我们让四个国产模型组了个队，好像……跑赢了Fable5 （小声）

• OpenSquilla v0.5.0 Preview 发布。四个国产模型组队 + 一个队长汇总，在 100 道高难度任务上，质量分比单跑的 Opus 4.8 和 GPT-5.5 都高，成本只要零头。我们反复核了数据，是真的。

• 不换更贵的模型，换一种组织方式——v0.5.0 Preview 用一堆便宜的国产模型，跑出了旗舰级的分数。

• 省钱这件事我们做了五个版本，这一版，连“复杂任务必须上贵模型”这条规矩也一起省了。

OpenSquilla v0.5.0 Preview 发布！🎉

这一版我们只说两件事：更好用，更省钱。说了五个版本，一直没换过词——不是想不出新的，是这两件事真的做不完。

v0.5.0 Preview 把这两条线交汇到一个点上：通过 Harness 层混用国产模型，花更少的 token，拿到比国外旗舰模型更好的结果。

这句话我们自己打出来都停顿了一下。所以同步发了一篇论文，用固定数据集做了完整对比——不是自说自话，欢迎来查作业。

一、省钱这件事，我们练了5个版本

"Save Token"不是 v0.5.0 Preview 才喊出的口号，是从 v0.1.0 智能路由上线那天起就刻在底座里的：

智能路由解决的是"单任务选对模型"——简单的活儿别请贵的师傅。

v0.5.0 Preview 更进一步，复杂的活儿，也未必要请最贵的那位——几个便宜师傅搭伙，照样干得漂亮。

二、更好用：不卷模型，卷“怎么用模型”

当各家基础模型的能力差距逐渐特异化，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"。

这就是 Harness 层——包裹在模型外围的那层可执行代码，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。

Agent = Models + Agent Harness

模型负责"智能"，Harness 负责"组织"。OpenSquilla 做的就是 Harness——不去卷模型，而是在模型外围做系统性优化。

v0.5.0 Preview 的多模型集成协作，是 Harness 层的最新成果：不是换一个更强的模型，而是换一种更好的组织方式。

三、实测：国产小分队，一不小心跑赢Fable5

v0.5.0 Preview 同步发布的论文中，我们在 DRACO 全量测试集（100 个高难度任务）上进行了完整对比。所有方案均在一套标准 agent loop 下运行，支持多步搜索与多步资料检索，最终统一评分。

OpenSquilla v0.5.0 Preview 的配置：4 个国产模型并行提案 + 1 个模型聚合综合——阵容里没有任何一个国外旗舰模型。

综合测评结果：

横向对比：

· 相较 Fable5：质量提升 +1.05，成本降低 67.77%

· 相较 Opus 4.8：质量提升 +8.59，成本降低 40.00%

· 相较 GPT-5.5：质量提升 +10.84，成本降低 13.00%
质量分更高，账单只剩零头。我们把数据来回核了几遍才敢发出来——毕竟这种事，说小声点🤫比较符合我们的性格。

四、怎么做到的：一支队伍，四个前锋，一个队长

具体机制并不复杂：

· 4 个国产模型并行执行（DeepSeek v4、GLM-5.2、Kimi K2.7、Qwen3.7），各自独立完成搜索、推理与提案；

· 第 5 个模型（GLM-5.2）担任聚合角色，综合四个候选答案，融合出最优结果。

为什么这招管用？因为单模型有三个老毛病：

• 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，顾得了这头顾不了那头，约束条件一多就丢三落四。

多模型一起上，从不同角度覆盖，互相补位，结果自然更稳。本质上是用了工程手段——多样性采样 + 共识聚合——把任何一个单模型的短板都垫平了。

关键还是那句：阵容里全是国产模型，没有一个国外旗舰。这说明在 Harness 层组织得当的前提下，国产模型攒起来，已经有了和国外旗舰掰掰手腕的实力。

五、几个让我们自己也“咦”了一下的案例

案例一：AI 代码补全 UX 与时延策略

Fable5没有真正比较 Copilot / Tabnine / CodeWhisperer，还把 debugging 与 feature development 的触发策略说反了。

我们完整覆盖三类工具的交互差异，给出不同 suggestion 类型的时延预算，并按经验水平、任务类型、超时处理策略给出可落地 UX 建议。

案例二：跨文化电商 Checkout 错误预防与恢复

Fable5缺少 Rakuten「注文を確定する」、30 分钟取消窗口等平台级事实。
做得好的地方：把 Rakuten / OTTO / Mercado Livre 的具体机制讲清楚，并能把日本和巴西高语境、德国低语境的文化差异映射到确认、撤销、错误文案和信任设计上。

案例三：柏林后端工程师转 AI Safety 路径

Fable5没做好的地方：没有列出足够的法国/瑞士/德国机构。

我们明确把 backend 技能映射到 evals、red teaming、infra、interpretability tooling 等安全应用；覆盖多条转型路径，并按欧洲/美国的资金、签证、文化和风险偏好给建议。

案例四：澳洲热泵烘干机产品比较

Fable5没有完整列出三款机型容量。

我们更完整覆盖型号、容量、保修、能耗、澳洲场景适配和 TCO 计算逻辑，并说明不同标签口径、使用频率和电价假设为什么会导致结果不同。

六、这意味着什么

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，就可以跑出更高、更稳的分数——成本只有零头。

这就是 OpenSquilla 一直在做的事——不卷模型，卷 Harness。用工程手段把便宜模型攒成一支能打的队伍。

少烧钱、真交付。这句话从 v0.1.0 说到了v0.5.0 Preview，一个字没改，往后，大概也不会改。

OpenSquilla 遵循 Apache 2.0 开源协议，支持完全离线私有化部署，数据不出内网。

GitHub 开源：https://github.com/opensquilla/opensquilla

官网：https://opensquilla.ai

转自：https://mp.weixin.qq.com/s/mOP5jTj29naIiIGTTQVC0A