當開源模型逼近閉源，誰會成為 AI 世界的路由器？

作者：Haina

Kimi K3 發佈兩天後就進入 OpenRouter 日榜前十，當日調用量約為 1,420 億 token。GLM-5.2、Nemotron 和 DeepSeek 的使用量也超過了部分 Claude Opus 模型。開放權重模型已經進入主流 API 調用。

K3 的走紅也暴露了另一個問題。由於上線初期只有 Moonshot 一家 provider，OpenRouter 很快提示上游容量不足、請求可能頻繁遇到 429。模型開放權重，不代表市場立刻擁有足夠的 GPU 把它穩定運行起來。

過去兩年，市場最關心新模型有沒有超過 OpenAI 和 Anthropic。進入真實應用後，開發者需要回答的問題更多：信息抽取可以交給便宜模型，複雜判斷調用 frontier model，中文材料可能更適合 GLM、Kimi 或 Qwen。選定模型後，還要比較不同 provider 的價格、速度、緩存和穩定性。模型選擇由季度採購決策變成了任務級變量。

OpenRouter 先解決了其中最直接的一層。它讓開發者用一把 key 接入 400 多個模型和 70 多家 provider：新模型發佈後可以快速測試；同一模型擁有多家 provider 時，可以比較價格和速度，並在一家故障時切換。OpenRouter 無法憑空增加 GPU，卻可以幫助流量找到仍有容量的供給。

這類入口已經引起戰略買家的興趣。The Information 近日報道，OpenRouter 正在討論向大型科技公司出售，潛在交易估值達到數十億美元；公司剛以約 13 億美元估值完成 1.13 億美元 B 輪融資。

需求已經得到證明。更值得思考的是，Vercel、Cloudflare、雲廠商和開源 gateway 都能統一模型接口，OpenRouter 能守住哪一層價值？

• 未來誰會掌握每次模型調用的分配權？
• Model Routing 的價值會沉澱在哪一層？
• OpenRouter 能否從默認入口走向更高價值的 orchestration，同時保住中立性？

600 美元的起點

2023 年 3 月，剛剛離開 OpenSea 日常管理的 Alex Atallah 在電腦上跑起了 Stanford Alpaca。這不是當時最強的模型，但模型賬單令他驚訝：斯坦福團隊用 GPT-3 生成合成數據，再微調 Meta 的 Llama，整個過程只花了約 600 美元。

這張賬單改變了他對 winner-take-all 的判斷。模型生產門檻繼續下降，未來可能不是三五個模型，而是成千上萬個；開發者隨之需要發現模型、比較能力，併為同一組權重選擇推理供應商。

他先做了一個叫 Window AI 的開源 Chrome 擴展，讓用戶可以把自己選擇的模型帶進網頁應用。幾個月後，OpenRouter 上線。它把分散在不同實驗室和雲廠商裡的模型，收進一個兼容 OpenAI 的 API：開發者換一個地址、改一行模型名，就能調用不同模型。

三年後，這個聽起來像“模型聚合器”的產品成了一家獨角獸。2026 年 5 月，OpenRouter 宣佈完成 1.13 億美元 B 輪融資，由 Alphabet 旗下成長基金 CapitalG 領投，NVentures、ServiceNow Ventures、Snowflake Ventures、Databricks Ventures 等參與。媒體援引知情信息稱其 post-money 約為 13 億美元。

增長已經被證明。更難的問題剛剛開始：當所有云廠商、開發框架和開源項目都能做 gateway，OpenRouter 能守住哪一層價值？

Router 是什麼：它每天只做兩次選擇

想象一個幫企業做客戶盡調的 AI Agent。它先要讀取幾十頁材料、提取公司和人物信息。這一步結構清楚、容錯度高，可以交給便宜而快速的模型。接下來，它需要判斷交易風險、查找互相矛盾的證據並寫出結論，這一步錯誤成本高，適合調用更強的 frontier model。

這是第一次選擇：這個任務應該交給哪個模型？

假設 Agent 已經決定使用 DeepSeek。新的問題又來了：誰來運行這組模型權重？模型原廠、Baseten、Together、DigitalOcean 或其他推理服務商，都可能提供同一個模型，但價格、速度、正常運行時間、上下文長度和量化方式並不完全相同。

這是第二次選擇：同一個模型，應該交給哪家 provider？

日常討論常把這兩次選擇都叫 model routing。它們依賴的信號、競爭對手和商業價值卻完全不同。繼續往生產環境裡走，還會多出兩層：請求失敗後怎麼重試，怎樣保持 prompt cache，如何控制 tool call 與預算；以及誰能調用什麼模型，數據能否被記錄，怎樣滿足審計與區域合規。

因此，model routing 是四個市場共享一個 API：

• Model selection：根據任務選擇模型，目標是質量與成本的最優組合。
• Provider routing：在同一模型的不同供應商之間選擇，目標是價格、速度和 uptime。
• Execution control：管理重試、fallback、cache、tool call、預算和長任務狀態，目標是讓 Agent 真正完成工作。
• Enterprise governance：管理身份、權限、數據政策、審計與採購，目標是讓模型可以進入生產核心。

OpenRouter 當前的優勢是模型採購入口與 provider routing：它聚合碎片化供給，提供實時價格、性能、數據政策和統一結算。公司正在向自動 model selection 與 orchestration 延伸，execution control 和 enterprise governance 則仍有更靠近應用、雲和數據平臺的競爭者。

開源模型的雙刃劍：需求變厚，收入未必同步變好

OpenRouter 與 a16z 分析了截至 2025 年 11 月、主要覆蓋滾動 13 個月的約 100 萬億 token 平臺流量。到觀察期末，open-weight 模型約佔三分之一；中國開源模型的周度份額曾從 1.2% 升至接近 30%，同時沒有單一開源模型能夠長期佔據超過約 20%–25% 的 open-weight token。

2026 年的變化更快。OpenRouter 對 1 月至 6 月約 450 萬億 token 的分析顯示，DeepSeek 的份額從約 9%升至 18%，中國模型的 token 份額在 6 月初已經超過美國模型。而且 DeepSeek V4 新增流量主要來自 Agent 工作負載，而非早期的 roleplay 流量。開放模型從“便宜的替代品”進入 coding 和 Agent 生產環境。

這是一個持續輪換的候選池，而非新的單一贏家。GLM、Kimi、DeepSeek、Qwen、MiniMax 與垂直模型交替領先，發現、評測、接入和 provider routing 的需求隨供給碎片化變厚。

Token 量卻不等於同等質量的收入：約 52% 的開源 token 來自 roleplay，programming 佔 15%–20%；中國開源模型的 programming 加 technology 佔比約 39%。這些負載調用頻次高、替代選擇多，也更在意單位成本。開源越便宜，token 可能越多，GMV 與平臺費卻未必同速增長。

同一組開源權重還能由十幾家推理商部署，速度、緩存、量化與數據政策的差異因此更重要，也更貼近 OpenRouter 最強的 provider routing。結論是一把雙刃劍：開源越成功，routing 越必要；開源越便宜，router 每個 token 能留下的錢可能越少。

採購網絡：OpenRouter 賣的首先是 access 與選擇權

在一個單模型應用裡，開發者接入 OpenAI 或 Anthropic 並不困難。問題出現在模型數量從一個變成十個、供應商從一家變成數十家之後：團隊要分別開戶和充值，維護不同 API 格式、限額與數據政策；模型更新時要重新評測；provider 宕機時要寫 retry 和 fallback；財務還要面對一摞不同賬單。

OpenRouter 把這些工作壓成一把 key、一份賬單和一個模型字符串。Alex Atallah 對它的長期描述是：S3 讓企業採購存儲，OpenRouter 想成為採購 intelligence 的地方。

這也是它早期能先從 AI-native 客戶長出來的原因。這類團隊比傳統企業更早遇到多模型問題：角色扮演產品需要在不同審核政策之間切換；coding agent 既要調用昂貴模型做架構判斷，也要用便宜模型處理機械任務；新模型發佈後，產品團隊希望當天就能測試，而不是等待一次新的採購與集成周期。

我們梳理的一組 2025–2026 年客戶與行業訪談顯示，OpenRouter 在 AI-native 團隊裡的典型年 spend 可以從 10 萬美元到低七位數。對這類客戶，約 5% 的 take rate 在早期通常可以接受，因為少招一名基礎設施工程師已經足以覆蓋成本。相較之下，受監管的大型企業直接使用 OpenRouter 的金額往往只有幾萬到 50 萬美元以內，並且更多承載非核心流量；核心生產負載仍傾向留在既有云、身份和合規體系中。從中可以看出 OpenRouter 的切入順序：先贏得需要速度和模型廣度的開發者，再補齊企業控制能力。

採購智能還有一個常被忽略的供給側價值：OpenRouter 不只替應用找模型，也替模型實驗室找到真實用戶。OpenAI 在 GPT-4.1 發佈前，曾通過 OpenRouter 以 Quasar Alpha 和 Optimus Alpha 兩個匿名模型做 stealth test。OpenRouter 後來公開確認，這兩個模型就是 GPT-4.1 的早期版本。對模型公司而言，它獲得了不帶品牌偏見的真實 workload、偏好與留存信號；對 OpenRouter 而言，新模型首發和匿名測試又進一步強化了開發者“先來這裡看”的習慣。

這類需求側數據很難由單一雲或單一推理商完整複製。它構成 OpenRouter 比統一接口更深的一層資產：中立分發 + 跨模型真實使用數據 + 多 provider 結算。

截至 2026 年，OpenRouter 已加入 Workspaces、spend management、Guardrails、SSO、Zero Data Retention、EU region routing 與 SOC 2 Type 2 合規。這些更新修正了早期“適合實驗、不適合組織”的明顯短板。它仍不提供 on-premise deployment，公開資料中也沒有 HIPAA BAA；對醫療、金融核心負載和必須運行在客戶 VPC 內的系統，這仍是必須要解決的問題。

誰在付錢：客戶呈現出一座不對稱金字塔

客群呈現出一座不對稱金字塔：AI-native 公司是當前 GMV 引擎，enterprise 更像上行期權；spend 也不等於依賴度。 Lovable 有六位數支出卻只做 backup，NatWest 交出約三分之一流量，FenxLabs 把高價值 selection logic 留在自己手裡。

Clado、Nomi 與 Writer 從不同角度給出約 100 萬美元的畢業線：當平臺費足以覆蓋一到兩名工程師，直連、自託管或自建 fallback 的經濟賬開始成立。客戶仍會為 discovery、突發容量和多 provider 冗餘付費，卻可能遷走最穩定、最貴的流量。OpenRouter 最好的客戶增長越快，越有能力只留下最難替代、未必最賺錢的部分。

Provider Routing：同一個 DeepSeek 可能是 16 種產品

我們以 DeepSeek 為例來理解 provider routing 的價值了。2026 年 7 月 13 日，DeepSeek V4 Pro 在 OpenRouter 上由 16 家 provider 提供。根據當日頁面，輸入價格從約 0.44 美元／百萬 token 到 1.74 美元，相差約 4 倍；吞吐從每秒 4 token 到 57 token，相差超過 14 倍；uptime 則從約 97% 到接近 100%。最便宜的 provider 當時恰好有最高 uptime，最慢的一家卻仍比最低價貴三倍以上。

可以看出，模型權重相同，實際產品體驗還取決於運行它的人。OpenRouter 默認會避開剛剛發生明顯故障的 provider，並在穩定節點中偏向更便宜的選項；開發者也可以按吞吐或價格排序，設置最高價格，指定或排除 provider，並篩掉不合適的量化版本。請求失敗時，系統可以切換 provider；返回零輸出的失敗請求不收費。

對長時間運行的 Agent，這層能力比 Chatbot 更重要。一次對話失敗，用戶可以再問一遍；一個已經執行十分鐘、調用多個工具的 Agent 中途斷掉，會產生額外的重試成本、cache miss、延遲和未完成工具調用。

公開社區信號也體現了 Provider routing 的重要性。近幾個月，OpenRouter 用戶討論最集中的問題大致有幾類：

這些 failure-mode signal 揭示了一個產品規律：router 創造的價值，來自替用戶管理差異；一旦用戶為了穩定性把 provider 固定下來，router 的價值就會部分退化為統一計費和接口。

Execution Control：最值錢的 Routing 不一定屬於 OpenRouter

Provider routing 能看到價格、延遲、uptime 和部分工具調用質量，但通常看不到任務最終有沒有完成。比如一段代碼是否通過測試，一份銷售郵件是否獲得回覆，一個客服 Agent 是否真正解決工單，一次金融分析是否漏掉關鍵風險，這些最接近業務結果的反饋，往往留在應用、Agent harness 或企業工作流裡。

這構成 model selection 的信息差。

2026 年 6 月發佈的論文 _Agent-as-a-Router_ 為這個問題提供了一個很有啟發性的實驗。研究者在約 1 萬個 coding task、8 個 frontier LLM 上測試動態路由。僅僅給普通 router 加入按任務維度統計的歷史性能信息，就帶來 15.3% 的相對提升；進一步把執行結果放回 Context → Action → Feedback → Context 的循環，router 可以在部署過程中持續學習。在這組 coding benchmark 中，結果支持一個判斷：當任務結果可以被驗證時，增加歷史表現和執行反饋，可能比單純更換 routing 算法帶來更大的提升。這個結論能否外推到客服、金融和複雜 Agent 工作流，仍需更多生產數據驗證。

OpenRouter 也在這個方向做了一些努力。它從 2025 年起檢查全平臺 tool call 是否符合調用方 schema；2026 年 3 月上線的 Auto Exacto 結合 throughput、tool-call telemetry 和 benchmark score，大約每五分鐘重估 provider，從單純價格加權走向 quality-aware routing。但 schema 正確只代表工具調用“格式能跑”，並不代表任務做對了。最完整的執行反饋仍在離結果最近的地方。

這會讓四層 routing 的利潤池自然分流：

• 模型選擇的價值更靠近應用與 Agent runtime。 它們掌握任務、上下文、測試、用戶行為和最終結果，可以針對自己的工作負載學習。
• provider routing 的價值更靠近中立網絡。 OpenRouter 聚合供給、實時觀測價格與穩定性，跨客戶形成規模數據，單個應用很難複製同樣廣度。

• execution control 會在 gateway 與 harness 之間競爭。retry、fallback 和計費適合 gateway；長任務狀態、工具權限和 verifier 更貼近 Agent runtime。

• enterprise governance 更靠近已有控制面。 身份、數據目錄、審計、DLP 和採購已經存在於 AWS、Azure、Google Cloud、Cloudflare、Databricks、Snowflake 或企業 API 管理體系中。模型只是新的受控資源。

因此，OpenRouter 面對的核心競爭是離客戶入口或結果更近的平臺。

競爭地圖：誰離控制點更近？

OpenRouter 需要開發者主動增加一個外部中間層：應用先把請求發送給 OpenRouter，再由 OpenRouter 選擇模型和 provider。

Vercel、Cloudflare 和 LiteLLM 的優勢來自不同的位置。不同競爭者靠近的是不同控制點：Vercel 靠近應用代碼，Cloudflare 靠近網絡請求和安全策略，AWS 與 Databricks 靠近企業身份和數據，Agent runtime 靠近最終任務結果。OpenRouter 靠近的，則是最碎片化的模型與 provider 供給。

這就是前文所說的“畢業問題”：客戶規模化後，可能把穩定、高頻流量遷往直連或自建，只保留 discovery、fallback 和 burst capacity。

OpenRouter 的結構性防線也因此更清楚：它必須保住中立。單一推理商無法同時分發 GPT、Claude、Gemini 與所有開源模型；單一雲也很難讓客戶相信它會持續給競爭雲和競爭模型同等優先級。中立性讓 OpenRouter 更像模型市場的交換層，也縮小了潛在戰略買家的範圍。被某家模型公司或雲收購，反而可能破壞網絡價值。

這會影響 OpenRouter 的客戶結構。流量較小時，5%左右的平臺費只是購買便利：團隊不需要分別開戶、管理餘額、編寫 fallback，也能快速測試新模型。隨著推理支出接近百萬美元級，平臺費、緩存損失、provider 直籤折扣和延遲差異都會成為可見的成本項目，AI-native 團隊會開始重新評估流量分配。常見的情況是：團隊把穩定、高頻的生產流量直連 provider，同時繼續用 OpenRouter 做新模型 discovery、故障 fallback 和突發容量。

OpenRouter 的畢業問題：它最好的客戶增長越快，越可能把主流量移出平臺，只把最碎片化、最波動的流量留給 OpenRouter。這是 Openrouter 商業模式的挑戰：OpenRouter 能否在客戶規模化以後繼續保留高價值生產流量，而不只是成為備用通道。

OpenRouter 正在向上走

Atallah 在早期訪談裡曾明確解釋，OpenRouter 最初沒有替生產客戶做跨模型的自動選擇：開發者希望保留模型控制權，不同模型的行為差異又難以預測。公司先把更可觀測、也更容易建立網絡效應的 provider routing 做深。

2026 年 6 月連續發佈的 Advisor、Subagent 與 Fusion，說明公司正在重新進入更高一層。Advisor 允許便宜模型在生成過程中遇到困難時臨時諮詢更強模型；Subagent 允許 frontier model 把摘要、抽取、格式轉換等機械任務委派給更便宜的 worker；Fusion 讓多個模型並行回答，再由 judge 融合結果。

它們共同改變了調用單位。過去，用戶先選定一個模型，再把整段任務交給它；現在，一次任務可以在內部發生多次模型分工。OpenRouter 開始從幫用戶買到某個模型，走向幫用戶組合不同等級的智能。

根據 Fusion 的公司實驗，在 100 個複雜研究任務上，一組預算模型經過融合後，得分超過 GPT-5.5 和 Claude Opus 4.8。但這個結果來自 OpenRouter 自己的單一 benchmark 實現，judge 與原論文不同，且不覆蓋 long-horizon task，不能把它理解為預算模型已經普遍超越 frontier model。它更像一個產品信號：OpenRouter 已經意識到，長期價值不會只來自“把請求轉發給誰”，還來自“什麼時候值得多花錢、什麼時候可以降級、多個模型怎樣協作”。

但這條路也有 trade off。OpenRouter 的網絡優勢來自中立：不押注單一模型，不強迫應用接受一種工作流。如果它向上做太重，可能與客戶自己的 Agent runtime、Vercel 等開發框架以及雲廠商 control plane 正面競爭；如果做得太輕，又可能只剩一個受費率擠壓的 access layer。

更現實的路徑，是把 orchestration 做成可插拔能力。OpenRouter 提供跨模型和 provider 的供給廣度、質量遙測與結算，應用繼續掌握 verifier 和業務結果。在代碼測試、工具執行等可驗證場景中，OpenRouter 可以讀取客戶自有的 eval，用於優化該客戶的 routing。

13 億美元估值，市場在買什麼

OpenRouter 的 Pay-as-you-go 方案目前在充值時收取 5.5% 平臺費，provider 的模型價格按目錄價透傳；企業方案可以獲得折扣。BYOK 在不同套餐的月度額度內免平臺費，超過額度後收取 5%。

公司沒有披露 audited revenue。Sacra 估計其 2026 年 3 月 annualized revenue 約為 5,000 萬美元，高於 2025 年底約 1,900 萬美元。另有投資方評論暗示融資前後收入可能繼續上升，但未經公司確認。因此，我們以 5,000 萬美元作為相對可驗證的錨，並用 1 億美元作為上行敏感性測試。對應 13 億美元估值，年化收入倍數約為 13–26 倍。

OpenRouter 的收入等式：

平臺收入 ≈ retained GMV × effective take rate + enterprise／orchestration 收入

Retained GMV 取決於高價值客戶規模化後還留下多少生產流量；effective take rate 受到企業折扣、BYOK、自建和競爭者補貼影響；enterprise 與 orchestration 收入則決定 OpenRouter 能否擺脫單純按 token 抽成。

如果收入主要來自平臺費，費率變化對收入的影響近乎線性：

按 Sacra 將平臺費視為收入的估算口徑，並暫時假設非交易收入佔比較低，5,000 萬–1 億美元年化收入對應約 9 億–18 億美元 retained GMV。大客戶折扣和 BYOK 會推高隱含 GMV；enterprise subscription 等非交易收入則會降低這一倒推結果。

相對於現有的低 take-rate gateway 業務，13 億美元估值已經為兩個尚未完全兌現的期權支付了一部分溢價：

1\. OpenRouter 從統一入口升級為 AI-native 應用默認的 intelligence procurement network。它不僅連接模型，還管理 provider 的價格、質量、容量、SLA、數據政策和結算。客戶即使直連一部分穩定流量，仍把 OpenRouter 用於新模型 discovery、fallback、burst capacity 和跨 provider 採購。

2\. OpenRouter 從 provider routing 上移到 feedback-aware orchestration。Advisor、Fusion、Subagent 已經開始在一次任務內部組合不同模型；如果平臺未來能獲得應用回傳的測試結果、任務完成率或用戶反饋，就可能按質量提升和成本節省收費，而非只按 token 抽成。

以 2031 年為觀察點，三種公司形態對應三種估值結果：

概率加權的 2031 年估值約為 34 億美元，是當前進入價的約 2.6 倍，對應五年約 21% 的毛 IRR。結果為正，回報結構卻不夠均衡：幾乎全部超額收益來自 20% 的多頭情景；去掉多頭，基準與空頭的加權價值約為 14 億美元，基本貼近當前估值。

如果以 25% 毛 IRR 作為一級成長投資的最低目標，概率加權可接受進入估值約為 11 億美元；若要求 30%，進入價約為 9 億美元。考慮一級市場流動性、收入仍為第三方估算，以及退出路徑受到中立性約束，9 億– 11 億美元是更有安全邊際的討論區間；13 億美元已經要求投資者為“智能採購網絡”支付一部分尚未驗證的期權價值。

結語：Routing 會成為標配，OpenRouter 能留下多少利潤？

Alex Atallah 從 Alpaca 的 600 美元賬單裡看到了模型供給即將爆炸。OpenRouter 過去三年證明，模型與 provider 越碎片化，中立入口越有價值。進入 Agent 時代，問題開始從“如何調用所有模型”，轉向“每個任務該用哪個模型、走哪家 provider，以及何時需要切換”。

OpenRouter 最可能先成為一張中立的模型採購網絡。企業可以通過它比較價格、延遲、cache、可用性和數據政策，統一管理預算、SLA、推理容量與結算。模型供給的廣度與實時狀態是這張網絡的主要價值。

這套能力並不依賴完整的任務結果數據。即使不知道工單最終有沒有解決，OpenRouter 仍然可以幫助客戶選擇更便宜、更穩定的 provider，控制預算，並在服務失敗時自動切換。問題在於，這類價值更接近採購效率與可靠性，長期可能對應較低的 take rate。

更高的估值需要另一層證據：客戶願意把模型選擇交給 OpenRouter，併為更好的選擇付費。Auto Exacto 已經可以利用吞吐、工具調用質量和 benchmark 改進 provider routing；task routing 所需的結果數據則主要留在應用側。在代碼測試、工具執行等結果可驗證的場景中，OpenRouter 可以接入客戶自己的 eval；但覆蓋客服、銷售和複雜 Agent 工作流的通用反饋閉環，建立起來會困難得多。

這對應三種不同的公司形態。

1\. 大客戶把主流量遷出平臺，OpenRouter 主要承載 discovery、fallback 和突發容量。

2\. 它成為規模龐大、費率逐漸下降的中立採購網絡，GMV 增長抵消部分 take rate 壓力。

3\. 客戶進一步為企業治理、容量保障和 routing quality 付費，非交易收入開始改善收入質量。

OpenRouter 也具有戰略收購價值：雲、數據或橫向 Agent 平臺可以把自身的工作流數據與 OpenRouter 的模型供給和開發者分發結合起來。但收購同時會削弱它的中立性。一旦平臺被某個生態控制，其他 provider 會擔心自己的模型在排序、價格和流量分配中受到歧視，客戶也會擔心調用數據流向潛在競爭者，從而減少合作或遷走流量。

在 13 億美元估值上，接下來最值得跟蹤的是三件事：

1\. 百萬美元客戶直連部分流量後，OpenRouter 還能保留多少生產 GMV；

2\. effective take rate 下行時，retained GMV 能否增長得更快；

3\. 企業訂閱、容量保障和 orchestration 能否形成獨立收入，而不只是增加 token 消耗。

Routing 會成為多模型時代的默認能力。Token GMV 證明 OpenRouter 可以聚合流量；高價值客戶是否長期留下生產流量，併為它做出的選擇付費，決定它最終是一張規模龐大的低費率網絡，還是更有價值的決策層。