OpenSquilla führt DRACO mit vier chinesischen Modellen an ordnet die chinesische Ausgangsmeldung für deutschsprachige Leser ein. Der Kern ist OpenSquilla argues that routing and consensus across four Chinese models can beat single flagship models on deep-research tasks at lower cost.
Was sich ändert
Die überprüfbaren Fakten sind: DeepSeek v4, GLM-5.2, Kimi K2.7 and Qwen3.7 in an Agentic Routing flow, Brave Search DRACO score 64.09 versus Opus 4.8 at 59.11 and GPT-5.5 at 53.28, average task cost of $0.12, and DuckDuckGo score 60.85 at $0.39. Sie trennen belastbare Details von reiner Startkommunikation.
Warum es wichtig ist
The harness layer can become valuable when it selects models, collects evidence, merges answers and logs decisions rather than buying only the strongest model. KI-Meldungen werden inzwischen nicht nur nach Modellleistung bewertet, sondern auch nach Kosten, Lieferketten, Regulierung und Betrieb.
Worauf zu achten ist
DRACO uses LLM judging, so real workflows must confirm long-task failure rates, traceability and enterprise deployment cost. Entscheidend wird sein, ob sich die Aussagen in Kundeneinsätzen, unabhängigen Tests und längerer Nutzung bestätigen.
Geprüfte Quellen: OpenSquilla GitHub, Agentic Routing technical report and DRACO leaderboard, CocoLoop.