OpenRouter 已宣布与 Stripe 达成收购协议。若从 2023 年正式上线算起，到现在不过三年左右，这家公司就完成了从早期产品到被大型平台收购的重要跨越。
OpenRouter 一开始的定位很清晰：做“LLM 的统一接口”。如果用更容易理解的话说，就是把不同大模型的调用方式尽量整合到一个入口里，方便开发者统一接入和管理。产品上线初期，平台只支持 4 个模型，分别是 GPT-3.5、GPT-4、Together 的 GPT NeoXT 和 Cohere xlarge。
回头看 OpenRouter 的起点，会发现它最初建立在两个核心判断之上。第一，AI 的使用规模会持续扩大，并逐步进入更多真实业务场景；第二，市场不会长期只剩一个模型，而是会出现大量模型并存的局面，不同模型会在能力、成本和适用任务上各有分工。
后来的行业变化说明，这两个判断不仅成立，而且落地速度和影响范围都超过了当时不少人的预期。
自产品发布以来，OpenRouter 平台处理的 Token 数量增长约 3 万倍，按当前年化口径计算已超过 4500 万亿 Token，平台支出规模也随之明显上升。与此同时，平台支持的模型数量也从最初的 4 个扩大到 500 多个。
图：从成立到被收购，OpenRouter Token 使用量增长情况
Menlo Ventures 表示，其见证并参与了 OpenRouter 的成长过程。2025 年 3 月，Menlo 通过与 Anthropic 合作设立的 Anthology Fund 参与了 OpenRouter 的种子轮融资。
在团队背景方面，OpenRouter 创始人兼 CEO Alex Atallah 曾共同创办 OpenSea，后者估值一度达到 133 亿美元。联合创始团队还包括 Alex 在 Discord 上结识的技术合伙人 Louis Vichy，以及 COO Chris Clark。
到了 2025 年 5 月，Menlo 领投 OpenRouter A 轮融资，Matt 加入董事会，Deedy 担任董事会观察员。今年稍早，基于 OpenRouter 客户数量与收入的快速增长，以及其围绕模型选择与评估持续强化“模型智能”能力的产品路线，Menlo 也继续参与了 B 轮融资。
在科技行业里，一项判断从少数人的前瞻认知，逐步变成行业共识，通常需要较长时间。
而就在最近几周，这种变化开始集中体现。从 Ramp 到 Cursor，已有超过 10 家公司几乎在同一时期推出各自的模型路由产品。短短几年间，OpenRouter 已成长为 AI 基础设施领域中不可忽视的参与者之一。
图：确定领投 OpenRouter A 轮时的合影
从直觉上看，Stripe 似乎不是 OpenRouter 最容易让人第一时间想到的收购方。但如果从基础设施公司的逻辑出发，两者的相似性其实很明显。
它们都通过一个可以直接接入的 API，把原本复杂、分散、门槛较高的流程做成标准化接口，再从流转过程中收取一定比例的费用。不同的是，Stripe 处理的是支付流，OpenRouter 处理的是 AI 模型访问与调用流。
按照 Stripe 一贯的表达方式，两家公司结合后的底层目标，仍可归结为同一件事：提升“互联网 GDP”。
事实上，早在一年多以前，OpenRouter 就已经把自己定义为“LLM 领域的 Stripe”。
OpenRouter 的核心价值：统一模型接口与 AI 基础设施能力
对 Menlo 来说，OpenRouter 是 Deedy 于 2024 年加入 Menlo 后最早接触的项目之一，而且这家公司几乎位于其 AI 基础设施投资逻辑的中心位置。
Menlo 在《2024 企业 AI 报告》中提出，投资 OpenRouter 需要两个前提同时成立：一是 AI 支出会持续大幅增长；二是开发者不会长期只依赖单一模型，而是会并行使用多个模型。
图：Menlo 最初发给 OpenRouter 的联系邮件
对于长期写代码、频繁调用模型的团队来说，他们很早就意识到，不同模型在成本、延迟、性能和适用任务上存在明显差异。
换句话说，不是所有任务都需要最强、最贵的模型。比如执行一些简单的 NLP 任务，或者从文本里识别实体时，通常并不一定要调用像 Fable 这样能力更强、价格也更高的前沿模型。
但现实问题在于，如果用户要分别去不同模型厂商官网注册、创建 API Key、保管密钥、适配各家并不完全相同的 API 规范，再独立管理所有模型，实际使用流程就会变得非常繁琐。
所以，“统一模型网关”听起来像是一个简单概念，本质上却是一个复杂的基础设施问题。它不仅是把接口放到一起，更涉及稳定性、流量调度、供应管理、兼容性维护等长期工程工作。真正愿意自己搭建并长期维护这套系统的团队并不多。
在风险投资行业里，常会讨论所谓“护城河”。很多人首先想到的是技术门槛，但在 OpenRouter 这里，更突出的护城河其实是一种规模效应。
随着用户规模扩大，OpenRouter 更容易预测模型需求，承载更高流量负载，也更有能力与模型实验室签订更大规模的合同，从而获得更稳定的 Token 供需关系。
继续往下看，这会形成一个正向循环：新的模型实验室为了获得分发能力和更高的用户触达效率，也会更倾向于优先接入 OpenRouter。
Menlo 还观察到了另一条与开发者生态有关的趋势。
随着 vibe coding 的普及，软件创业公司的数量快速增加。对很多希望进入企业市场的产品来说，真正能被企业采购的，往往是那些先在企业内部开发者群体中建立起使用习惯和信任度的产品。
Anthropic、OpenAI、xAI、Cursor、Cognition、ElevenLabs、Lovable 和 Fireworks 都走过类似路径：先赢得开发者，再进入企业市场。
OpenRouter 的发展轨迹也呈现出相似特征。
自 Menlo 投资以来，OpenRouter 的关键变化包括：
- 平台处理的 Token 数量已达到上线初期的 3 万倍，过去三年维持约 33% 的月度增长，平均每 11 周翻一倍。
- 模型市场同步快速扩张。中国出现了 DeepSeek、GLM、Kimi 等开源模型，此外还有 Grok、Meta 和 Thinking Machines 等公司的模型。目前 OpenRouter 已接入超过 80 家模型提供商的 500 多个模型，服务约 1000 万用户。
- 不少重要新模型会优先登陆 OpenRouter，包括来自 OpenAI、X 和 Meta 的模型。Mark Zuckerberg 曾专门宣布 Muse Spark 上线 OpenRouter，Elon Musk 也有类似动作。OpenAI 还会通过 OpenRouter 提供 Terra、Luna 等模型的专属折扣。
- OpenRouter 以产品驱动增长的方式也延伸到了企业市场。其企业产品销售周期在 Menlo 所见项目中属于较快的一类，企业可以借此统一分配模型资源、控制访问权限，并管理内部 AI 预算。
- 由于 OpenRouter 能够统一与不同模型提供商谈判合同，即使面对最前沿模型，也能提供较高的服务可用性。
OpenRouter 是如何发展起来的：从早期产品到找到 PMF
对于长期创业的人来说，找到产品市场契合度，也就是常说的 PMF，并不是一条直线。简单理解，PMF 指的是产品真正满足了市场需求，用户愿意持续使用，增长开始变得更自然。
OpenRouter 的成长过程同样如此。
它的故事可以追溯到 2023 年 4 月 5 日。当时团队推出了一款名为 Window 的 Chrome 扩展，允许用户在互联网上不同的聊天应用中同时调用多个模型。
团队最初想解决的问题，是帮助用户避免被单一模型厂商锁定，同时也不必为了使用不同模型，把自己的 API Key 分别交给不同应用。
这一产品的设计灵感来自加密 wallet，这一点也与 Alex 此前创办 OpenSea 的经历存在关联。Window 在最初阶段共支持 4 个模型。
2023 年 4 月 24 日，Window 的 GitHub 代码库中首次出现了“OpenRouter”这一名称。
大约一个月后，团队接入首批 Anthropic v1 模型，并开始根据 Prompt 自动把请求分配给更适合的模型，同时推出了后来被广泛关注的模型排行榜，也正式开始使用 OpenRouter 这一名称。
2023 年 8 月 10 日，团队正式将产品更名为 OpenRouter，口号是“A unified interface for LLMs”，也就是“LLM 的统一接口”。
当时，OpenRouter 每周处理约 30 亿 Token。和今天相比，那时排行榜上的模型构成与如今市场熟知的主流模型已经明显不同。
此后，团队推出 Playground，让用户可以通过一个统一聊天界面，同时获得多个模型的回答结果。
到当年 11 月，OpenRouter 已支持 52 个模型，接入超过 2000 个应用，每周处理约 80 亿 Token。
也正是在这个阶段，团队真正找到了 PMF。
模型路由的未来方向：OpenRouter 如何理解 AI 网关与选模能力
和不少人的直观理解不同，OpenRouter 最核心的产品价值，并不只是“帮助用户路由 Token”，而是成为一个高效、稳定、足够好用的 AI 网关。
这里可以把“AI 网关”理解为一个统一入口：开发者不需要分别对接多个模型厂商，而是通过一个接口访问不同模型，再按自己的业务需求决定怎样分配调用。
虽然 OpenRouter 确实提供 Auto Router 自动选模能力，但对多数开发者而言，他们使用 OpenRouter 的主要原因，仍然是通过统一入口访问不同模型，然后再根据自己的场景决定如何进行模型路由。
近期，企业在 LLM 上的支出持续快速增长，这已经成为 Uber、Coinbase 和 Microsoft 等公司需要正面应对的现实问题。
因此，“模型路由器”作为一种成本控制方案，自然成为行业讨论热点。
如果一个 AI Agent 在执行任务时需要拆分成多个子任务，那么并不是每个任务都必须调用最昂贵的模型。相对简单的任务，完全可以交给成本更低的模型完成。
过去几周，整个行业似乎集中意识到了这一点。从 Ramp 到 Cursor，已有超过 10 家公司推出了自己的模型路由器。
不过，真正的问题在于，仅凭 Prompt 本身来决定模型选择，未必足够有效。
在 Agent 场景中，一个任务可能会持续很长时间。要判断某个请求究竟应该交给哪个模型，需要理解大量上下文信息，而不是只看一句输入。
例如一句看似简单的指令：“在代码库里找到这个文件。”
有时，这只需要一个便宜且简单的 LLM；但在另外一些情况下，它可能必须调用最前沿模型。差异取决于代码库规模，也取决于此前任务过程中已经累积了怎样的上下文。
在多步骤 Agent 任务中，如果路由器在某一步选错了模型，这种偏差的成本可能会在后续步骤中不断放大，最终影响整体结果质量。
因此，一个真正有差异化能力的模型路由产品，基础并不只是一个简单的“模型选择算法”，而是一个优秀的统一 API，以及足够大的真实用户规模。
也正是这些用户，让 OpenRouter 在外界尚未充分注意到的阶段，逐步积累起规模可观的数据集，其中包括用户提交了哪些 Prompt、这些 Prompt 最终调用了哪些模型、任务过程中包含了哪些上下文，以及最终得到了怎样的结果。
这部分能力，才是模型路由真正关键的底层资产。
在真实生产环境中，OpenRouter 可以在尽量维持效果的前提下，通过更合理的模型路由帮助企业控制成本。
如果沿着这条路线继续发展，未来开发者或许不需要再自己搭建复杂的评测体系，也不必为了适配不同模型而反复修改 Prompt。
他们可能只需要登录后台，就能看到类似这样的提示：“你的代码库中有一部分场景主要用于摘要。如果把 GPT 5.6 Sol 换成 Muse Spark，每年可以节省 10 万美元。我们已经自动替你完成了相关评测。”
这被视为模型路由未来可能演进的一个方向。不过，相关能力如何真正落地、效果如何验证，仍需结合实际业务场景观察。
从支付基础设施到 AI 基础设施：Stripe 收购 OpenRouter意味着什么
Stripe 与 OpenRouter 在发展路径上具有较高相似性。两家公司都先赢得开发者，再逐步进入大型企业市场，产品设计语言也都偏向简洁、直接。
Andrej Karpathy 曾将 OpenRouter 称为 AI 的“转换开关”。而 Stripe 所做的事情，从支付处理体系来看，本质上也扮演着类似的“开关”角色。
因此，这笔收购被视为 AI 时代基础设施领域较早出现的一笔大型交易，而且很可能不会是最后一笔。围绕模型、成本控制与算力管理的基础设施正在逐步成型，这些底层能力也在推动新一代平台型公司的形成速度进一步加快。
对于关注 AI 基础设施、模型路由、统一模型接口和企业级 LLM 管理的人来说，OpenRouter 的成长路径提供了一个相对典型的观察样本。不过也需要注意，行业发展仍然很快，技术路线、商业格局和平台能力都可能持续变化，相关判断仍需结合后续进展动态观察。本文仅用于信息梳理与行业理解，不构成任何投资建议。
