OpenSquilla lidera DRACO com quatro modelos chineses reorganiza a reportagem chinesa para leitores em português. O ponto central é OpenSquilla argues that routing and consensus across four Chinese models can beat single flagship models on deep-research tasks at lower cost.
O que mudou
Os fatos verificáveis são: 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. Eles ajudam a separar os dados concretos da linguagem de lançamento.
Por que importa
The harness layer can become valuable when it selects models, collects evidence, merges answers and logs decisions rather than buying only the strongest model. Notícias de IA agora precisam ser avaliadas junto com custo, fornecimento, regulação e operação real.
O que observar
DRACO uses LLM judging, so real workflows must confirm long-task failure rates, traceability and enterprise deployment cost. A próxima prova está em implantações reais, testes de terceiros e uso sustentado depois do anúncio.
Fontes verificadas: OpenSquilla GitHub, Agentic Routing technical report and DRACO leaderboard, CocoLoop.