7月18日，Kimi K3釋出僅兩天後便躋身OpenRouter日榜前十，當日呼叫量約為1,420億token。與此同時，GLM-5.2、Nemotron和DeepSeek等開放權重模型的使用量也超過了部分Claude Opus模型，標誌著開源模型已正式進入主流API呼叫市場。

K3的迅速走紅也暴露了一個現實問題：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錯誤。模型開放權重，並不意味著市場立刻擁有足夠的GPU將其穩定執行起來。這揭示了開源模型生態中一個關鍵瓶頸——推理基礎設施的供給彈性。

過去兩年，市場最關心新模型是否超越了OpenAI和Anthropic的閉源模型。但進入真實應用後，開發者需要回答的問題更多：資訊抽取可以交給便宜模型，複雜判斷呼叫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、快取和穩定性。模型選擇已從季度採購決策變成了任務級變數。

OpenRouter正是解決了其中最直接的一層問題。它讓開發者用一把key接入400多個模型和70多家provider：新模型釋出後可以快速測試；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。據The Information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，由CapitalG（Alphabet旗下成長基金）領投，NVentures、ServiceNow Ventures、Snowflake Ventures、Databricks Ventures等參與。

文章作者Haina認為，更值得思考的是，Vercel、Cloudflare、雲廠商和開源gateway都能統一模型介面，OpenRouter能守住哪一層價值？Model Routing的價值會沉澱在哪一層？OpenRouter能否從預設入口走向更高價值的orchestration，同時保住中立性？

從起源看，OpenRouter的起點僅600美元。2023年3月，前OpenSea高管Alex Atallah發現，斯坦福團隊用GPT-3生成合成資料微調Meta的Llama，整個過程只花了約600美元。這讓他意識到模型生產門檻將持續下降，未來可能不是三五個模型，而是成千上萬個。他先做了開源Chrome擴充套件Window AI，幾個月後OpenRouter上線，將分散的模型收進一個相容OpenAI的API。

Model routing實際上包含四個層次：Model selection（根據任務選擇模型）、Provider routing（在同一模型的不同供應商之間選擇）、Execution control（管理重試、fallback、cache等）、Enterprise governance（管理身份、許可權、資料政策）。OpenRouter當前的優勢在於模型採購入口與provider routing，但execution control和enterprise governance仍有更靠近應用、雲和資料平台的競爭者。

開源模型的雙刃劍效應明顯。OpenRouter與a16z分析顯示，截至2025年11月，open-weight模型約佔平台流量的三分之一；中國開源模型的周度份額曾從1.2%升至接近30%。2026年變化更快：DeepSeek的份額從約9%升至18%，中國模型的token份額在6月初已超過美國模型。然而，約52%的開源token來自roleplay，程式設計佔15%–20%。開源越便宜，token可能越多，但GMV與平台費未必同速增長。

Provider routing的價值在DeepSeek V4 Pro上體現得淋漓盡致。2026年7月13日，該模型在OpenRouter上由16家provider提供，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。模型權重相同，實際產品體驗取決於執行它的人。

客戶群呈現不對稱金字塔：AI-native公司是當前GMV引擎，企業客戶更像上行期權。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。當平台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。

最終，最值錢的routing不一定屬於OpenRouter。2026年6月論文Agent-as-a-Router顯示，在約1萬個coding task上，僅加入按任務維度統計的歷史效能資訊，就帶來15.3%的相對提升；進一步把執行結果放回迴圈，router可在部署中持續學習。這暗示，掌握任務完成反饋的應用層或Agent harness，可能擁有更深的model selection資訊優勢。