价值落点，最终还是看交付成效。

一个Agent是否真正能融入生产环境，取决于三个刚性条件：任务能否完成、结果能否验证、成本能否承受。许多项目其实并非模型能力不足，而是规模化部署后ROI撑不住。

OpenSquilla 0.5.0 所代表的方向，是将成本优化从粗放的“降配”，升维到精细化的“能力匹配”。

所谓的降配，就是用低价模型替代高价模型，结果往往伴随着稳定性滑坡；而能力匹配追求的是：哪些环节必须启用强模型、哪些可以交给轻量模型、哪些场景适合多模型协同攻坚。目标是在质量和成本之间找到最优平衡点。

在这个逻辑下，“降本”就是剔除一切非必要的高价调用。复杂任务不需要全程依赖旗舰模型，只要模型组合科学、执行状态感知准确、验证机制健全，一组综合成本更低的模型，完全有可能在部分任务中达成同等甚至更好的表现。

当模型使用成本可以通过系统工程手段有效压缩，那些曾经因为“ROI不达标”而被搁置的项目，就重新获得了可行性评估的机会。终端用户并不关心背后调用了几个模型，也不在意某款模型在榜单上的排名。他们真正关注的是：同样的预算，系统能稳定交付多少任务？出错后能否自动恢复？最终结果是否能满足业务预期？

因此，AI行业的效率红利，正从基础模型一侧，向模型组织和执行框架一侧持续延伸。

DRACO这100道测试题只是一个切片样本，不能完全复现真实生产环境，也无法替代长期运行的验证。但它给行业传递了一个重要信号：解决复杂任务，不一定只有等待更强模型这一条路。将现有的模型组织得更细、更稳、更经济，本身就是一条极具潜力的技术路径。