2026年8月2日，全球多模型聚合平台Open Router发布最新一周AI大模型调用量榜单，排名前五的产品均是中国AI。登顶榜首的是此前没有多少声量的小米MiMo-V2.5，单周调用量达到10.5万亿Token，环比增长12%。排名第二和第五均是DeepSeek的两款模型。排名第三的是7月6日才正式开源腾讯混元Hy3，单周环比增幅超999%，是榜单中增长势头最猛的模型。
一、
这个榜单被解释为中国AI超过美国。这个说法不能说错，但过于简化。
Open Router是一个AI模型聚合平台，提供统一的API接口和交互界面。OpenRouter主要干了以下几件事。
Open Router的Token统计、榜单、个人用量账单，只统计经过Open Router网关转发的请求流量。模型厂商自研App、官网、C端产品、内部业务系统消耗，厂商私有化部署等等，均不计入这个榜单。比如，Kimi、DeepSeek、OpenAI自己的官网聊天、APP、内部业务调用，均不计入Open Router的这份榜单。榜单里的用量，全部是第三方开发者、海外用户、下游应用通过Open Router平台产生的调用量。
主要分析它自己平台上的流量，根本没法涵盖全世界各种LLM的应用场景。一家国内领先的互联网公司，为了确保数据安全和获得专属折扣，直接和OpenAI签订了年度合作协议。再比如，像金融、医疗这些，要求高隐私和高合规的行业，通常都自己搭建私有化AI。
二、
其实，这个趋势早就出现了。2026年4月开始，中国AI的Token调用量就已经连续十三周超过美国AI。
出现这个趋势的原因很多。
随着AI发展，当下AI的算力支出的重点，从模型训练转向更大规模的推理功能。AI智能体（Agent）的兴起相关，AI应用从处理简单问答转向由智能体执行复杂任务，推动了包括编程需求在内的Token消耗的显著增长。与此同时，随着AI深入各个行业，成为一种常态化的成本，就必然会加入成本考量。
成本一直是中国的优势所在。中国的AI成本优势源于多个方面。首先，根据公开数据及专家调研估算，部分中国头部模型的训练成本可能仅为美国同行的十分之一。其次，在推理上，基于MoE（混合专家）架构，中国主流模型单次推理激活的参数比例普遍在个位数到10%，远低于美国的15%至30%。这直接降低了单次推理的成本。第三，就众所周知的基建优势，中国在电力与数据中心运维等成本上，有优势。在AI聚合平台OpenRouter上，中国模型的费用低至每百万Token 18美分，而美国模型则为4美元，形成了超过20倍的成本差距。
正是基于这样的优势，Kimi K3发布后，海外付费用户增长4倍，API（应用程序接口）收入增长400%。MiniMax公司服务的全球企业和开发者客户数已超百万，较半年前增长5倍。
三、
Open Router的出现，向用户提供了一种简单的省钱的方式。OpenAI、Anthropic的战略重心是做底层模型，而非自建生态，这就给了Open Router机会。
Open Router主要做了以下几件事。
第一，多模型聚合：整合了包括GPT-4、Claude、Mistral等20余种主流大语言模型。第二，支持统一调用，用单一API适配多模型开发需求。第三，智能路由优化，自动分配最优模型处理请求。这个自动分配的逻辑，不仅仅是性能的配对，也包括成本。用户按需付费模式，且提供免费使用额度
它既没有自己的大模型，也不拥有底层算力，更像是一个“流量调度中心”入口。它给开发者提供自动路由、开发生态、故障切换一整套工具。通过OpenRouter的接口，可调用400多个模型，且无需逐一申请。Open Router根据用户的需求和预算，平台自动把请求发给当前最便宜且可用的模型。当这一套系统变得平滑、流畅后，在性能能够满足需求的情况下，开发者普遍更愿意调用更具性价的模型。Open Router的收费是透明的，在底层模型商的定价上收取5.5%的平台费。
2026年5月，OpenRouter宣布完成1.13亿美元B轮融资，由谷歌母公司Alphabet旗下成长基金CapitalG领投，英伟达NVentures等知名风投机构跟投，原有股东a16和Menlo Ventures也继续加码支持。完成融资后，Open Router估值飙升至13亿美元，比一年前的5.47亿美元翻了一倍多。
Open Router的价值，并非仅仅在于干流量调配的活。其真正价值来自智能调度、更稳定的服务与更深层的开发场景绑定，以及由此产生的用户和数据资产。
四、
Open Router模式未来的发展，关键点在于，到底是渠道为王，还是技术通吃？一方面，模型厂商可以通过限制接口等方式，逼迫用户转移，那么，聚合平台就很脆弱。但另一方面，如果AI模型同质化，AI模型厂商就会沦为真正意义上的基础设施。就像你用电的时候不会关心，电是哪家发电厂发的。
众所周知，现阶段大模型遵循尺度定律，即随着模型规模（参数量）、数据集规模（Token）和计算量（FLOPs）的增加，训练损失会按照幂律（power law）持续下降。这是人工智能领域的一个关键定律。与此同时，生成式人工智能，作为一门生意，它和其他互联网生意的不同之处在于，它无法实现边际成本递减。更多的用户，更多的需求，并不会带来边际成本递减，“token”，成本呈指数级增长。这对用户成本来说，就会产生成本考量。
与此同时，一个更大层面的规律，也在逐渐出现，那就是边际生产力递减规律。
所谓边际生产力递减规律又称边际报酬递减规律或边际产量递减规律，是指在技术水平和其他生产要素投入保持不变的条件下，连续等量增加某一种可变要素投入时，其边际产量会经历先递增后递减的过程。
边际产量递减规律在AI领域的一个表现就是：模型性能趋同。当前 AI 领域已显现边际生产力递减规律的回归迹象，单纯依赖扩大参数的规模扩张路径已遇瓶颈。随着高质量数据枯竭、算力成本飙升及架构瓶颈出现，单纯推高规模带来的边际性能增益已显著放缓。
或者更精确地说，性能已经和成本放到了同一层面的考虑，用户开始需那种性价比更高的——当用户选择性价比更高的时候，就意味着，性能不再具有压倒性优势。
Open Router的出现，以及未来发展的关键所在。一个更大的启示是，to B的AI，始终面对的是理性的用户，只有to C的AI，才能通过习惯、情感，建立护城河，并获得高溢价。
（本文仅代表作者本人观点，责编：闫曼 man.yan@ftchinese.com)