OpenRouter 模型路由平台动态：新模型上架、用量排行与开发者选型的真实市场信号。
Stripe 以约 75 亿美元收购了 API 网关 OpenRouter，这个价格是后者三个月前估值的 5.7 倍。OpenRouter 年化收入约 1.4 亿美元，市销率高达 54 倍，但它手里有超过 1000 万开发者、400 多个模型的统一账单入口。Stripe 自己不做大模型，接手这个中立分发平台，能把自己的支付收入数据和 OpenRoute...
推荐理由：Stripe 这笔 75 亿美元的收购是今年 AI 基础设施领域最大的一笔交易。文章没有停留在 54 倍市销率这个吓人的数字上，而是把背后的数据飞轮逻辑拆了出来：OpenRouter 作为中立分发平台，手里攥着千万开发者的模型调用和支付入口，Stripe 把自己的支付数据跟模型使用数据打通，能直接卡住 AI 应用层的计费命脉。我会先打个折，正文没披露 OpenRouter 的利润情况，54 倍市销率到底贵不贵还不好说，但 5.7 倍的估值跳涨和 Stripe 不做模型却买分发入口这个动作，本身就值得从业者盯着看。
Ox Alpha 是一个没公开开发方的推理模型，主打写代码、长时间跑智能体任务和生产环境负载。现在在 OpenRouter 上可以免费用，上下文窗口有 100 万 token，P50 延迟 1 秒，生成速度每秒 69 个 token。正文没披露是谁做的、参数量多大、免费期持续多久。从使用数据看，Claude Code 和 Nous Research 的...
推荐理由：一个匿名推理模型免费上线，主打写代码和长时间智能体任务，100万token上下文、P50延迟1秒、每秒69个token，Claude Code和Nous Research已经在用。但正文没披露开发方、参数量、免费期持续多久，这些信息缺口让判断得打个折——如果是真的挺省钱，但先别太激动。
Stripe 确认以 75 亿美元收购 OpenRouter，比它今年 5 月 13 亿美元的估值翻了近 6 倍。Stripe 对外把收购理由包装成“迎接奇点”，但文章认为真实原因更实际：OpenRouter 的核心能力是在不同 AI 模型之间调度请求并统一处理计费，这正好能接住 Stripe 平台上快速增长的 AI 支付流水。至于交易结构、整合时间表...
推荐理由：75 亿收购价是 5 月估值的 6 倍，属于大事件。文章没跟着公关稿走，直接拆出真实动机——Stripe 要的是 AI 交易流水，不是奇点故事。没给更高分是因为交易结构和整合时间正文都没披露，信息有缺口。
这篇文章的观点很直接：Stripe 收购 OpenRouter 是一笔安全生意，跟路由优化或账单整合关系不大。OpenRouter 每天处理超过 10 万亿个 token，横跨 500 多个模型，这积累了目前最大的跨模型推理行为数据库。这些数据可以像 Stripe 自己的反欺诈系统 Radar 一样，用来训练模型去识别和拦截代理在干活时的滥用、跑偏或被...
推荐理由：作者是 OpenRouter 董事会的人，有利益相关，但信息密度够高。核心论点——Stripe 买的是一个跨模型推理行为数据库，用来做部署时的安全对齐——比市面上“整合路由和账单”的说法更有料。正文没给出具体收购金额和条款，这点先别太激动。我会先打个折，因为文章更多是抛出一个判断，验证细节还缺不少。
Stripe 要花 80 亿美元买下 OpenRouter，这是 Stripe 历史上最大的一笔收购。OpenRouter 做的是给开发者一个统一接口，让他们能调用 300 多个大模型，去年靠抽成赚了大概 3 亿美元。文章是付费墙后的内容，所以具体的交易条款、整合计划、团队安排都没披露。我先打个折：对一家年收入 3 亿的 API 转售商开出 80 亿的...
推荐理由：Stripe 最大手笔 + 80 亿标价 + 一个年收入约 3 亿的模型路由层，三个数字直接把它推到 featured。付费墙是上限：交易条款、整合方案、团队安排全都没披露，所以到不了 85。
OpenRouter 宣布加入 Stripe，名字、产品、路线图都保持原样。它现在每天处理超过 10 万亿个 token，接入 400 多个模型，服务超过一千万开发者。路由决策仍然只看什么对用户最有利，不会偏向任何模型或供应商。交易预计几周内完成，收购金额正文没披露。
推荐理由：这是今天最值得看一眼的基础设施交易。OpenRouter 每天跑 10 万亿 token、服务千万开发者，被 Stripe 收了，但名字和产品都不变。我会先打个折：收购金额没披露，中立承诺也需要时间验证。不过一个管模型流量的平台进到支付和合规体系里，后续能长出什么新东西，确实让人好奇。
Stripe 以 70 亿美元收购了 OpenRouter，距离它上一轮 13 亿美元融资才过去 90 天。OpenRouter 年化收入 1.4 亿美元，毛利约 1 亿，毛利率 70%，每月处理 250 万亿 token 的模型调用量，这个量在 2 月时还只有 50 万亿。50 倍的收购倍数在顶级 AI 公司里算正常，但路由层的利润空间正在被挤压——...
推荐理由：70 亿美元收购价对应 50 倍估值，在顶级 AI 公司里不算离谱，但路由层本身利润薄、壁垒低，正文也提到利润空间在被挤压。OpenRouter 的 token 调用量从 2 月的 50 万亿涨到现在的 250 万亿，增速惊人，可这波增长能不能持续、Stripe 买来怎么整合，正文都没展开。我会先打个折，不把它当成稳赢的交易。
GPT-5.6 Sol 在 OpenRouter 上的标价直接打了五折，输入降到每百万 token 2.5 美元，输出 15 美元。这是 OpenAI 目前最强的模型，主打复杂推理、写代码和让模型进业务流程干活，上下文窗口有 100 万 token。实际用起来更便宜：因为缓存命中率高达 86%，走 OpenAI 官方渠道的加权平均输入价只要 0.81 ...
推荐理由：GPT-5.6 Sol 在 OpenRouter 上标价直接砍半，输入 $2.5/输出 $15 每百万 token。我会先打个折：这模型主打复杂推理、写代码和让模型进业务流程干活，上下文窗口有 100 万 token，但这次只是调价，没上新功能。实际用起来更便宜——OpenAI 官方渠道因为缓存命中率 86%，加权平均输入价压到了 $0.81，对跑量大的团队是实打实的省钱。不过正文没提这次降价是永久还是促销，也没说 Azure 那边跟不跟。纯价格动作，重要性就到 featured 这个档位，不再往上拉了。
2026 年 8 月 13 日，GPT-4o mini 在 OpenRouter 上处理了 1761 万次请求，但平均每次只输出 92 个 token，输入输出比高达 18.6:1。这种读多写少的模式说明它主要在做请求路由、结构化字段抽取、内容安全校验和离线批处理这四类流水线工位，而不是聊天或写代码。正文没披露具体是哪些客户或产品驱动了这上千万次调用。...
推荐理由：这篇分析用公开的 OpenRouter 流量数据，把 GPT-4o mini 从“便宜替代品”重新定位成管线里的分拣工位，有数字也有四类工位分类，对从业者很实用。我会先打个折：这是单人分析，没有交叉信源验证，而且正文摘要截断了，看不到完整论证。但就凭它把一个反直觉的使用模式讲得这么具体，值得推荐。
彭博社的消息说，Stripe 已经敲定了收购 OpenRouter 的协议，价格超过 70 亿美元。OpenRouter 干的事，是帮客户根据任务和预算挑不同的 AI 模型来用，相当于一个统一的调用入口。今年 5 月它刚拿了 1.13 亿美元的 B 轮融资，估值 13 亿美元，当时号称有 800 万用户，能接入 400 多个模型。它的 CEO 把公司比...
推荐理由：Stripe 以超 70 亿美元收购 OpenRouter，三个月估值翻五倍，是今年 AI 基础设施层最大的一笔交易。三个维度都打中了：数字本身有冲击力，估值跳涨是新鲜事，而且直接关系到 AI 开发者的常用工具。没给满分是因为正文没披露具体交易结构和整合路径，这些缺口让判断得先打个折。
Stripe 正在敲定一笔超过 70 亿美元的收购，目标是 OpenRouter。这家公司做的是给开发者一个统一接口，把请求自动分发给不同的大语言模型，相当于模型层的“智能调度”。这是 Stripe 迄今最大的一笔收购，直接把它从支付带进了 AI 基础设施层。不过目前文章正文只挂了标题，具体的交易条款、时间表和整合细节都没披露。
推荐理由：Stripe 史上最大一笔收购，70 亿美元往上，直接切入 AI 基础设施。Bloomberg 的信源靠谱，但正文目前只有标题，交易条款、时间表和整合细节都没披露，所以分数压在 85 以下。我会先打个折——等具体信息出来再判断实际影响。
DeepSeek 把 V4 Pro 的正式版（GA）挂上了 OpenRouter。这是个超大规模的混合专家模型，上下文窗口能塞进 100 万 token，差不多是一整套三体三部曲的量。价格定在输入 $0.435/1M、输出 $0.87/1M，在目前的大模型里算便宜的那档。不过现在只有一个供应商在跑，OpenRouter 收到请求直接转发，没得选路。页面...
推荐理由：DeepSeek V4 Pro 正式版悄悄上了 OpenRouter，100 万 token 上下文和 $0.435/1M 输入价是这次能确认的新信息，对从业者有直接参考价值。没给到 85 分是因为信息源只有 OpenRouter 页面，缺少官方公告和独立评测，验证链条还差一环，所以稍微压了一点分。
Meta 的超级智能实验室放出了第一个开放权重的模型 Muse Glimmer，现在可以在 OpenRouter 上调用。这是个 30B 参数的稠密模型，能同时处理文字和图片，用 Apache 2.0 协议开源，定位是给本地 agent 用的——也就是让模型在你自己电脑上干活，不依赖云端。跑分方面，MCP Atlas 拿了 75.5，SWE-Bench...
推荐理由：Meta 从“超级智能实验室”拿出的第一个开源 agent 模型，30B 稠密、图文双修、Apache 2.0，定位是让你在本地跑 agent，不依赖云端。跑分给了 MCP Atlas 75.5，SWE-Bench 提了但没展开具体数字，所以信息有料但缺一点细节。整体判断：对做本地 agent 和跟踪开源模型的人来说，这是个值得马上看一眼的发布。
OpenRouter 搞了个实时更新的排行榜，把 Exa、Parallel、Perplexity 和各家模型自带的搜索引擎，搭配不同模型和搜索轮数，跑了一遍 BrowseComp、DeepSearchQA 等四个测试。最核心的发现是：多给模型几次搜索机会，是提升回答质量最便宜的办法。比如 Claude Opus 5 用 Perplexity 搜 1 次...
推荐理由：OpenRouter 自己下场跑跨引擎对比，对实际干活的人有参考价值。最核心的发现——多搜几次比升级模型更划算——能直接指导选型。没给更高分是因为这是平台方自己出的基准，不是独立第三方评测，我会先打个折。
OpenRouter 把平台每周 55 万亿 token 的用量数据做成了路由策略。新版 Auto 路由器不再靠固定规则选模型，而是看过去 7 天社区里大家处理类似任务时实际用了哪个模型，生成一条帕累托最优路由曲线。默认档位下，MMLU Pro 得分 85.2%，成本从 393 美元降到 141 美元；最高档位下，SWE-Atlas QnA 得分从 2...
推荐理由：OpenRouter 没造新模型，而是把社区过去 7 天实际调用数据变成了路由策略，默认档位成本直接砍到原来的三分之一出头，MMLU Pro 得分还稳在 85.2%。对天天跟模型成本和效果较劲的开发者来说，这是个马上能用的省钱信号。没给更高分是因为这本质上是平台功能更新，不是模型能力突破，而且正文没披露路由曲线在不同任务类型上的稳定性细节，实际效果还得看自己跑。
OpenRouter 在 7 月 31 日推出了 Ori Eval，一个能直接在你代码库里跑模型对比的工具。它会自动扫描你代码里所有调用模型的地方，问你更在意准确度、延迟还是成本，然后根据你的回答生成评测文件，并用你真实的提示词去跑 5 款最新的模型。最后给你一张表，列出每款模型的 bug 捕获率、中位延迟和每次任务的花费。文章里给的例子是 Claud...
推荐理由：OpenRouter 发了一个实用工具，让开发者用自己的代码库和真实提示词给模型跑分，输出 bug 捕获率、延迟和成本。机制具体，痛点真实，对天天选模型的人有用。没给更高分是因为正文没披露评测的统计稳定性，比如样本量够不够大、结果可复现性如何，这点先别太激动。
消息来自一条推文，正文没给更多细节。标题说 Stripe 在谈收购 OpenRouter，开价大概 100 亿美元。目前只披露了标题，没提交易阶段、时间表，也没有双方确认。我会先打个折，等有正经报道出来再说。
推荐理由：Stripe 在谈收购 OpenRouter，开价约 100 亿美元——数字够大，两家公司又都卡在开发者工作流的关键节点上，话题性很强。但唯一信源是一条推文，没给交易阶段，也没双方确认，所以评分偏保守。
WSJ 消息，Stripe 在谈收购 OpenRouter，开价大概 100 亿美元。OpenRouter 做的是一个模型集市，开发者按用量付费调用各种 AI 模型，相当于一个统一的 API 入口。这个价格对一层模型路由来说不便宜，但和 Stripe 做支付基础设施的路子对得上。正文没披露谈判进展、支付方式或监管障碍，我会先打个折——目前只是初步接触，...
推荐理由：WSJ 独家消息，Stripe 在谈收购 OpenRouter，开价大概 100 亿美元。OpenRouter 做的是模型集市，开发者按用量付费调用各种模型，相当于一个统一的 API 入口。这个价格对一层路由来说不便宜，但和 Stripe 做支付基础设施的路子对得上。正文没披露谈判进展、支付方式或监管障碍，我会先打个折——目前只是初步接触，离成交还远。
CrucibleBench 把 13 个模型扔进一个文字 MUD 世界，让它们跟有记忆和信任值的 NPC 打交道，完成隐藏的社交任务。50 轮对话跑下来，总共花了 99.59 美元。最大的发现不是谁排第一，而是评分系统里一个负责评判对话质量的 LLM 组件，能让排行榜上的名次上下浮动 6 位。去掉这个不稳定的裁判后，GPT-5.4 从第 1 掉到第 5...
推荐理由：一个用文字 MUD 测大模型社交能力的基准，全部跑完只花了 99.59 美元，光成本透明这一点就够吸引人。但真正的信号不是谁拿了第一，而是发现评分用的 LLM 裁判能让排名上下浮动 6 位，这对依赖排行榜的人是个具体警告。分数维持在 78，因为实验规模不大，正文也没说这个裁判不稳定是普遍现象还是这套题目的特例，结论先打个折。
作者拿自己手调过的 Rust 函数去考 Kimi K3，让它“随便怎么优化都行”。模型自己选了 SWAR 方案，把 64 位寄存器当 8 个 u8 用，15 分钟给出代码，零报错直接跑通，最终程序快了 2%。通过 OpenRouter 调用，token 费用大概 1 美元。作者觉得这表现确实摸到了前沿模型的边。
推荐理由：一次干净的第一人称实验：作者把自己调过的 Rust 函数丢给 Kimi K3，模型自己选了 SWAR 方案，15 分钟给出代码，零报错直接跑通，最终快了 2%，token 费大概 1 美元。数字和方案名都摆出来了，不是公关稿。我会先打个折——单次测试说明不了整体水平，但就这次表现来说，确实摸到了前沿模型的边。