fr.wedoany.com Rapport : Le projet open source d'agent IA OpenSquilla a publié la version 0.5.0 Preview 1, dont la mise à jour principale est « l'intégration et la collaboration multi-modèles ». Cette solution organise, au niveau Harness, quatre modèles nationaux — DeepSeek v4, GLM-5.2, Kimi K2.7 et Qwen3.7 — en une équipe collaborative de propositions parallèles, puis un modèle agrège les résultats finaux. L'équipe ne comprend aucun modèle phare étranger.
Le rapport technique « Agentic Routing », publié en même temps que la version Preview, explique comment ce routage natif du Harness transforme le trafic quotidien des agents en un volant de données auto-évolutif. La version officielle a été publiée par la suite.
Le dernier classement de recherche approfondie DRACO compare les scores moyens et les coûts moyens de chaque solution par groupe de moteurs de recherche. La solution intégrée d'OpenSquilla arrive en tête des deux groupes. Dans le groupe Brave Search, le score moyen est de 64,09, supérieur à celui d'Opus 4.8 (59,11, +8,42 %) et de GPT-5.5 (53,28, +20,27 %) en mode autonome ; le coût moyen par tâche est de 0,12 dollar, soit environ 92 % et 86 % de moins respectivement, ce qui en fait la seule solution du groupe à obtenir à la fois les mentions « score le plus élevé » et « coût le plus bas ». Dans le groupe DuckDuckGo, le score moyen est de 60,85, légèrement supérieur à celui du dernier modèle phare d'Anthropic, Fable 5, qui est de 59,80, les scores étant globalement équivalents, mais le coût est environ un tiers de celui-ci (0,39 dollar contre 1,21 dollar) ; les résultats de Fable 5 dans le groupe Brave sont encore en cours d'exécution.
Le mécanisme de cette solution est « échantillonnage de diversité + agrégation par consensus » : plusieurs modèles effectuent indépendamment la recherche et le raisonnement, se complétant mutuellement, afin de pallier les lacunes inhérentes à un modèle unique, telles que les sources d'information manquantes, les erreurs de calcul numérique ou la difficulté à respecter toutes les contraintes. L'équipe indique qu'il ne s'agit pas de remplacer un modèle par un plus performant, mais d'adopter une meilleure méthode d'organisation. Ce résultat tend à confirmer une évaluation : pris individuellement, les modèles de base nationaux accusent encore un retard par rapport aux modèles phares étrangers, mais, avec une organisation appropriée au niveau Harness, l'utilisation combinée de modèles nationaux permet déjà d'obtenir des scores plus élevés et plus stables sur des tâches réelles, et, face à la dernière génération de modèles phares, de rivaliser, voire de les surpasser, avec un coût ne représentant qu'une fraction du leur.
OpenSquilla, développé par TokenRhythm, se positionne sur une double voie : Harness et optimisation des modèles. Son produit prône « l'amélioration de l'intelligence des agents par unité de coût ». L'évolution des versions s'articule autour de « moins de dépenses, plus de résultats concrets » : la v0.1.0 a introduit le routage intelligent, sélectionnant automatiquement le modèle en fonction de la difficulté de la tâche ; la v0.2.0 a lancé la migration en un clic, permettant un basculement à faible coût depuis d'autres frameworks d'agents ; la v0.3.0 a publié le protocole de compétences auto-organisées MetaSkill ; la v0.4.0 a apporté le codage vérifiable et la première version de bureau signée ; jusqu'à l'intégration multi-modèles de cette v0.5.0 Preview. Selon des rapports publics, l'entreprise a réalisé son premier tour de financement peu après sa création, avec une valorisation atteignant 100 millions de dollars.
