作者：Haina

Kimi K3 发布两天后就进入 OpenRouter 日榜前十，当日调用量约为 1,420 亿 token。GLM-5.2、Nemotron 和 DeepSeek 的使用量也超过了部分 Claude Opus 模型。开放权重模型已经进入主流 API 调用。

K3 的走红也暴露了另一个问题。由于上线初期只有 Moonshot 一家 provider，OpenRouter 很快提示上游容量不足、请求可能频繁遇到 429。模型开放权重，不代表市场立刻拥有足够的 GPU 把它稳定运行起来。

过去两年，市场最关心新模型有没有超过 OpenAI 和 Anthropic。进入真实应用后，开发者需要回答的问题更多：信息抽取可以交给便宜模型，复杂判断调用 frontier model，中文材料可能更适合 GLM、Kimi 或 Qwen。选定模型后，还要比较不同 provider 的价格、速度、缓存和稳定性。模型选择由季度采购决策变成了任务级变量。

OpenRouter 先解决了其中最直接的一层。它让开发者用一把 key 接入 400 多个模型和 70 多家 provider：新模型发布后可以快速测试；同一模型拥有多家 provider 时，可以比较价格和速度，并在一家故障时切换。OpenRouter 无法凭空增加 GPU，却可以帮助流量找到仍有容量的供给。

这类入口已经引起战略买家的兴趣。The Information 近日报道，OpenRouter 正在讨论向大型科技公司出售，潜在交易估值达到数十亿美元；公司刚以约 13 亿美元估值完成 1.13 亿美元 B 轮融资。

需求已经得到证明。更值得思考的是，Vercel、Cloudflare、云厂商和开源 gateway 都能统一模型接口，OpenRouter 能守住哪一层价值？

• 未来谁会掌握每次模型调用的分配权？
• Model Routing 的价值会沉淀在哪一层？
• OpenRouter 能否从默认入口走向更高价值的 orchestration，同时保住中立性？

600 美元的起点

2023 年 3 月，刚刚离开 OpenSea 日常管理的 Alex Atallah 在电脑上跑起了 Stanford Alpaca。这不是当时最强的模型，但模型账单令他惊讶：斯坦福团队用 GPT-3 生成合成数据，再微调 Meta 的 Llama，整个过程只花了约 600 美元。

这张账单改变了他对 winner-take-all 的判断。模型生产门槛继续下降，未来可能不是三五个模型，而是成千上万个；开发者随之需要发现模型、比较能力，并为同一组权重选择推理供应商。

他先做了一个叫 Window AI 的开源 Chrome 扩展，让用户可以把自己选择的模型带进网页应用。几个月后，OpenRouter 上线。它把分散在不同实验室和云厂商里的模型，收进一个兼容 OpenAI 的 API：开发者换一个地址、改一行模型名，就能调用不同模型。

三年后，这个听起来像“模型聚合器”的产品成了一家独角兽。2026 年 5 月，OpenRouter 宣布完成 1.13 亿美元 B 轮融资，由 Alphabet 旗下成长基金 CapitalG 领投，NVentures、ServiceNow Ventures、Snowflake Ventures、Databricks Ventures 等参与。媒体援引知情信息称其 post-money 约为 13 亿美元。

增长已经被证明。更难的问题刚刚开始：当所有云厂商、开发框架和开源项目都能做 gateway，OpenRouter 能守住哪一层价值？

Router 是什么：它每天只做两次选择

想象一个帮企业做客户尽调的 AI Agent。它先要读取几十页材料、提取公司和人物信息。这一步结构清楚、容错度高，可以交给便宜而快速的模型。接下来，它需要判断交易风险、查找互相矛盾的证据并写出结论，这一步错误成本高，适合调用更强的 frontier model。

这是第一次选择：这个任务应该交给哪个模型？

假设 Agent 已经决定使用 DeepSeek。新的问题又来了：谁来运行这组模型权重？模型原厂、Baseten、Together、DigitalOcean 或其他推理服务商，都可能提供同一个模型，但价格、速度、正常运行时间、上下文长度和量化方式并不完全相同。

这是第二次选择：同一个模型，应该交给哪家 provider？

日常讨论常把这两次选择都叫 model routing。它们依赖的信号、竞争对手和商业价值却完全不同。继续往生产环境里走，还会多出两层：请求失败后怎么重试，怎样保持 prompt cache，如何控制 tool call 与预算；以及谁能调用什么模型，数据能否被记录，怎样满足审计与区域合规。

因此，model routing 是四个市场共享一个 API：

• Model selection：根据任务选择模型，目标是质量与成本的最优组合。
• Provider routing：在同一模型的不同供应商之间选择，目标是价格、速度和 uptime。
• Execution control：管理重试、fallback、cache、tool call、预算和长任务状态，目标是让 Agent 真正完成工作。
• Enterprise governance：管理身份、权限、数据政策、审计与采购，目标是让模型可以进入生产核心。

OpenRouter 当前的优势是模型采购入口与 provider routing：它聚合碎片化供给，提供实时价格、性能、数据政策和统一结算。公司正在向自动 model selection 与 orchestration 延伸，execution control 和 enterprise governance 则仍有更靠近应用、云和数据平台的竞争者。

开源模型的双刃剑：需求变厚，收入未必同步变好

OpenRouter 与 a16z 分析了截至 2025 年 11 月、主要覆盖滚动 13 个月的约 100 万亿 token 平台流量。到观察期末，open-weight 模型约占三分之一；中国开源模型的周度份额曾从 1.2% 升至接近 30%，同时没有单一开源模型能够长期占据超过约 20%–25% 的 open-weight token。

2026 年的变化更快。OpenRouter 对 1 月至 6 月约 450 万亿 token 的分析显示，DeepSeek 的份额从约 9%升至 18%，中国模型的 token 份额在 6 月初已经超过美国模型。而且 DeepSeek V4 新增流量主要来自 Agent 工作负载，而非早期的 roleplay 流量。开放模型从“便宜的替代品”进入 coding 和 Agent 生产环境。

这是一个持续轮换的候选池，而非新的单一赢家。GLM、Kimi、DeepSeek、Qwen、MiniMax 与垂直模型交替领先，发现、评测、接入和 provider routing 的需求随供给碎片化变厚。

Token 量却不等于同等质量的收入：约 52% 的开源 token 来自 roleplay，programming 占 15%–20%；中国开源模型的 programming 加 technology 占比约 39%。这些负载调用频次高、替代选择多，也更在意单位成本。开源越便宜，token 可能越多，GMV 与平台费却未必同速增长。

同一组开源权重还能由十几家推理商部署，速度、缓存、量化与数据政策的差异因此更重要，也更贴近 OpenRouter 最强的 provider routing。结论是一把双刃剑：开源越成功，routing 越必要；开源越便宜，router 每个 token 能留下的钱可能越少。

采购网络：OpenRouter 卖的首先是 access 与选择权

在一个单模型应用里，开发者接入 OpenAI 或 Anthropic 并不困难。问题出现在模型数量从一个变成十个、供应商从一家变成数十家之后：团队要分别开户和充值，维护不同 API 格式、限额与数据政策；模型更新时要重新评测；provider 宕机时要写 retry 和 fallback；财务还要面对一摞不同账单。

OpenRouter 把这些工作压成一把 key、一份账单和一个模型字符串。Alex Atallah 对它的长期描述是：S3 让企业采购存储，OpenRouter 想成为采购 intelligence 的地方。

这也是它早期能先从 AI-native 客户长出来的原因。这类团队比传统企业更早遇到多模型问题：角色扮演产品需要在不同审核政策之间切换；coding agent 既要调用昂贵模型做架构判断，也要用便宜模型处理机械任务；新模型发布后，产品团队希望当天就能测试，而不是等待一次新的采购与集成周期。

我们梳理的一组 2025–2026 年客户与行业访谈显示，OpenRouter 在 AI-native 团队里的典型年 spend 可以从 10 万美元到低七位数。对这类客户，约 5% 的 take rate 在早期通常可以接受，因为少招一名基础设施工程师已经足以覆盖成本。相较之下，受监管的大型企业直接使用 OpenRouter 的金额往往只有几万到 50 万美元以内，并且更多承载非核心流量；核心生产负载仍倾向留在既有云、身份和合规体系中。从中可以看出 OpenRouter 的切入顺序：先赢得需要速度和模型广度的开发者，再补齐企业控制能力。

采购智能还有一个常被忽略的供给侧价值：OpenRouter 不只替应用找模型，也替模型实验室找到真实用户。OpenAI 在 GPT-4.1 发布前，曾通过 OpenRouter 以 Quasar Alpha 和 Optimus Alpha 两个匿名模型做 stealth test。OpenRouter 后来公开确认，这两个模型就是 GPT-4.1 的早期版本。对模型公司而言，它获得了不带品牌偏见的真实 workload、偏好与留存信号；对 OpenRouter 而言，新模型首发和匿名测试又进一步强化了开发者“先来这里看”的习惯。

这类需求侧数据很难由单一云或单一推理商完整复制。它构成 OpenRouter 比统一接口更深的一层资产：中立分发 + 跨模型真实使用数据 + 多 provider 结算。

截至 2026 年，OpenRouter 已加入 Workspaces、spend management、Guardrails、SSO、Zero Data Retention、EU region routing 与 SOC 2 Type 2 合规。这些更新修正了早期“适合实验、不适合组织”的明显短板。它仍不提供 on-premise deployment，公开资料中也没有 HIPAA BAA；对医疗、金融核心负载和必须运行在客户 VPC 内的系统，这仍是必须要解决的问题。

谁在付钱：客户呈现出一座不对称金字塔

客群呈现出一座不对称金字塔：AI-native 公司是当前 GMV 引擎，enterprise 更像上行期权；spend 也不等于依赖度。 Lovable 有六位数支出却只做 backup，NatWest 交出约三分之一流量，FenxLabs 把高价值 selection logic 留在自己手里。

Clado、Nomi 与 Writer 从不同角度给出约 100 万美元的毕业线：当平台费足以覆盖一到两名工程师，直连、自托管或自建 fallback 的经济账开始成立。客户仍会为 discovery、突发容量和多 provider 冗余付费，却可能迁走最稳定、最贵的流量。OpenRouter 最好的客户增长越快，越有能力只留下最难替代、未必最赚钱的部分。

Provider Routing：同一个 DeepSeek 可能是 16 种产品

我们以 DeepSeek 为例来理解 provider routing 的价值了。2026 年 7 月 13 日，DeepSeek V4 Pro 在 OpenRouter 上由 16 家 provider 提供。根据当日页面，输入价格从约 0.44 美元／百万 token 到 1.74 美元，相差约 4 倍；吞吐从每秒 4 token 到 57 token，相差超过 14 倍；uptime 则从约 97% 到接近 100%。最便宜的 provider 当时恰好有最高 uptime，最慢的一家却仍比最低价贵三倍以上。

可以看出，模型权重相同，实际产品体验还取决于运行它的人。OpenRouter 默认会避开刚刚发生明显故障的 provider，并在稳定节点中偏向更便宜的选项；开发者也可以按吞吐或价格排序，设置最高价格，指定或排除 provider，并筛掉不合适的量化版本。请求失败时，系统可以切换 provider；返回零输出的失败请求不收费。

对长时间运行的 Agent，这层能力比 Chatbot 更重要。一次对话失败，用户可以再问一遍；一个已经执行十分钟、调用多个工具的 Agent 中途断掉，会产生额外的重试成本、cache miss、延迟和未完成工具调用。

公开社区信号也体现了 Provider routing 的重要性。近几个月，OpenRouter 用户讨论最集中的问题大致有几类：

这些 failure-mode signal 揭示了一个产品规律：router 创造的价值，来自替用户管理差异；一旦用户为了稳定性把 provider 固定下来，router 的价值就会部分退化为统一计费和接口。

Execution Control：最值钱的 Routing 不一定属于 OpenRouter

Provider routing 能看到价格、延迟、uptime 和部分工具调用质量，但通常看不到任务最终有没有完成。比如一段代码是否通过测试，一份销售邮件是否获得回复，一个客服 Agent 是否真正解决工单，一次金融分析是否漏掉关键风险，这些最接近业务结果的反馈，往往留在应用、Agent harness 或企业工作流里。

这构成 model selection 的信息差。

2026 年 6 月发布的论文 _Agent-as-a-Router_ 为这个问题提供了一个很有启发性的实验。研究者在约 1 万个 coding task、8 个 frontier LLM 上测试动态路由。仅仅给普通 router 加入按任务维度统计的历史性能信息，就带来 15.3% 的相对提升；进一步把执行结果放回 Context → Action → Feedback → Context 的循环，router 可以在部署过程中持续学习。在这组 coding benchmark 中，结果支持一个判断：当任务结果可以被验证时，增加历史表现和执行反馈，可能比单纯更换 routing 算法带来更大的提升。这个结论能否外推到客服、金融和复杂 Agent 工作流，仍需更多生产数据验证。

OpenRouter 也在这个方向做了一些努力。它从 2025 年起检查全平台 tool call 是否符合调用方 schema；2026 年 3 月上线的 Auto Exacto 结合 throughput、tool-call telemetry 和 benchmark score，大约每五分钟重估 provider，从单纯价格加权走向 quality-aware routing。但 schema 正确只代表工具调用“格式能跑”，并不代表任务做对了。最完整的执行反馈仍在离结果最近的地方。

这会让四层 routing 的利润池自然分流：

• 模型选择的价值更靠近应用与 Agent runtime。 它们掌握任务、上下文、测试、用户行为和最终结果，可以针对自己的工作负载学习。
• provider routing 的价值更靠近中立网络。 OpenRouter 聚合供给、实时观测价格与稳定性，跨客户形成规模数据，单个应用很难复制同样广度。

• execution control 会在 gateway 与 harness 之间竞争。retry、fallback 和计费适合 gateway；长任务状态、工具权限和 verifier 更贴近 Agent runtime。

• enterprise governance 更靠近已有控制面。 身份、数据目录、审计、DLP 和采购已经存在于 AWS、Azure、Google Cloud、Cloudflare、Databricks、Snowflake 或企业 API 管理体系中。模型只是新的受控资源。

因此，OpenRouter 面对的核心竞争是离客户入口或结果更近的平台。

竞争地图：谁离控制点更近？

OpenRouter 需要开发者主动增加一个外部中间层：应用先把请求发送给 OpenRouter，再由 OpenRouter 选择模型和 provider。

Vercel、Cloudflare 和 LiteLLM 的优势来自不同的位置。不同竞争者靠近的是不同控制点：Vercel 靠近应用代码，Cloudflare 靠近网络请求和安全策略，AWS 与 Databricks 靠近企业身份和数据，Agent runtime 靠近最终任务结果。OpenRouter 靠近的，则是最碎片化的模型与 provider 供给。

这就是前文所说的“毕业问题”：客户规模化后，可能把稳定、高频流量迁往直连或自建，只保留 discovery、fallback 和 burst capacity。

OpenRouter 的结构性防线也因此更清楚：它必须保住中立。单一推理商无法同时分发 GPT、Claude、Gemini 与所有开源模型；单一云也很难让客户相信它会持续给竞争云和竞争模型同等优先级。中立性让 OpenRouter 更像模型市场的交换层，也缩小了潜在战略买家的范围。被某家模型公司或云收购，反而可能破坏网络价值。

这会影响 OpenRouter 的客户结构。流量较小时，5%左右的平台费只是购买便利：团队不需要分别开户、管理余额、编写 fallback，也能快速测试新模型。随着推理支出接近百万美元级，平台费、缓存损失、provider 直签折扣和延迟差异都会成为可见的成本项目，AI-native 团队会开始重新评估流量分配。常见的情况是：团队把稳定、高频的生产流量直连 provider，同时继续用 OpenRouter 做新模型 discovery、故障 fallback 和突发容量。

OpenRouter 的毕业问题：它最好的客户增长越快，越可能把主流量移出平台，只把最碎片化、最波动的流量留给 OpenRouter。这是 Openrouter 商业模式的挑战：OpenRouter 能否在客户规模化以后继续保留高价值生产流量，而不只是成为备用通道。

OpenRouter 正在向上走

Atallah 在早期访谈里曾明确解释，OpenRouter 最初没有替生产客户做跨模型的自动选择：开发者希望保留模型控制权，不同模型的行为差异又难以预测。公司先把更可观测、也更容易建立网络效应的 provider routing 做深。

2026 年 6 月连续发布的 Advisor、Subagent 与 Fusion，说明公司正在重新进入更高一层。Advisor 允许便宜模型在生成过程中遇到困难时临时咨询更强模型；Subagent 允许 frontier model 把摘要、抽取、格式转换等机械任务委派给更便宜的 worker；Fusion 让多个模型并行回答，再由 judge 融合结果。

它们共同改变了调用单位。过去，用户先选定一个模型，再把整段任务交给它；现在，一次任务可以在内部发生多次模型分工。OpenRouter 开始从帮用户买到某个模型，走向帮用户组合不同等级的智能。

根据 Fusion 的公司实验，在 100 个复杂研究任务上，一组预算模型经过融合后，得分超过 GPT-5.5 和 Claude Opus 4.8。但这个结果来自 OpenRouter 自己的单一 benchmark 实现，judge 与原论文不同，且不覆盖 long-horizon task，不能把它理解为预算模型已经普遍超越 frontier model。它更像一个产品信号：OpenRouter 已经意识到，长期价值不会只来自“把请求转发给谁”，还来自“什么时候值得多花钱、什么时候可以降级、多个模型怎样协作”。

但这条路也有 trade off。OpenRouter 的网络优势来自中立：不押注单一模型，不强迫应用接受一种工作流。如果它向上做太重，可能与客户自己的 Agent runtime、Vercel 等开发框架以及云厂商 control plane 正面竞争；如果做得太轻，又可能只剩一个受费率挤压的 access layer。

更现实的路径，是把 orchestration 做成可插拔能力。OpenRouter 提供跨模型和 provider 的供给广度、质量遥测与结算，应用继续掌握 verifier 和业务结果。在代码测试、工具执行等可验证场景中，OpenRouter 可以读取客户自有的 eval，用于优化该客户的 routing。

13 亿美元估值，市场在买什么

OpenRouter 的 Pay-as-you-go 方案目前在充值时收取 5.5% 平台费，provider 的模型价格按目录价透传；企业方案可以获得折扣。BYOK 在不同套餐的月度额度内免平台费，超过额度后收取 5%。

公司没有披露 audited revenue。Sacra 估计其 2026 年 3 月 annualized revenue 约为 5,000 万美元，高于 2025 年底约 1,900 万美元。另有投资方评论暗示融资前后收入可能继续上升，但未经公司确认。因此，我们以 5,000 万美元作为相对可验证的锚，并用 1 亿美元作为上行敏感性测试。对应 13 亿美元估值，年化收入倍数约为 13–26 倍。

OpenRouter 的收入等式：

平台收入 ≈ retained GMV × effective take rate + enterprise／orchestration 收入

Retained GMV 取决于高价值客户规模化后还留下多少生产流量；effective take rate 受到企业折扣、BYOK、自建和竞争者补贴影响；enterprise 与 orchestration 收入则决定 OpenRouter 能否摆脱单纯按 token 抽成。

如果收入主要来自平台费，费率变化对收入的影响近乎线性：

按 Sacra 将平台费视为收入的估算口径，并暂时假设非交易收入占比较低，5,000 万–1 亿美元年化收入对应约 9 亿–18 亿美元 retained GMV。大客户折扣和 BYOK 会推高隐含 GMV；enterprise subscription 等非交易收入则会降低这一倒推结果。

相对于现有的低 take-rate gateway 业务，13 亿美元估值已经为两个尚未完全兑现的期权支付了一部分溢价：

1\. OpenRouter 从统一入口升级为 AI-native 应用默认的 intelligence procurement network。它不仅连接模型，还管理 provider 的价格、质量、容量、SLA、数据政策和结算。客户即使直连一部分稳定流量，仍把 OpenRouter 用于新模型 discovery、fallback、burst capacity 和跨 provider 采购。

2\. OpenRouter 从 provider routing 上移到 feedback-aware orchestration。Advisor、Fusion、Subagent 已经开始在一次任务内部组合不同模型；如果平台未来能获得应用回传的测试结果、任务完成率或用户反馈，就可能按质量提升和成本节省收费，而非只按 token 抽成。

以 2031 年为观察点，三种公司形态对应三种估值结果：

概率加权的 2031 年估值约为 34 亿美元，是当前进入价的约 2.6 倍，对应五年约 21% 的毛 IRR。结果为正，回报结构却不够均衡：几乎全部超额收益来自 20% 的多头情景；去掉多头，基准与空头的加权价值约为 14 亿美元，基本贴近当前估值。

如果以 25% 毛 IRR 作为一级成长投资的最低目标，概率加权可接受进入估值约为 11 亿美元；若要求 30%，进入价约为 9 亿美元。考虑一级市场流动性、收入仍为第三方估算，以及退出路径受到中立性约束，9 亿– 11 亿美元是更有安全边际的讨论区间；13 亿美元已经要求投资者为“智能采购网络”支付一部分尚未验证的期权价值。

结语：Routing 会成为标配，OpenRouter 能留下多少利润？

Alex Atallah 从 Alpaca 的 600 美元账单里看到了模型供给即将爆炸。OpenRouter 过去三年证明，模型与 provider 越碎片化，中立入口越有价值。进入 Agent 时代，问题开始从“如何调用所有模型”，转向“每个任务该用哪个模型、走哪家 provider，以及何时需要切换”。

OpenRouter 最可能先成为一张中立的模型采购网络。企业可以通过它比较价格、延迟、cache、可用性和数据政策，统一管理预算、SLA、推理容量与结算。模型供给的广度与实时状态是这张网络的主要价值。

这套能力并不依赖完整的任务结果数据。即使不知道工单最终有没有解决，OpenRouter 仍然可以帮助客户选择更便宜、更稳定的 provider，控制预算，并在服务失败时自动切换。问题在于，这类价值更接近采购效率与可靠性，长期可能对应较低的 take rate。

更高的估值需要另一层证据：客户愿意把模型选择交给 OpenRouter，并为更好的选择付费。Auto Exacto 已经可以利用吞吐、工具调用质量和 benchmark 改进 provider routing；task routing 所需的结果数据则主要留在应用侧。在代码测试、工具执行等结果可验证的场景中，OpenRouter 可以接入客户自己的 eval；但覆盖客服、销售和复杂 Agent 工作流的通用反馈闭环，建立起来会困难得多。

这对应三种不同的公司形态。

1\. 大客户把主流量迁出平台，OpenRouter 主要承载 discovery、fallback 和突发容量。

2\. 它成为规模庞大、费率逐渐下降的中立采购网络，GMV 增长抵消部分 take rate 压力。

3\. 客户进一步为企业治理、容量保障和 routing quality 付费，非交易收入开始改善收入质量。

OpenRouter 也具有战略收购价值：云、数据或横向 Agent 平台可以把自身的工作流数据与 OpenRouter 的模型供给和开发者分发结合起来。但收购同时会削弱它的中立性。一旦平台被某个生态控制，其他 provider 会担心自己的模型在排序、价格和流量分配中受到歧视，客户也会担心调用数据流向潜在竞争者，从而减少合作或迁走流量。

在 13 亿美元估值上，接下来最值得跟踪的是三件事：

1\. 百万美元客户直连部分流量后，OpenRouter 还能保留多少生产 GMV；

2\. effective take rate 下行时，retained GMV 能否增长得更快；

3\. 企业订阅、容量保障和 orchestration 能否形成独立收入，而不只是增加 token 消耗。

Routing 会成为多模型时代的默认能力。Token GMV 证明 OpenRouter 可以聚合流量；高价值客户是否长期留下生产流量，并为它做出的选择付费，决定它最终是一张规模庞大的低费率网络，还是更有价值的决策层。