4个国产模型组队PK一个旗舰模型，成本只要1/3——OpenSquilla 0.5.0多模型Agentic Routing vs 6大旗舰深度横评

发布时间：2026/7/9 2:40:17

上个月我还在纠结：用Fable 5效果确实好，但一个月API账单够买台入门显卡；用国产模型便宜，但遇到复杂任务就是差那么一口气。直到我看到了OpenSquilla 0.5.0的DRACO榜单——一支纯国产模型队伍，DeepSeek-V4、GLM-5.2、Kimi K2.7、Qwen3.7排排坐，没有Fable 5、没有GPT-5.5、没有任何海外旗舰，平均分64.09，比Opus 4.8高8.42%，比GPT-5.5高20.27%，成本只有它们的几分之一。

这不是天方夜谭，这是2026年7月刚发布的开源项目OpenSquilla 0.5.0 Preview 1交出的答卷。它的核心理念就一句话：不是换一个更强的模型，是换一种更好的组织方式。

一、核心指标总览：DRACO双榜数据一览

最新DRACO深度研究榜单按搜索引擎分组对比，OpenSquilla 0.5.0的集成方案在两组均列第一：

方案	Brave Search均分	单次任务成本	DuckDuckGo均分	单次任务成本
OpenSquilla 0.5.0（4国产模型组队）	64.09🥇	$0.12🥇	60.85🥇	$0.39
Claude Opus 4.8	59.11	$1.46	57.29	$1.23
Claude Fable 5	运行中	—	59.80	$1.21
GPT-5.5	53.28	$0.83	55.17	$0.73
Gemini 3.1 Pro	54.77	$0.96	52.99	$0.88

关键数字：

Brave组：OpenSquilla ->64.09 vs Opus 4.8的59.11，领先8.42%，成本却低92%
DuckDuckGo组：60.85 vs Fable 5的59.80，几乎持平，成本仅为1/3
唯一同时拿下「最高分」与「最低成本」双标记的方案
4个国产模型组队成本$0.12，不到GPT-5.5($0.83)的1/6

二、维度一：分数深度拆解——「多样性采样+共识聚合」为何能赢？

单纯看总分还不够。我拆了榜单的维度细节，发现OpenSquilla赢在了容错率。

机制上，这套方案叫「多模型agentic routing」：4个国产模型（DeepSeek-V4、GLM-5.2、Kimi K2.7、Qwen3.7）各自独立完成搜索与推理，再让一个聚合模型把4份结果合并输出。

为什么有效？因为单一模型有结构性盲区：

模型A擅长代码生成，但数学推理容易翻车
模型B数学好，但中文理解欠点火候
模型C中文理解强，但检索结构松散时容易漏信息

4个模型各自独立跑一遍，互相补位，然后用共识聚合筛掉错误答案——这和团队里4个人各写一版方案、最后选最优版本的逻辑一模一样。

实验数据也佐证了这一点。DRACO榜单中，OpenSquilla方案的表现方差明显低于任何一个单独模型——不是某次撞大运拿高分，而是每次稳定输出中上水平。

维度	单一旗舰模型（Fable 5等）	OpenSquilla 0.5.0（4模型组队）
最高分潜力	⭐⭐⭐⭐⭐	⭐⭐⭐⭐
稳定性/低方差	⭐⭐⭐	⭐⭐⭐⭐⭐
长尾知识覆盖	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
复杂多步推理	⭐⭐⭐⭐	⭐⭐⭐⭐⭐

三、维度二：成本深度拆解——这才是最炸裂的部分

如果说分数差异还在意料之中，成本差距就是真的降维打击了。

OpenSquilla团队的核心主张就是**「提升单位成本的Agent智能」**，这套多模型路由在实践中把成本压到了极致：

Brave Search组：

OpenSquilla 0.5.0：$0.12/次 ← 不到一杯奶茶钱
Opus 4.8：$1.46/次（12倍贵）
GPT-5.5：$0.83/次（7倍贵）

DuckDuckGo组：

OpenSquilla 0.5.0：$0.39/次
Fable 5：$1.21/次（3倍贵）
Opus 4.8：$1.23/次（3倍贵）

拆解成本结构的关键是：DeepSeek-V4 Flash的API定价本身就是白菜价（每百万token输出2元），GLM-5.2开源后自部署成本更低，Kimi K2.7和Qwen3.7同样维持着比海外旗舰低一个数量级的API定价。跑4个国产模型的token成本加起来，仍然远低于跑1个旗舰模型。

这就是2026年最残酷的算力经济学：买一个法拉利的钱，你可以雇4个经济型轿车的司机团队。

四、补充维度：多模型路由的局限与适用边界

当然，这套方案不是万能的。实测中我还是发现了几个问题：

1. 聚合延迟更大。4个模型各跑一次再加一轮聚合，总耗时比单模型长2-5倍。对实时对话场景不友好，但批处理和深度研究场景完全可接受。

2. 长文本场景成本优势收窄。当输入上下文超过32K token时，4个模型各处理一次的成本叠加效应开始显现。OpenSquilla团队在技术报告中提到正在做「智能分流」——不是所有任务都需要4个模型。

3. 聚合模型的质量就是天花板。4个儿子各说各的，最后还是靠爸爸拍板。如果聚合模型本身质量不行，再多模型也白搭。目前OpenSquilla实践中用Qwen3.7做聚合，效果稳定；但换成更弱的模型做聚合，分数会出现明显下降。

4. Fable 5的Brave组分数还在跑。榜单发布时Fable 5的Brave组成绩尚未完成，如果最终分数超过64.09，结论可能需要修正。但$0.12 vs $1.21的成本差距，已经是五个数量级的问题了。

五、选型建议+趋势观察

按场景推荐

场景	推荐方案	理由
实时对话（Chat）	单旗舰模型（Fable 5/Sonnet）	延迟敏感，多模型路由慢
深度研究/知识检索	OpenSquilla 0.5.0	精度第一，成本第二
代码生成	单旗舰模型	代码场景对延迟更敏感
复杂推理/多步分析	OpenSquilla 0.5.0	容错率优势明显
预算敏感型项目	OpenSquilla 0.5.0 + 国产模型	性价比碾压
生产级高可用	双轨（旗舰兜底+国产主力）	平衡成本与可靠

趋势观察

AI竞争从「单模型军备竞赛」转向「多模型编排竞赛」。OpenSquilla 0.5.0不是个例，Google的Agent-to-Agent协议、Anthropic的Tool-Use生态都在往这个方向走。下一阶段的核心能力不是跑一个最强模型，而是组织一群普通模型做出超越旗舰的效果。
「国产模型+Harness」正在成为一条可行路线。DeepSeek-V4和GLM-5.2单拎出来打Fable 5确实吃力，但4个组队就能打平甚至反超。这对国内开发者来说是个明确的信号：不再是「国产模型能不能用」的问题，而是「怎么组织国产模型」的问题。
推理算力的定价权正在从模型端向调度层转移。当4个国产模型的组合比1个旗舰模型更便宜、效果更好，API定价的游戏规则就变了。OpenSquilla这套「多样性采样+共识聚合」的模式如果普及，最大的输家不是某个模型厂商，而是「单一模型定价体系」本身。
Agent成本不再是瓶颈，瓶颈在路由策略。当单次深度研究成本从$1.46降到$0.12，AI Agent的规模化门槛就真正被打下来了。下一个难题不是「我能不能承担得起」，而是「我该让哪几个模型组队、怎么聚合」。这也是OpenSquilla团队在技术报告里强调的：数据飞轮。每一次Agent调用都在优化路由策略，越用越聪明。

最后说一句：我不觉得Fable 5或GPT-5.5会因此过时。旗舰模型在手感、延迟和高端体验上依然是天花板。但如果你的目标是「用最低的成本拿到最好的结果」，2026年的答案已经不再是「选哪个模型」，而是「怎么把几个模型组织到一起」。

OpenSquilla 0.5.0把这条路敞开了——而且源码在手，自己也能搭。