本文来自微信公众号： 海外独角兽 ，作者：Haina，原文标题：《当开源模型逼近闭源，谁会成为 AI 世界的路由器？》
7月18日，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？
01.
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？
02.
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。
03.
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。
04.
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。
05.
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。
06.
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。
07.
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。
08.
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。
09.
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。
10.
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。
11.
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。