# Echo 用开源模型拼出一个系统，号称性能追平 Fable 但成本只要三分之一

> 原标题：Show HN: Echo – Fable-level results at 1/3 the cost using open-weight models

- 来源：Hacker News 首页
- 发布时间：2026-07-23T19:26:01.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/46179
- 原文：https://news.ycombinator.com/item?id=49026810

## 摘要

Echo 是 TracerML 做的一个实验性系统，它不单独用某一个模型，而是把 GLM-5.2、Kimi K2.7 等几个开源模型放在一个池子里，每次收到请求再决定调用哪几个模型、怎么组合它们的输出。作者先算了一个理论上限：如果每次都能事后挑出最佳模型组合，性能会远超任何单一模型。Echo 想在不提前知道答案的情况下逼近这个上限。在作者自己搭的评测集...

## 推荐理由

这是一个 Show HN 项目，核心卖点是动态路由多个开源模型来逼近 Fable 的效果，同时把成本压到三分之一。机制和数字都给了，但我会先打个折：评测集是作者自己搭的，跟 Fable 的对比到底跑了多少样本、在什么任务上比的，正文没细说，这点先别太激动。标题的吸引力在于直接对标一个已知产品并给出具体成本数字，技术思路上用模型池加动态调度也比单纯换模型有嚼头，所以给了 featured。

## 锐评

Echo 的做法是把 GLM-5.2、Kimi K2.7 等开源模型放进一个池子，每次收到请求再决定叫哪几个模型、怎么拼它们的输出。作者先算了一个理论上限：如果每次都能事后挑出最佳组合，性能会远超任何单一模型。Echo 想在不提前知道答案的情况下逼近这个上限。在作者自己搭的评测集上，Echo 的综合得分追平了 Fable，推理成本大约只有三分之一。

这个“三分之一”挺吸引人，但得打几个折。第一，评测集是自建的，没披露具体基准名称和绝对分数，饱和度和代表性都不清楚，不能直接当成公开跑分。第二，正文没给出成本计算的详细口径，比如是否算上了路由和组合决策本身的开销。第三，作者也承认，路由和组合有时会翻车，在编程和让模型进业务流程干活的任务上还没验证。

如果这套方法在标准评测和真实任务上都能稳住，确实是一条省钱的路子。现在最缺的是第三方基准跑分和失败案例的定量分析，不然“追平 Fable”更像一个内部实验的上限，离可复现的结论还有距离。