7月18日，Kimi K3发布仅两天后便跻身OpenRouter日榜前十，当日调用量约为1,420亿token。与此同时，GLM-5.2、Nemotron和DeepSeek等开放权重模型的使用量也超过了部分Claude Opus模型，标志着开源模型已正式进入主流API调用市场。

K3的迅速走红也暴露了一个现实问题：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错误。模型开放权重，并不意味着市场立刻拥有足够的GPU将其稳定运行起来。这揭示了开源模型生态中一个关键瓶颈——推理基础设施的供给弹性。

过去两年，市场最关心新模型是否超越了OpenAI和Anthropic的闭源模型。但进入真实应用后，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。模型选择已从季度采购决策变成了任务级变量。

OpenRouter正是解决了其中最直接的一层问题。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。据The Information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，由CapitalG（Alphabet旗下成长基金）领投，NVentures、ServiceNow Ventures、Snowflake Ventures、Databricks Ventures等参与。

文章作者Haina认为，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？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？

从起源看，OpenRouter的起点仅600美元。2023年3月，前OpenSea高管Alex Atallah发现，斯坦福团队用GPT-3生成合成数据微调Meta的Llama，整个过程只花了约600美元。这让他意识到模型生产门槛将持续下降，未来可能不是三五个模型，而是成千上万个。他先做了开源Chrome扩展Window AI，几个月后OpenRouter上线，将分散的模型收进一个兼容OpenAI的API。

Model routing实际上包含四个层次：Model selection（根据任务选择模型）、Provider routing（在同一模型的不同供应商之间选择）、Execution control（管理重试、fallback、cache等）、Enterprise governance（管理身份、权限、数据政策）。OpenRouter当前的优势在于模型采购入口与provider routing，但execution control和enterprise governance仍有更靠近应用、云和数据平台的竞争者。

开源模型的双刃剑效应明显。OpenRouter与a16z分析显示，截至2025年11月，open-weight模型约占平台流量的三分之一；中国开源模型的周度份额曾从1.2%升至接近30%。2026年变化更快：DeepSeek的份额从约9%升至18%，中国模型的token份额在6月初已超过美国模型。然而，约52%的开源token来自roleplay，编程占15%–20%。开源越便宜，token可能越多，但GMV与平台费未必同速增长。

Provider routing的价值在DeepSeek V4 Pro上体现得淋漓尽致。2026年7月13日，该模型在OpenRouter上由16家provider提供，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。模型权重相同，实际产品体验取决于运行它的人。

客户群呈现不对称金字塔：AI-native公司是当前GMV引擎，企业客户更像上行期权。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。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。

最终，最值钱的routing不一定属于OpenRouter。2026年6月论文Agent-as-a-Router显示，在约1万个coding task上，仅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循环，router可在部署中持续学习。这暗示，掌握任务完成反馈的应用层或Agent harness，可能拥有更深的model selection信息优势。