OpenSquilla domine DRACO avec quatre modèles chinois replace l’article chinois dans un contexte lisible pour un public francophone. L’enjeu est OpenSquilla argues that routing and consensus across four Chinese models can beat single flagship models on deep-research tasks at lower cost.
Ce qui change
Les faits vérifiables sont les suivants : 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. Ces éléments distinguent les données solides du discours de lancement.
Pourquoi c’est important
The harness layer can become valuable when it selects models, collects evidence, merges answers and logs decisions rather than buying only the strongest model. L’IA se juge désormais avec les coûts, l’approvisionnement, la régulation et l’exploitation réelle, pas seulement avec les performances.
À suivre
DRACO uses LLM judging, so real workflows must confirm long-task failure rates, traceability and enterprise deployment cost. Le prochain test sera l’usage chez les clients, les essais indépendants et la stabilité après la phase d’annonce.
Sources vérifiées : OpenSquilla GitHub, Agentic Routing technical report and DRACO leaderboard, CocoLoop.