Story

（本文作者为 穷奇观察，钛媒体经授权发布）

文 | 穷奇观察

模型时代最贵的资产是排名。

而正在给全世界大模型排名的那几张表，是几家美国公司的内部流水。国内判断自家模型成色最快的方式，是看它在这几张流水单上跑第几。

这个错位，值得验一次尸。

流水单怎么变灯塔

OpenRouter，美国公司。它做的事一句话就能说完：把各家大模型的API挂在一个货架上，开发者从它这过一道手。Token是模型计价的基本单位，可以粗略理解成文本被切碎后的"字块"；API是程序之间点菜下单的窗口。它不挣模型的差价——上游标多少钱，它就按多少钱过手，一分不加；它挣的是你充值那一下的手续费。性质上，这是美国版的硅基流动。同一个物种：私人API聚合商，赚的是过路费。

要补一句后来发生的事：2026年8月，支付巨头Stripe敲定收购OpenRouter，交易金额超过70亿美元，是它不到三个月前13亿美元估值的五倍多。这家柜台不再是一家小公司，它变成了支付基础设施的一部分。一家掌握钱路口子的公司给自己发排名，这层窗户纸比原来薄得多。

认识了这个物种，再看它头上那圈光环。国内科技媒体引它的榜单，句式整齐划一：全球开发者用Token投票、开发者市场认可度第一。太空兔登顶那阵子，中文互联网的快标题几乎复制粘贴同一张截图。

同一个物种，换了个国籍，待遇天差地别。硅基流动要是发一份"本周调用量榜"，国内开发者会当回事吗？不会。谁都知道那是人家柜台里的流水，反映的是硅基流动的渠道，不是市场的口味。

可OpenRouter的同款流水，到中国就成了"全球公投"。

榜单的迷信，迷信的不是数据，是数据的出身。

这单子不代表市场

"调用量"三个字听起来是市场总量，实际上它只是"通过OpenRouter这一个渠道中转的Token数"。模型厂商的直销API，OpenAI和Anthropic的官方接口、微软Azure、亚马逊Bedrock、谷歌Vertex，一点流量都不在这张表里。

中国信通院人工智能研究所国际发展部主任许珊今年3月给过一记清醒的闷棍：OpenRouter每周的Token调用量，只占全球总量的2%左右。她还补了一句更要命的——OpenRouter上那些中国模型服务，数据中心实体大多部署在海外，海外开发者用的是部署在海外云平台上的服务。钱和Token都出了国门，电力却没从中国电网流出去。

拿这张表描绘全貌，等于拿一个批发市场的出货单当全国经济普查。

平台自己的用户结构也说明问题。美国用户占47.17%，中国用户占6.01%；按语言算，英语占82.87%，中文不到5%。这根本不是"全球投票"，是以美国开发者为主的投票。它在全球最有影响力的地方，恰恰是它最不全球的地方。

还有一层更反直觉的。榜单上中国模型确实强。9月21日至27日那一周，中国模型在榜上处理62.22万亿Token，美国模型14.2万亿，连续二十二周领先。可这个"强"恰恰证明榜单失真，因为它衡量的是同一件事：谁能把量堆起来。

看最扎眼的一个数。那一周榜首被统计出19.6万亿Token，前十名里中国模型占了大半。

真正把量堆到榜顶的，不是能力，是价格。DeepSeek V4.1 Flash的闲时价是每百万Token输入0.15美元，GPT-5.5的输入价是5美元，中间隔着三十多倍。当一个开发者在跑Agent工作流、一次会话要调上千次模型，这个倍数不是脚注，是每天滚过去的预算线。

而榜首这个位子，是按月换人的。三月中旬，MiniMax M2.5以1.75万亿Token连着第五周坐第一；到八月初，位置换成小米的MiMo-V2.5，单周10.5万亿，周榜和月榜一起拿第一；九月下旬，DeepSeek V4.1 Flash以19.6万亿接棒；九月底当周，第一名又换成刚上线不久的匿名太空兔。冠军不固定，说明它不是"谁的模型最好"，是"这个月谁的价格砸得最狠"。 榜单把一场打了半年的价格战，压缩成一周的照片，照片上写着"全球第一"。

还有更荒的一层。同一个官方页面，同一只兔子，隔两天再看，数字就变了。页面标注"数据截至9月30日"时，它是33.5万亿；改标"截至10月2日"，它变成28.4万亿。同期DeepSeek V4.1 Flash从24.2万亿变成22.7万亿，GLM 5.3 Flash却从9.67万亿涨到10.6万亿。三条线不同向。

这不是谁在造假，是那个"周"字本身。OpenRouter的周榜是个滚动7天的窗口，每天关一天、开一天。窗口每往前挪一次，被挤出去的那几天的量不会补回来，换进来的是新几天的量。同一只兔子，同一张榜，隔两天两次抓取就差了5.1万亿。也就是说，一个滚动窗口挪两天造成的波动，抵得上一只中等模型一整周的生意。

这一栏的表头写着"周调用量"，可它没有"周"。真实存在的只有一个持续往前爬的滚动窗口，和一串每天刷新的名字。所谓周榜，是把一个没有单位的读数，硬按进日历的格子。

拿这张表说"全球开发者选择"，相当于拿黄金周的高速车流套全国全年的出行数据。车是真车，路是真堵：折扣期一到，平时封在车库里的车全出来了，服务区排成停车场。但没有人会拿这七天的车流，去推断全国人民平时怎么通勤。

免费放出来的流量，是价格放出来的，不是需求投出来的。

不谈价格就是耍流氓

调用量是价格弹性最大的指标，没有之一。这不是一句俏皮话，是这张表最硬的物理规律：调用量是"单价×次数"的乘积，而次数对单价的敏感度，远高于对模型好坏的敏感度。开发者换模型要重新调prompt、要担重跑的风险；开发者换到便宜一档的模型，什么都不用改。

9月23日上线的"Space Bunny"，一只匿名兔子，10月2日经腾讯WorkBuddy国内独家接入，定价0.03倍积分——作者亲测，截至发稿它仍在线可调。0.03倍是什么概念：同样的预算，能调三十倍量的Token。

黄金周的车流里，没有一公里是按日常费率跑出来的。

折扣本身就是刷量加速器。免费匿名期更是官方开的薅羊毛窗口：提供方一栏写着"匿名"，价格一栏写着"免费"，调用量一栏写的是"不限量"。

调用量这张表的水分至少三层。批量任务型调用：一个仓库级的代码分析任务，一次吃掉普通人一个月的对话量，表上却只算一个"用户"。羊毛型调用：免费额度不薅白不薅，脚本挂着跑，Token哗哗走。自调型调用：厂商自己反复调自己的模型做测试，对外呈现为"市场热度"。

所以调用量这个指标，测的根本不是能力，是三样东西的乘积：性价比、促销力度、羊毛厚度。同一张表上，正价模型的1万亿Token和补贴模型的1万亿Token，含金量差着几个数量级，表上显示的是同一个数字。

失真才是卖点

现在才能讲兔子的事。

2026年9月23日，一个叫"Space Bunny"的模型匿名挂上OpenRouter。没有发布会，没有公司名，没有技术报告，没有价格。上线五天，它就以匿名之身冲上OpenRouter周调用量榜第三（9月21日至27日那一周，它只被统计了五天）；一周之后，它以33.5万亿Token压过DeepSeek V4.1 Flash的24.2万亿，登上周榜第一，把一群有名有姓的大厂模型踩在脚下。10月2日，腾讯WorkBuddy官宣国内独家接入；OpenRouter上的免费入口10月5日关闭。

这只兔子不是第一个马甲。从今年2月到9月，OpenRouter的匿名区先后出现过八个"Alpha"：Pony Alpha（智谱GLM-5）、Hunter Alpha（小米MiMo-V2-Pro）、Healer Alpha（小米MiMo系列，社区指认）、Elephant Alpha（蚂蚁灵2.6-flash）、Owl Alpha（美团LongCat-2.0）、Ox Alpha（智谱GLM-5.3-Flash）、Union Alpha（Unbiased Pareto，三十三小时就明牌）。七个全部被认领，多数在一两周内揭晓。太空兔是第八个，截至发稿没人认领。

这套打法有个行话，叫stealth发布。不发论文，不吹牛，匿名扔到擂台上，用调用量跑出口碑，跑漂亮了再官宣收钱。半年八个马甲七个认领，这不是几次前科，是一整条流水线，匿名刷榜已经从战术变成了标配。

最戏剧的是兔子的身份。社区拿分词器（把文字切成Token的工具）做指纹比对：一份报告显示，24组测试里它全部更接近MiniMax家族；另一份更广的测量集报50个测试字符串的Token计数与MiniMax系列高度一致。可官方不认。一只兔子，两种指纹，不到确认的边界。

技术正确的说法是"高度吻合"，不是"就是"。这恰好暴露了榜单的另一个软肋：连考生的身份都验证不了，榜却已经给它发了名次。

看清楚这个循环了吗。匿名上榜，登顶截图，官宣收钱。榜单在这一刻不是裁判席，是免费的公测场加首发广告牌。而围观的人，误把它当成了市场。

恰恰因为这张表不代表市场，它才最适合当营销场。渠道失真不是这个玩法的漏洞，是这个玩法的地基。在没人当真市场的榜上跑第一，没有任何成本，只有收益。反正看榜的人以为它代表市场。

还有最后一笔实测账。OpenRouter上的免费入口10月5日关了，可腾讯WorkBuddy柜台里的那只兔子还活着——截至10月7日（发稿当天），它仍在线，仍按0.03倍积分计费可调，弹窗广告上写着"首发上线，10.2-10.7享限时折扣"。看清楚这个分工：**免费窗口开在别人的柜台上，刷完榜就关；收银窗口开在自己的柜台上，从头到尾没免过一天，用的是折扣价，还限时。**同一只兔子，两个柜台，一个负责出名，一个负责收钱——而且收银台连折扣都是倒计时："公测场加广告牌"这个说法，被兔子的两只柜台亲口证实了。

裁判下场做了东

OpenRouter靠什么活？它不挣Token的差价——上游标多少钱，它就按多少钱过手，一分不加。它挣的是过路费：你往账户里充值买credits，它在充值那一下抽一笔手续费，信用卡渠道5.5%，最低0.8美元一笔。

产品是推理，收入是充值。这5.5%是理解这门生意的钥匙——它跟模型无关，跟贵贱无关，你充一百块，它拿五块五，这钱用来调DeepSeek还是调GPT，它不关心。所以对着70亿美元的收购价，不能按每一百万Token去算那几分钱；能对上号的是另一笔账：按第三方估算，它2026年中的年化收入约1.4亿美元，年化流水约25亿美元，70亿除以1.4亿，倍率在五十倍上下。

所以这门生意从来不是杂货铺逻辑，是收费站逻辑。它真正吃的三碗饭：第一碗，资金池。开发者预充值买credits，钱先趴在平台账上慢慢扣，天量预付款是无息借款——Stripe掏70亿，买的核心恐怕就是这碗饭。跑轨道的，买下了收费权。第二碗，手续费本身。不管你走哪条路，只要钱从这条管道过，它都抽走一道；流量越大，管道越粗，这道费越厚。第三碗，叙事和数据。榜单情报和流量故事不体现在当期收入里，体现在估值里。

收费站不靠每件货赚几分，靠的是"此路是我开"的确定性。至于过路的是便宜车还是豪车，它不太在乎——只要路是唯一的。

它的推荐又偏向高调用量模型：越是跑得多的，越被推给新用户；越被推，跑得越多。

自我强化的循环。表是给自己挣钱的广告牌。

至于那张投票数据。每一次调用，每一段对话，都是免费的人类反馈标注。三重收割一次完成：榜单导流自己的交易市场，投票数据白嫖做训练，排名叙事转手卖给资本市场讲故事。

而Stripe那70多亿美元，把这个循环的终点提前写好了：一家掌握全球支付口径的公司，只要把流量再变现一次，这张榜就从"行业参考"变成"结算层入口"。它不只发排名，它还收过路费。

这里还有一层更冷的账。有报道称，OpenRouter上Claude系列只占调用量的一成出头，却拿走平台约一半的消费金额；中国模型烧掉六成以上的Token，换来的是平台营收的小头。更要命的是钱在谁口袋里：美国平台既收着中国模型的过路费，又和OpenAI、Anthropic有现成的分账关系，而美国几家大厂在OpenRouter上的合计份额，已从2025年6月的约七成掉到2026年6月的约三成。哪一边弱势，答案不问自知。

这个物种的完整画像摆在这里：一家私人聚合商，用自家柜台的流水给全行业发排名；排名喂大自己的交易量；交易量让流水更好看；更好看的流水，发下一轮排名。排名不是它的副产品，是它的商品。

流水是真的。但当不了风向标。更何况，柜台已经卖给了一个收钱的人。

考生自己印考卷

如果OpenRouter是流水榜，Artificial Analysis就是考场榜。这家旧金山小公司给各家大模型出卷子、算综合分、排座次，是目前引用最广的智能指数。

先看这张考卷的构成。今年6月15日发布的v4.1版，是九项评测加权：GDPval-AA v2占20%，Terminal-Bench 2.1占16%，τ³-Banking占14%，HLE占12%，AA-Omniscience占12%（准确率8%加非幻觉率4%），SciCode占8%，GPQA Diamond占6%，CritPt占6%，AA-LCR占6%。

权重第一名的科目叫GDPval，出题人是OpenAI。2025年9月25日，OpenAI发布这套评测：44个美国职业、1320个真实工作任务，做的是美国白领交付物：咨询备忘录、专业图表、行业报告。数据底座是美国劳工统计局的职业库。这门课考的不是智商，是美国职场的干活能力。

这20%，在美国是真金白银的刚需。一份咨询备忘录的背后，是时薪几百美元的专业人士几小时的活，AI出草稿直接省大钱；美国公司的工作流天生文档驱动，交付物就是工作本身，AI写的备忘录能直接进流程、进账单。这门课的对错，美国企业用美元投票。

同样的"知识工作"，在中国长得完全是另一副样子。干活的主体是微信群里一句话、钉钉里一个审批流、月底一张Excel。白领的人力成本是月薪几千到一万五，"AI替代白领"的账在这个人力成本下算不平。中国企业老板的真痛点是盯店、回差评、算清账。考纲里，一门都没有。

按v4.1的权重算总账：GDPval、Terminal-Bench、τ³-Banking三门，合计正好50%；另外六门通用课合计正好50%。九门课里，没有一门是中国市场的痛点课。

这里得把话说准：考纲偏科，不等于中国考生实力差，分数低不低是另一回事。真正的病是国内把这张卷子当通用成绩单供着，以及厂商真金白银砸研发预算，去对齐一门人家那里真实存在、我们这里基本虚构的活儿。

然后，尺子自己也开始动了。据公开的版本日志，9月初v4.2上线：新加AA-Briefcase和GDP.pdf两门评测，GDPval的权重被下调，GPQA Diamond因"饱和"退役。没过几天，v4.3又把τ³-Banking整门换掉，Terminal-Bench升到4.0。其后v4.3.2又对GDPval的评分锚点做了改动，改用新的拟合方式。

官方的说法是"分数动了，排名大体保留"。这话本身可能是诚实的。但代价埋得深：一张考卷四个月内换挡四次，所有跨版本的历史分数失去可比性；旧锚点一变，往后的刻度就换了一把。研究者比对前后两天的榜单存档发现，带GDPval评分的模型分数全部重标定，而当天转引这张榜的报道，几乎没有一篇写清版本号。

再看裁判。GDPval的评分，专家盲评之外，靠AI自动评分器，也就是训练来预测人类专家判断的模型；这套评委每隔几个月就换一茬最新旗舰。让考生的亲戚当裁判，给"像不像专业交付物"打分。

最微妙的是OpenAI自己下场那次的姿态。GDPval发布，它把自家GPT-5和竞品一起测：Claude Opus 4.1第一，47.6%的任务达到或超过专家水平；自家GPT-5第二，39.0%。自己办的考试，让对手拿状元。

自己家办的考试，让别人拿状元。这姿态看起来无私，其实是这个牌桌上最贵的广告。连对手都认的考卷，才是真正的考卷。

然后是付费方。AA靠卖订阅分析服务活着，客户是买模型选型的企业，和模型厂商自己。厂商既是考生，又坐在客户名单里。订阅收入给了它独立性：它不拿任何一家厂商的投资。可这个独立性是商业结构给的，不是制度给的：考纲由它一家定，权重由它一家调，版本由它一家发。这种"一行日志换一把尺子"的操作，防得住考生刷题，防不了出题人调刻度。

考纲的科目选择本身就是一种立场。当"经济价值"被定义成美国白领交付物，数学和代码的权重就被边缘化，而中国模型最锋利的恰恰是老本上那几门。

独立的生意，不独立的尺子。

圣杯按版本号折旧

第三张榜，是智商榜。

ARC-AGI系列在设计之初就立了条规矩：考"面对全新问题时现场悟规律的能力"，不许背题，号称防刷到最后。很长一段时间它确实做到了：GPT-5在ARC-AGI-2上只得9.9%，Opus 4.5是37.6%，这张卷子是所有主流评测里最后失守的高地。

失守比想象中快。2026年，模型本体就把分数推了上去：GPT-5.5拿到85.0%，GPT-5.6 Sol拿到92.5%，9月GPT-6 Astra摸到95.0%。不是外挂架构攻破的，是模型自己长上去的。出题方3月25日推出ARC-AGI-3，把静态网格换成数百个手工交互环境，没有说明书、没有规则、没有胜利条件，全靠自己在里面试。

发布当天，官方给出的数字是：人类100%，前沿AI整体0.51%。

反转来得比前一次更快，但先把一场考试拆成两场。ARC Prize官方把成绩分两套口径：Standard，最小接口，厂商中立；Provider Adapter，允许使用OpenAI Responses API专有的推理状态保留与上下文压缩。同一个模型，同一张卷子：GPT-6 Astra在Standard口径下是62.7%，在Provider Adapter口径下是99.9%，官方自己的原话是"从62.7%提升到99.9%"。而榜上并排站着的上一代GPT-5.6 Sol那个7.8%，是Standard口径的数字。拿99.9%去跟7.8%比，不是同一场考试。

更微妙的是第二套卷面的性质。"保留我们看不到的推理状态"这项能力，是OpenAI的接口独有。Provider Adapter口径测的不只是模型，还有厂商的上下文管理基建——那是美国平台的自留地。考场的规则可以被东道主定制，这一次，出题方自己把话说白了。

最干净的一组对照也藏在表里：同一个模型，隔着一张卷，从优秀跌到近乎白卷，中间没有任何厂商换卷面的干扰，纯粹是卷子换了代。

值得记住的不只是分数，是节奏。ARC-AGI-2从2025年3月24日发布，到2026年3月25日ARC-AGI-3接棒，守了一年零一天。ARC-AGI-3只守了五个多月：7月第一笔里程碑奖发出，9月3日的公告里，标准口径已被推到62.7%，开放平台口径报出99.9%。

一张以"永远刷不了"为卖点的卷子，被模型本体攻破，被迫换题，换题之后一切归零：所有旧分数作废，所有旧排名变文物。而新卷子的保质期，正在以肉眼可见的速度变短。

圣杯的含金量，按版本号折旧。而且折旧的斜率在变陡。

三张榜排在一起，病是同一种：流水榜的调用量可以运营，考场榜的考纲可以定制、刻度可以重锚，圣杯的保质期正在以月计。记分牌的权威从来不来自它有多公正，来自还有多少人信。而信用的总额，正在被三家的各自玩法同时挤兑。

榜单还能信，但已经不值钱了。信的不是分数，是分数背后那家机构的商业模式和下一次更新日志。

三张榜怎么看不亏

看趋势，不看名次。三张榜的日间波动、版本间落差，跟模型能力提升没关系。看一个模型连续四周在榜上的位置，比看某一期的第一名有用得多。名次是快照，趋势才是变化。

看版本号，看更新日志。9月里AA连改四版这件事应该刻进所有人的脑子：任何引用AI榜单分数的研究、报告和文章，都该先问一句，这是哪个版本、哪天抓的。不知道版本号的分数，等于没有分数。

看价钱，看你真正付的钱。榜单里的"能力"和成本是不匹配的。Artificial Analysis同时公布每题成本，中国开源模型在这一栏上的优势比在总分上更明显。花钱之前，参照系应该是单位任务成本，不是那张总表。

三个月后看四件事：AA是否再出一次换题或换锚点的版本，要是又换，说明九月不是事故是常态；Stripe整合OpenRouter之后榜单规则动不动，要是动了，排名从"行业参考"变"支付入口"就算落了实锤；下一只匿名兔子是否继续重复"免费登顶、官宣收钱"的流水线，要是还在跑，说明匿名刷榜已是从标配变成行规；第四件最近——太空兔的限时折扣10月7日到期，到期后是恢复原价走完漏斗，还是继续延期坐实"0.03就是常态价"，一周内见分晓。四项任何一项落地，都说明这三张榜的信用挤兑还在加速。

数据来源与说明：

• Stripe收购OpenRouter（2026年8月敲定，逾70亿美元，收购前估值13亿美元）：彭博社首发；TechTimes、CNBC、财联社、钛媒体、36氪交叉。

• OpenRouter用户与语言结构（美国47.17%、中国6.01%、英语82.87%、中文不到5%）：OpenRouter与a16z联合发布报告及官网数据页；经济观察报、每经转引一致。

• "OpenRouter周调用量约占全球2%"及"中国模型服务的数据中心实体多部署在海外"：中国信通院人工智能研究所国际发展部主任许珊，工人日报客户端（2026-03-31）原文。

• 周调用量对比（9月21至27日中国62.22万亿、美国14.2万亿、连续二十二周领先；DeepSeek V4.1 Flash 19.6万亿居首、GLM 5.3 Flash 16.3万亿第二、太空兔13.9万亿第三）：每日经济新闻（2026-09-28）测算、OpenRouter周榜数据、壹览商业（2026-09-29）独立测算一致。

• 同一页面两个抓取时点的读数差（Space Bunny Alpha：页头标"Usage data through Sep 30, 2026"时33.5万亿，标"through Oct 2, 2026"时28.4万亿，差5.1万亿；同期DeepSeek V4.1 Flash 24.2万亿→22.7万亿，GLM 5.3 Flash 9.67万亿→10.6万亿）：作者于OpenRouter官方rankings页两次实抓，页面自带data-through日期戳。注：周榜为滚动7天窗口，窗口前移会剔除旧日计入新日，官方未解释口径；正文只陈述两次读数差，未推断"缩水"成因。

• 冠军按月轮替（三月中旬MiniMax M2.5周榜1.75万亿、连续五周第一：每日经济新闻3月9日至15日口径；八月初小米MiMo-V2.5单周10.5万亿、周榜月榜双第一：央视网、艾瑞网2026-08；九月下旬DeepSeek V4.1 Flash 19.6万亿居首：每日经济新闻9月28日；九月底当周Space Bunny Alpha居首：OpenRouter官方rankings页实抓）。注：这四组数据分属不同月份、不同周窗口，文中按月份叙述，不做跨周直接比较。

• OpenRouter收入结构：不赚Token差价，Token按上游原价过手；收入来自充值手续费——信用卡5.5%（最低0.80美元/笔）、加密货币5%、BYOK超额部分5%（2026-10核验）：OpenRouter官方FAQ与pricing页；amnic.com、codenote.net、dev.to、getmegabrain.com多源交叉一致。

• stealth名单及认领情况：智谱GLM-5技术报告（Pony Alpha彩蛋）、Ox Alpha由智谱8月26日官方认领、Union Alpha由Unbiased揭晓；电子工程专辑、GitHub指纹研究、hunteralphahub.com汇编交叉。Hunter/Healer/Owl归属小米、美团为社区指认口径。

• GDPval构成（44职业、1320任务、BLS底座）与首测分数（47.6%/39.0%）：OpenAI技术报告（2025-09-25）。媒体报道另有49%/40.6%口径，本文采用论文口径。

• Artificial Analysis总部位于旧金山（另在悉尼、墨尔本设办公室，非伦敦）：artificialanalysis.ai/about及careers页（2026-10核验）。

• DeepSeek V4.1 Flash定价：DeepSeek官方价目（2026年9月，含峰谷）。GPT-5.5"5美元"为输入价，输出价约30美元/百万Token。

• WorkBuddy"0.03倍积分"定价：腾讯新闻确认独家接入与10月5日关闭免费入口；0.03倍计费、至今在线及"10.2-10.7限时折扣"弹窗为作者亲测（2026-10-07，折扣期最后一日）。

• 太空兔身份归属MiniMax：分词器指纹为社区归因线索（一份24组更接近、一份50个测试字符串高度一致），非官方确认；仅能指向MiniMax家族，不能确证具体版本。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App