OpenRouter榜单信用贬值：流水、考卷与圣杯背后的定价权博弈

事件概述

当前全球大模型评价体系中，以OpenRouter为代表的API聚合商榜单、Artificial Analysis（AA）的智力评测榜以及ARC-AGI系列“圣杯”榜，正面临严重的信用危机。分析认为，这些榜单并非公正的市场度量衡，而是被商业利益、地域偏好和算法迭代所扭曲的工具。中国模型在这些榜单上虽占据调用量高位，但未能转化为相应的营收优势或话语权，反而陷入“替他人抬轿”的困境。

核心信息

1. OpenRouter榜单：流量伪装成实力的营销场

• 本质是私人流水单：OpenRouter作为API聚合平台，不赚取模型差价，仅通过充值手续费盈利。2026年8月，支付巨头Stripe以超70亿美元收购OpenRouter，使其从单纯的聚合商变为支付基础设施的一部分，掌握了钱路口子。
• 数据失真与地域偏差：
  • 样本局限：OpenRouter周调用量仅占全球总量的约2%，且用户结构中美国占47.17%，英语占82.87%，中文不足5%。这并非“全球投票”，而是以美国开发者为主的区域性数据。
  • 价格驱动排名：榜单前列常被低价或免费模型占据。例如，“太空兔”（Space Bunny）匿名上线期间凭借0.03倍积分的超低定价冲上榜首，随后官宣接入腾讯WorkBuddy并关闭免费入口，形成“匿名刷榜-官宣收钱”的标准流水线。冠军更替频繁，反映的是促销力度而非技术代差。
  • 统计口径漏洞：所谓“周榜”实为滚动7天窗口，数据随窗口滑动剧烈波动，同一模型在不同时间点抓取的数据差异巨大，无法真实反映长期趋势。

2. Artificial Analysis（AA）榜单：偏向美国职场的定制化考卷

• 考纲脱离中国市场：AA v4.1版中权重最高的GDPval评测由OpenAI出题，侧重美国白领的真实工作任务（如咨询备忘录、专业图表）。而中国市场的核心痛点在于即时通讯、审批流及低成本人力替代，两者错位导致中国模型在通用能力上表现优异，但在该特定维度得分不高。
• 规则频繁变动：2026年9月，AA在短时间内连续发布v4.2至v4.3.2多个版本，更换评测科目、调整权重甚至退役旧题。这种“换尺子”操作导致历史分数失去可比性，削弱了榜单的权威性。
• 裁判独立性存疑：部分评测依赖AI自动评分器预测人类专家判断，且评分模型本身也在快速迭代，存在“亲戚当裁判”的风险。

3. ARC-AGI榜单：圣杯折旧与规则操控

• 防刷机制失效：旨在测试模型“现场悟规律能力”的ARC-AGI系列，在2026年被前沿模型本体迅速攻破。GPT-6 Astra在标准口径下得分62.7%，而在允许使用OpenAI专有接口的Provider Adapter口径下高达99.9%。
• 东道主定制规则：高分为依托于特定厂商的接口特性（如上下文压缩），使得不同厂商间的对比失去公平性。新版本的推出导致旧成绩作废，榜单的保质期大幅缩短。

值得关注

• 三权旁落风险：中国模型在OpenRouter上消耗大量Token，但大部分收入流向美国平台；在AA榜单上因考纲偏科难以获得认可；在ARC榜单上受制于美国厂商的接口规则。这反映出中国在AI领域的定价权、情报权和准入权正在流失。
• 未来观察点：
  1. AA是否再次进行大规模版本更新或规则调整。
  2. Stripe整合OpenRouter后，榜单是否进一步演变为支付入口的商业工具。
  3. “匿名刷榜”模式是否成为行业标配。
  4. 类似“太空兔”的短期折扣结束后，市场回归常态的价格体系变化。

结论：榜单的权威源于信任，而信任正被商业玩法挤兑。对于行业参与者而言，应摒弃对单一排名的迷信，转而关注长期趋势、具体版本号下的数据对比以及真实的单位任务成本。