有个AI创业团队，发了个帖子：用一堆开源的便宜模型，拼出顶级旗舰模型的效果，成本只要三分之一。
帖子直接炸了，484个赞，评论区吵成一团。
有人说这是"换个壳的路由器"，有人阴阳怪气说又在重新发明集成学习。
创始人一点不慌，逐条回应：不用信用卡、每个账号白送10美元额度、评测数据全部公开、907道评测题的逐题答案都挂在网上。

这个产品叫Echo，干的活一句话说清：不造模型，只当模型的调度员。
用户看到的只是一个普通聊天框，外加一个OpenAI兼容的API，用法跟调Claude、GPT一模一样，背后是哪个模型你根本不用管。
池子里都是谁？GLM-5.2、Kimi K2.7这些开源权重模型，便宜、没使用限制、还能自托管。

那钱到底怎么省的？这是全文重点，拆开讲。

第一层，单价差。
开源模型自己搭服务器跑，单价通常比闭源旗舰便宜一个数量级，十分之一左右（各家报价不同，此处为量级推测）。
同一道题，让GLM跑一遍，成本可能只是让Fable跑一遍的零头。

第二层，按需分配，这才是Echo的核心。
旗舰模型API有个"缺点"：不管你问的是翻译一句话还是设计一个分布式系统，它都按旗舰价收钱。
Echo的逻辑是：简单请求，只让池子里便宜的小模型跑；只有难题，才动用多个模型协作。
就像五星酒店的大厨不是每道菜都亲自炒，炒青菜让食堂师傅上，办宴席才请大厨出马。

第三层，组合杠杆。
多个模型一起上比单个模型强，这是机器学习里几十年的老知识，随机森林早就证明了。
难点在于：跑N个模型就要付N份钱，所以Echo要学的就是"什么时候该组合、怎么组合最划算"。
一个模型够的就一个上，难题就让两个分工，一个出初稿、一个当评审挑错。
（具体用什么信号判断该不该组合，创始人没公开，推测是一个轻量分类器预判任务难度，再结合各模型历史表现做调度。）

正面回答那个关键问题：多模型并发，是不是要付多份钱？
是，Echo官网明说了：内部每一次模型尝试、每一道安全护栏，都按各家模型自己的价目表实打实计费。
跑两个模型就是两份钱，不存在"并发只付一份"的白嫖魔法。

那它凭什么便宜？因为省钱不来自少付钱，而来自"同样的钱买到更多质量"。
旗舰API是一刀切高价，难题简单题一个价；Echo是分级定价，简单题只付小模型的钱，难题才付组合的钱。
平均下来，总账单只有全部用旗舰的三分之一。
打个比方：Fable像请米其林主厨承包你的一日三餐，Echo是主厨只在晚宴出手，平时让食堂师傅干活。

商业模式也不难猜（推测）：做一个OpenAI兼容的API，按token向开发者收费，价格定在"比Fable便宜、比开源模型贵"的中间位置。
上游从开源模型厂商批发算力，下游按"旗舰级体验"零售，赚中间差价。

这个赛道已经挤满了人：OpenRouter有Fusion路由，Sakana AI把多模型组合写成了论文，还有Magnitude.dev、TrustedRouter，连OpenAI自己都在内部做路由。
当然，质疑也得说：同一段对话在多个模型之间轮转，提示词缓存就失效了，每换一个模型就要重新算一遍，账单可能反而变贵。
还有人算过账，200美元月订阅实际能用掉约2500美元的API额度，对这类重度用户来说，API便宜三分之一毫无意义。

我的看法：Echo给普通人最大的启发，不是"我也去搞个路由器"，而是一个朴素的生意逻辑——当上游供给变得又便宜又丰富，帮用户省钱的中间层就有差价可赚。
不需要造模型，不需要大厂级团队，一个懂调度的聪明小团队就能下场。
至于它能不能从免费内测走到月入十万，取决于那个核心问题的答案：路由器到底能不能稳定地判断"这道题该花多少钱"。
这件事，比训练一个大模型，难多了。
AI创业攻略 AI大模型创业