OpenRouter 对比开放权重与闭源模型：用量、价格与质量差异

开放权重模型是指其训练权重被公开发布的模型，因此任何人都可以下载它、在自己的硬件上运行它、对它进行微调，或将其提供给他人使用。闭源权重模型则将其权重保密，因此使用它的唯一途径是通过构建它的公司或其授权的云服务。

在 OpenRouter 上，开放权重模型在前 50 名模型的 token 中占比从 2025 年 10 月的 27% 上升到 2026 年 9 月下旬的 72%。

简而言之

• 开放权重模型会公开其权重，因此任何人都可以运行、微调或将其提供给他人使用。闭源权重模型只能从其制造商及其授权的云服务获取。
• 2026 年 9 月下旬，开放权重模型在 OpenRouter 上处理了前 50 名模型 72% 的 token，高于一年前的 27%。
• 它们每 token 的成本约为四分之一，主要原因是许多提供商竞相为同一模型提供服务。
• 最好的闭源权重模型在 Artificial Analysis Intelligence Index 上仍高出约 11 分。可以先从开放权重模型入手，进行测试，并在需要时对相应步骤使用闭源权重模型。

什么是开放权重模型？

模型的权重是它在训练过程中学到的数字，也是你下载模型时下载的内容。将其发布（通常发布在 Hugging Face 上）可让任何人运行该模型。DeepSeek V4.1 Flash、GLM-5.3、Kimi K3 和 MiMo-V2.6-Pro 都是开放权重模型。Claude、GPT 和 Gemini 模型则是闭源权重模型。

发布权重并不意味着你可以随意使用它们。许可证差异很大。正如我们在6 月开放权重模型综述中所指出的，DeepSeek V4 Flash 以 MIT 许可证发布，而 MiniMax M3 的社区许可证要求署名，并要求较大的商业产品先获得书面许可。在基于某个模型进行构建之前，请先查看其许可证。

开放权重与开源有何不同？

按照开源促进会的定义，开源意味着你获得了研究和重建它所需的内容：对于模型而言，这包括训练数据（或在无法合法共享数据时提供关于数据的详细信息）、代码和权重。

大多数开放权重模型不会发布其训练数据，因此“开放权重”是对它们更准确的称呼。不过，搜索结果和模型页面会宽松地使用这些词，所以当你看到“开源 LLM”时，它几乎总是指开放权重。

两者分别能带来什么？

前两行正是某些团队需要开放权重的原因。他们的数据不能离开自己的基础设施，或者他们想要一个在自己的数据上微调过的模型。对于其他所有人来说，选择取决于最后三行，而价格通常是决定因素。使用数据说明了原因。

开发者使用开放权重模型的程度如何？

使用量每个季度都在增长。2026 年初，MIT Sloan 发表了一项研究，基于 OpenRouter 2025 年 5 月至 9 月的流量，发现闭源模型处理了近 80% 的 token。我们自己 2025 年末的数据看起来类似，而自那以后已经发生了很大变化。

我们根据 OpenRouter 周 token 量前 50 的每个模型的目录条目是否链接到已发布的权重，将其归类为开放权重或闭源权重：

两类都在增长。闭源权重的周 token 量从 3.4 万亿增长到 33 万亿，涨幅接近十倍；而开放权重的 token 量增长了 60 多倍。开放权重占比在 7 月达到 77.5% 的峰值，此后一直保持在三分之二以上。

过去四周使用最多的开放权重模型是 DeepSeek V4.1 Flash、GLM-5.3 Flash、Hunyuan 4 Preview 和 DeepSeek V4 Flash。闭源方面，GPT-5.6 Luna 以较大优势领先，其后是 Gemini 3.8 Flash 和 GPT-6 Luna。在两类模型中，大部分 token 量都流向了便宜、快速的模型，而非得分最高的模型。

开放权重模型更便宜吗？

通常是的。过去四周，开放权重模型按 token 量加权的标价为每百万输入 token 0.28 美元、每百万输出 token 1.62 美元。闭源权重模型则为 1.27 美元和 6.36 美元，约为前者的四倍。

主要原因是竞争。任何人都可以部署开放权重模型，因此提供商针对同一模型展开价格竞争。以下是 2026 年 10 月 21 日 OpenRouter 上六个热门模型的提供商数量，以及各端点输入价格的分布范围：

开放权重模型的价格范围很宽，因为各提供商在硬件、量化、速度和数据政策上存在差异。最便宜的端点并不总是你想要的那个，我们的评估提供商性能指南展示了如何比较它们。提供商路由让你可以按价格排序、按量化或数据政策筛选，或设置价格上限。

这两个类别也有重叠。Kimi K3 最便宜的端点比 Claude Sonnet 5.5 更便宜，但其最贵的端点价格约为后者的两倍。GPT-6 Luna 的标价为每百万输入 token 0.10 美元，低于任何 Kimi K3 提供商的收费。要比较你正在考虑的具体模型，而不是类别。

我们进行这种比较的捷径是先设定价格上限，再按吞吐量对剩下的端点排序。这只需要一个 provider 对象，即 {"max_price": {"prompt": 1, "completion": 4}, "sort": "throughput"}。超出预算的端点会被排除，你能负担得起的最快端点会最先被尝试。

开放权重模型和闭源权重模型一样好吗？

价格是权衡的一半，质量是另一半。在这方面，开放权重模型尚未登顶。在 Artificial Analysis Intelligence Index 上（由我们的基准测试端点汇总），最好的闭源权重得分是 Claude Opus 5.5 的 57.6 和 Claude Sonnet 5.5 的 56.0。最好的开放权重得分是 MiMo-V2.6-Pro 的 46.3、GLM-5.3 的 44.8 和 Step 5 Preview 的 43.7，Kimi K3 以 43.6 紧随其后。每个得分都是模型在其最高推理强度设置下的成绩。

该设置会影响这些数字，因此请在你计划运行的推理强度下比较模型。

这 11 分的差距出现在该指数所衡量的最难任务上最强模型之间，它并不能告诉你这个差距对你自己的工作负载有多大影响。我们六月的汇总在更早版本的指数上给出的差距约为 5 分，所以请把具体数字当作一个快照。

面对 11 分的质量差距与 4 倍的价格差距，我们的默认做法是先从一个开放权重模型开始，并在你自己的任务上测试它。只有当测试表明额外的质量会改变结果时，才切换到闭源权重模型。这通常发生在工作流中最难的一步，比如智能体中的规划环节，而不是每一次调用。

如何在一个应用里同时使用两者？

我们通过同一个 API 提供这两类模型，因此你可以在不重写应用的情况下混用它们。在 models 数组中先列出一个闭源权重模型，再在其后列出一个开放权重模型作为回退。

我们的模型路由工作原理指南解释了我们的尝试顺序。这个请求还把价格上限设为每百万输入 token 1 美元、每百万输出 token 4 美元。Claude Sonnet 5.5 的价格高于此，所以我们跳过它，把请求路由到 GLM-5.3 Flash：

import os
import requests

r = requests.post(
    "https://openrouter.ai/api/v1/chat/completions",
    headers={"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"},
    json={
        "models": ["anthropic/claude-sonnet-5.5", "z-ai/glm-5.3-flash"],
        # USD per million tokens
        "provider": {"max_price": {"prompt": 1, "completion": 4}},
        "messages": [
            {"role": "user", "content": "In one sentence: what is an open-weight model?"}
        ],
    },
    timeout=120,
)

data = r.json()
print(r.status_code, data.get("model"), data.get("provider"))
print(data["choices"][0]["message"]["content"] if "choices" in data else data)
print(f"${data.get('usage', {}).get('cost', 0):.6f}")

200 z-ai/glm-5.3-flash Relace
An open-weight model is a machine learning model whose trained parameters (weights) are publicly released for anyone to download, run, inspect, and fine-tune, though typically without the training data or full development details that would make it fully "open-source."
$0.000023

响应中的 model 字段显示是哪个模型作答，你也就是为这个模型付费。如果你从列表中移除 GLM-5.3 Flash，同一个请求就会失败，因为没有端点满足价格上限：

404 {'error': {'message': 'No endpoints found that satisfy the max price for this request', 'code': 404,
  'metadata': {..., 'failed_routing_step': 'Filter by Max Price'}}}

价格上限只是一种触发条件。模型回退还会在遇到速率限制、服务中断、上下文长度错误和审核拒绝时切换到下一个模型。以闭源权重模型为主、开放权重模型为回退，你的应用就能在主供应商发生故障时继续作答。

我们如何测量

本文中的每一个用量、价格和基准数据都来自我们自己的 API，本节说明我们是如何提取和分类这些数据的。用量数据来自我们的公开排名数据集，它给出前 50 名模型的每周 token 总量。我们使用的是 2025 年 10 月 6 日至 2026 年 9 月 28 日的数据。如果某个模型在 OpenRouter 目录条目中链接到 Hugging Face 仓库，它就被计为开放权重模型。对于已退出目录的退役模型，我们在能够明确判断时按发布方进行分类。

有两类用量未计入份额。数据集中的“其他”行合并了前 50 名之外的所有内容，其范围从每周 0.3 万亿到 10.8 万亿 token。隐身模型未公开，因此我们无法对它们分类，它们在最近一周达到了 38.7 万亿 token。Token 计数来自各供应商自己的分词器，因此它们适合比较趋势，但并非精确的同口径计数。按 token 加权的价格是 2026 年 10 月 8 日我们 models 和 endpoints API 中的标价。供应商数量和价格区间于 2026 年 10 月 21 日提取。

常见问题

Llama 是开源的吗？

Llama 是开放权重的，而不是按开源促进会定义的开源。Meta 发布了权重，但没有发布训练数据，而且 Llama 许可证要求月活跃用户超过 7 亿的公司向 Meta 申请单独许可证。大多数被描述为开源的大语言模型同样属于开放权重。

我可以免费运行开放权重模型吗？

在你自己的硬件上，模型是免费的，但 GPU 不是。通过 API，有几个开放权重模型在 OpenRouter 上有免费变体，其速率限制在我们的免费 LLM API 对比中有所介绍。热门开放权重模型的付费端点起价约为每百万输入 token 几美分。

使用开放权重模型时我的数据更安全吗？

只有你自己运行它，数据才不会离开你的服务器。通过托管服务商使用时，关键取决于该服务商的数据政策，无论它提供的是哪一类模型。在 OpenRouter 上，你可以将请求限制为 零数据保留端点，适用于两类模型，可按请求设置，也可在整个账户范围内设置。

我应该从哪个开放权重模型开始？

我们会从 DeepSeek V4.1 Flash 开始。它是 OpenRouter 上使用最广泛的开放权重模型，有 31 家服务商提供它，因此通过 OpenRouter 路由可以在某家服务商宕机时保持可用。它还支持图像和文本输入。当你需要更强能力时，可以试试 GLM-5.3 或 Kimi K3。排行榜页面展示了开发者当前正在使用的模型。

后续步骤

• 模型回退解释了 models 列表以及触发回退的条件。
• 服务商路由涵盖排序、价格上限，以及对拥有众多服务商的开放权重模型最为重要的量化和数据政策过滤器。
• 排行榜页面和基准测试端点展示了本文背后的数据，并持续更新。
• 2026 年 6 月值得关注的开放权重模型是我们对各个模型的汇总。