模型组织力：当国产Agent用多模型协作跑赢旗舰单模型

复杂任务，未必需要最强模型

一组公开基准测试结果正在引发行业重新思考AI任务的执行逻辑。在DRACO发布的100道高难度研究与分析任务评测中，一套完全基于国产模型构建的Agent系统——OpenSquilla 0.5.0，取得了60.85的质量分，略高于最新旗舰模型Fable5的59.80。更关键的是，其单任务平均成本仅为0.39美元，不到Fable5（1.21美元）的三分之一。

在另一组横向对比中，该方案相较Claude Opus 4.8与GPT-5.5，质量分更高，成本降低幅度达86%~92%。数据背后指向一个被长期忽略的问题：面对复杂任务，是否必须默认调用单一最强模型？

Harness：决定模型如何被使用的关键层

Agent的本质，不止于基础模型。行业共识正逐渐形成：Agent = Base Models + Harness。模型提供能力，Harness决定能力如何被调度、组合与验证。

Harness涵盖上下文管理、执行控制、工具调用、输出校验与失败恢复，也包括多模型间的协同机制。它不是简单的工程封装，而是任务执行的“操作系统”。同一模型在不同Harness配置下，任务完成率差异最高可达27.4个百分点——不换模型，只改执行框架，结果就可能天差地别。

现实任务极少止步于一次问答。从理解意图、拆解步骤、检索信息、调用工具，到交叉验证与迭代修正，每个环节都存在不确定性。盲目将所有任务塞给高价旗舰模型，看似省事，实则低效：简单任务消耗昂贵算力，复杂任务仍可能因单点失误而失败。

当可用模型数量增加，选型逻辑也随之升级——不再只问“哪个最强”，而是追问“哪一步该用哪个”。Harness正是回答这个问题的基础设施。

OpenSquilla 0.5.0：让模型成为一支可协作的队伍

OpenSquilla不是新模型，而是一个开源、可本地部署的Agent运行框架。它不训练基础模型，专注在模型之上构建可编程、可验证、可调度的执行层。

其核心创新是Agentic Routing——一种步骤级动态模型路由机制。区别于传统请求入口处的一次性路由，它在Agent执行过程中持续感知当前状态，并为每一步决策匹配最适配的模型：轻量任务交由小模型快速响应；复杂推理、长文本归纳或代码生成，则触发更强模型介入；部分关键步骤甚至并行调用多个模型，各自独立提案，再由聚合模型综合判断。

在DRACO评测中，这套四模型并行提案+一模型聚合的架构展现出明显优势：

• 跨文化电商结账流程中，补全了Rakuten平台特有的30分钟取消窗口等细节；
• AI代码补全体验分析中，准确还原了调试触发与功能开发的时序关系；
• 澳洲热泵烘干机参数比较任务里，覆盖了各机型容量、能效、噪音等完整维度。

这些案例共同说明：单模型易受结构偏差与信息盲区影响；多模型异构协作，本质是用多样性对抗不确定性，再以聚合机制提升鲁棒性。

这一能力并非突然出现。OpenSquilla的演进路径清晰可见：v0.1.0实现智能降配路由；v0.3.0支持MetaSkill自组织工作流；v0.4.0引入可验证编码与签名桌面版；v0.5.0则将多模型集成正式纳入Harness层。每一次迭代，都围绕一个目标——让模型调用更可控、成本更低、交付更稳。

国产模型的价值，正在转向组合竞争力

在DRACO单模型评测中，DeepSeek V4 Pro（50.32）、Qwen 3.7（49.34）、GLM-5.2（48.28）与Fable5（59.80）仍有差距。但它们的角色已悄然转变：不再是“低价替代品”，而是在不同任务类型中形成能力互补的组件。

与此同时，模型组织方法也在成熟。Agentic Routing已从“按问题选模型”，进化为“按执行状态调度模型”。OpenSquilla的路由设计包含四层判断：复杂度过滤、任务类型分类、上下文状态识别、最终模型排序。关键突破在于——系统开始理解“任务走到哪一步”，而非仅理解“用户问了什么”。

前期拆解可用低成本模型快速推进；证据链断裂时自动切换至强模型重建；验证失败后触发修正路径……每一次路由决策还沉淀执行数据，反哺后续优化。路由越精准，单位预算所能支撑的任务量就越大，系统自我进化能力就越强。

Agent的终点，是稳定交付

AI落地的终极标尺，从来不是榜单排名，而是能否在真实场景中稳定交付：任务能不能完成、结果能不能验证、成本能不能覆盖。

OpenSquilla代表的思路，是把降本逻辑从“简单降配”升级为“能力匹配”——不是一味用便宜模型替换贵模型，而是精确识别：哪些步骤必须强模型兜底，哪些环节小模型足以胜任，哪些场景需要多模型交叉验证。它追求的，是在质量与成本之间找到可持续的平衡点。

当模型使用成本可通过系统工程显著压缩，那些曾因ROI不足被搁置的项目，便有了重启评估的可能。用户真正关心的，不是背后调用了几个模型，也不是某个模型在某榜单排第几，而是：同样预算下，系统能稳定完成多少任务？出错后能否自动恢复？结果是否可验证、可交付？

效率红利的重心，正从基础模型研发，向模型组织与执行框架迁移。DRACO的100道题只是切片，但它释放了一个明确信号：通往复杂任务高质量交付的路径，不止一条。把现有模型组织得更细、更稳、更经济，本身就是一条值得深耕的技术主线。