跳至主要內容
YIM NEWS
† 最新報導
科技 分析

模型太多測不完,於是有人把「挑模型」這件事做成每月下發的榜單

刊登 2026/11/16 22:04 閱讀約 4 分鐘 全站第 1,686 篇

11 月 13 日,掘金一篇貼文討論了基元律動開源的 Agent 框架 OpenSquilla。它要解決的問題很常見:模型廠商太多,DeepSeek、GLM、Qwen、Kimi 幾乎每個月都發新版,每家都說程式能力再上一層,一般使用者根本測不過來。

最理想的用法大家都同意:簡單的活交給便宜模型,難的活交給強模型,每個任務都用「剛好夠用」的那一個。麻煩在於「剛好夠用」怎麼判斷。OpenSquilla 的做法是把這個判斷從使用者手上拿走,交給一套分級路由加每月更新的推薦榜。

智慧路由怎麼分活:像醫院掛號的分診臺

OpenSquilla 本身用起來和常見 Agent 平臺差不多:給它一個任務,它拆解、呼叫工具、把活做完。差別在模型選擇這一層。

它把任務難度分成 C0 到 C3 四檔,C0 最簡單,C3 最複雜。每次發起任務,本地路由器先判斷屬於哪一檔,再派給對應檔位的模型。這就像醫院的分診臺:小感冒去一般門診,重大傷患直接進手術室,不會所有人都排最貴的科。

第二個設計是一次請求只呼叫一個模型。有些智慧路由會讓多個模型同時跑一遍,再挑最好的結果,效果可能不錯,但 Token 費用直接翻好幾倍。OpenSquilla 不這樣做,選中誰就只跑誰。

第三個是沿用邏輯:同一個任務繼續執行時沿用原檔位,不會每輪重新判斷。只有對結果不滿意、需要重做時才升檔,換更強的模型接手。

每月推薦榜:誰來決定每檔配哪個模型

分級框架解決了「怎麼派活」,但每檔該配哪個模型,靠的是基元律動每月發布的推薦榜。他們把新模型的各種組合放在多個公開 Agent 基準上測試,例如 Claw-SWE-Bench(程式修復任務)與 AppWorld(跨應用事務辦理),同時看效果和花費,比較本期配置、往期配置、只用單一模型三種做法,最後選出帕累託前沿的那一組,也就是同樣花費下效果最好、同樣效果下花費最低的組合。

11 月是第一期,四個檔位分別是:C0 用 Qwen3.8-Flash,C1 用 DeepSeek-V4.1-Flash,C2 用 GLM-5.3,C3 用 Kimi K3。

基準結果方面,11 月配置與往期配置相比,Claw-SWE-Bench 得分提升 32.41%,平均單題生成費用下降 22.10%。AppWorld 得分提升 9.39%,但單題費用上漲約 2.96%。後者是一個明確的取捨:跨應用任務步驟多、鏈長,要把成功率拉上來得多花一點。

配置與客戶端分離更新

還有一個工程上值得注意的細節:推薦配置和客戶端是分開更新的。OpenSquilla 啟動時檢查一次,之後每 24 小時檢查一次,有新配置時會先顯示新舊差異,使用者確認後才套用。新模型上市、榜單更新,不必等客戶端發版就能用上;同時也不會在你不知情的情況下偷偷換模型。對在意可預期性的使用者來說,這個「確認後才生效」的設計比自動更新更穩。

架構上,OpenSquilla 採微核心設計,核心引擎層只負責編排調度與狀態管理,其他能力以插件形式擴充。這與近來工具鏈把路由、授權與對帳收進單一桌面面板的趨勢一致,先前介紹過的掘金本地 AI 網關更新處理的正是同一類「模型多了之後的管理問題],只是 OpenSquilla 多做了難度分級這一層。

所以呢

對每天用多個模型的開發者,這類工具的價值不在於幫你「選出最強模型」,而在於把選模型的成本從每次決策變成每月一次的榜單更新。判斷要不要採用的關鍵問題也只有一個:它的分級器對你實際任務的難度判斷準不準。分錯檔,輕則多花錢,重則簡單任務被派給強模型、複雜任務卡在低檔位出不來。

來源貼文另有作者實際安裝跑通的描述,OpenSquilla 支援 Windows、Mac、Linux 三端,一般使用者可選桌面安裝包,不需另裝 Git 或 Python 環境。至於每月榜單的長期品質,第一期數據還看不出來,這是後續值得追蹤的訊號。

資料來源

  1. 01 參考來源 juejin.cn

本文使用 AI 協助整理或撰稿,引用與分析仍應依原始資料核對。

編輯政策 更正與勘誤