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。
OpenRouter 宣布与 Stripe 合并，以加速推动全球经济增长。OpenRouter 目前每日处理来自 400 多个 AI 模型的 10+ 万亿 token，服务超 1000 万开发者与公司，自成立以来推理量每年至少增长 10 倍。合并后 OpenRouter 将继续以原名、原使命独立运营，产品与路线图不变，路由决策仍以用户利益为先，交易预计在未来数周内完成。
推荐理由：收购不改变 OpenRouter 独立运营与模型中立承诺，Stripe 的支付和反欺诈经验可能让企业级推理服务更完整。
OpenRouter 发布 Activity 仪表盘和 beta Analytics API，可按智能体、模型、请求维度查看支出、token 量、缓存命中率等指标，并支持下钻至单条请求日志。
推荐理由：这项功能的价值在于聚合看板能下钻到单次请求，把成本异常直接定位到具体 API key 和任务，内部案例用一行模型替换就修正了每月约 6.2K 美元的误配支出。
OpenRouter 数据显示，84% 的 token 并非来自 SOTA 模型，用户选择的六款主力模型仅提供前沿约 77% 的性能，成本却仅为 Claude Fable 5 的 2.5%。这些模型混合价格约 $0.50/百万 token，而 Fable 5 为 $20。企业正转向更小、微调或开源模型，前沿模型的经济效益面临挑战。
推荐理由：作者用 OpenRouter 与 Ramp 数据说明多数流量流向性价比模型，为判断前沿模型商业化的可持续性提供了可参考的框架。
OpenRouter 发布实时排行榜，系统评测模型、搜索引擎、搜索方法与预算四类配置组合。数据显示，将搜索预算从 1 轮增至 25 轮可使 BrowseComp 得分近乎翻倍，成本仅增 2.5-7 倍；模型选择比引擎更重要，平均分差 15 分 vs 10 分。失败率高的任务应降低搜索深度以控制成本。
推荐理由：这份基准把搜索预算的作用量化到分数与成本上，显示从单轮增加到 25 轮搜索，质量提升幅度超过更换模型或引擎，为 agent 搜索配置提供了更直接的取舍依据。
OpenRouter@OpenRouter精选AI 评分7272推荐理由：Apache 2.0许可和两项代理基准得分，为评估30B规模本地开源模型是否达到生产可用提供了直接参照，分数分别指向工具调用和编码能力。
OpenRouter 基于每周超 55T token 的社区消费数据，推出新版 Auto 路由器（openrouter/auto），其模型选择在多数任务和成本档位上优于旧版。新路由器按约 30 种任务类型匹配近 7 天社区实际消费的模型，支持 cost_tier 参数（low 至 max）并遵循账户隐私设置。在 MMLU Pro 等基准上，新默认档位在多数领域以更低成本达到旧版同等性能。
推荐理由：基于平台每周55T token的社区支出分布，新路由将模型选择众包化，基准显示默认档成本下降超60%且多数任务性能不减，适合调用量大的应用。
OpenRouter 推出五项团队 AI 支出控制功能：组织共享信用池、预设模型范围、每密钥限额、护栏（成员预算和模型白名单）及活动仪表盘。本指南按顺序介绍设置流程，包括创建组织、配置预设、通过 Management API 密钥设置每日/每周/每月限额。组织默认支持最多 10 名成员，标准按需付费账户购买信用时收取 5.5% 平台费。
推荐理由：这份教程把团队支出控制拆解为可操作的五个步骤，并对限额、护栏的叠加逻辑给出了清晰定义，可缓解团队协作中支出归属与模型权限的常见混乱。
OpenRouter@OpenRouter精选AI 评分6666
推荐理由：联合训练的统一架构下，视频生成与图像、音频共享基础能力，跨模态创作的结果可能更连贯，改变了单独优化各模态的传统思路。
OpenRouter 发布 ori CLI，用户安装并登录后即可获得针对 Claude Code、Codex、OpenCode、Hermes 等 harness 的优化配置，省去手动设置大量环境变量的麻烦。
推荐理由：把十个环境变量压缩成一条cli命令，且根据模型自动切换工具搜索等设置，让网关切换不再伴生配置摩擦。
OpenRouter@OpenRouter精选AI 评分6868
推荐理由：以任务为中心的评估思路回应了「没有最好模型」的共识，但实现细节与评估基准仍未披露，现阶段更适合作为轻量级选型试探。
OpenRouter 发布 Ori Eval，一个能扫描代码库、自动编写 eval 文件并运行评测的智能体，帮助开发者在 500 多款模型中选出最适合自己项目的单一模型。
推荐理由：Ori Eval 把评测集成到代码库并支持 CI，将模型比较变成可重复的工程实践，选型不再只靠 benchmark 或手感。
OpenRouter@OpenRouter精选AI 评分7070推荐理由：OpenAI 的降价已经把 Luna 拉到 $1/M in，但 OpenRouter 再叠 50% 折扣几乎砍到成本线，想大规模调用 GPT-5.6 的团队现在算账该重新拉一下了。
OpenRouter 发布了 langchain-openrouter（Python）和 @langchain/openrouter（TypeScript）专用包，让 LangChain 应用无需改造即可调用 400+ 模型和 70+ 提供商。ChatOpenRouter 自动处理负载均衡与故障切换，切换模型只需修改 `provider/model` 格式的字符串。
推荐理由：OpenRouter官方的LangChain专用包，替换掉了用ChatOpenAI加base_url的老路子，但从零折腾一次安装配置的必要性，只对已绑定OpenRouter的团队成立。
同一模型在不同提供商端点上的表现因基础设施、量化、负载处理和路由默认设置而异。评估需测量延迟、吞吐量、正常运行时间和精度，并将测量结果转化为路由策略。
推荐理由：做 LLM 路由的开发者必读，OpenRouter 给出了衡量延迟、吞吐和精度的实操框架，把选型从 benchmark 转向真实性能，生产环境可以直接落地试。
OpenRouter 上线 Classifiers 测试版，允许用户通过自定义分类法（最多 8 个维度）自动标记每次 AI 请求的任务类型、部门归属、合规类别等信息。分类异步运行，不增加推理延迟；支持采样率控制成本，推荐使用 Gemini 3.5 Flash Lite 作为分类模型。标记结果写入日志，并可在 Activity Explorer 中按维度聚合分析模型使用分布与成本流向。
推荐理由：OpenRouter推出分类器功能，允许按任务类型、部门等维度对API调用自动打标并归因成本，适合需要审计agent开销的团队。模板和采样率设计让落地门槛很低。
OpenRouter 上的 AI 模型市场已高度细分，OpenAI 一年前的开源模型 GPT-OSS 120b 流量达到 Anthropic Opus 4.8 的 36%。
推荐理由：作者用本地实测数据说明MoE架构让118b模型跑出26b的解码成本，端侧模型质量上限正在被竞争推高。
OpenRouter 推出 POST /api/v1/audio/transcriptions 端点，用户可使用同一 API key 将 base64 编码音频发送至该端点，返回 JSON 格式文本与用量对象。
推荐理由：OpenRouter 把语音转录集成进 API，一份 key 搞定聊天和转写，对已经在用的团队省心不少，这篇教程直接可跑。
OpenRouter@OpenRouter精选AI 评分7272推荐理由：Google Gemini Flash 系列更新到 3.6，150+ tok/s 的吞吐量对 agent 场景是实际提升，OpenRouter 第一时间上线，开发者可以直接调。
OpenRouter 通过 Prompt Caching 与 Sticky Routing 降低多轮 Agent 的 token 成本。缓存读取价格仅为正常输入的 0.1x-0.5x，其中 Claude Sonnet 4.6 缓存读取为 $0.30/M（正常 $3.00/M）。
推荐理由：Prompt caching 不是新概念，但 OpenRouter 把成本算得明明白白，sticky routing 配合 session_id 解决了缓存漂移的痛点，做 agent 的人该抄作业。
OpenRouter@OpenRouter精选AI 评分6868推荐理由：OpenRouter 的 grok-latest 别名让开发者零代码升级到 Grok 4.5，虽然是个小功能，但省掉了版本切换的繁琐，用 Grok 做产品的团队现在就该把端点切过去。