OpenRouter 宣布在请求处理过程中实时筛查所有推理请求是否包含儿童性虐待材料（CSAM）。筛查包括将内容与已知 CSAM 的数字指纹哈希比对，以及用分类器识别尚未入库的可疑内容；被标记的内容可能被留存供人工审核，并依法向 NCMEC 的 CyberTipline 报告，报告材料需保存一年。该筛查同样适用于其零数据保留（ZDR）政策覆盖的流量，ZDR 承诺新增例外：为 CSAM 审核、报告和法律保全可保留内容，但不授权其他用途留存，也不用于模型训练。
推荐理由用 OpenRouter 跑含图片或视频请求的团队要留意：ZDR 不再是绝对不留存，合规边界变了
据 The Information 报道，英伟达曾考虑在最后一刻出价收购 AI 模型聚合平台 OpenRouter，并告知后者管理层准备给出慷慨报价，但 OpenRouter 不愿等待，交易未能推进。今年 7 月，英伟达得知 OpenRouter 即将被收购。OpenRouter 成立三年，已发展为流行的 AI 模型交易市场。原文信息有限，未披露竞购方、金额及最终结果。
推荐理由了解英伟达在模型分发层的布局意图，以及 OpenRouter 被收购的幕后细节
据 OpenRouter 数据，2026 年 9 月企业模型支出在 OpenAI 与 Anthropic 之间大致平分，而 1 月时 Anthropic 曾占 75% 份额。两家公司都计划 IPO，需要向华尔街证明业务的可持续性。原文信息有限，未披露具体金额与统计口径。
推荐理由看企业级模型市场份额半年内从 75% 对 25% 变成五五开，判断采购该押哪家
OpenRouter 披露其自研 AI 销售 Agent Rasp 的运行数据：为 5 人销售团队每月省下约 600 小时，每位销售每天多打约 2 通电话，成交周期缩短 34%，成交率提升 2.6 倍（同期定价和市场环境也有变化，非全部归因于 Rasp）。Rasp 负责线索筛选、首触邮件（93% 自动发出）、通话前简报、通话记录整理和 CRM 填写，敏感情况转人工审批。成本约每天 30 美元，此前同类 Agent 每天近 800 美元，且随 Ori 路由到更便宜模型持续下降。
推荐理由每天 30 美元替代 800 美元、成交周期缩短 34%，做销售 Agent 的可直接参考这套指标和 Slack…
OpenRouter 发布文章，对比 OpenAI、Anthropic、Google 及自家 openrouter:shell / openrouter:bash 四种服务端代码执行方案。这类工具让模型在 API 请求内直接调用提供商沙箱运行命令，开发者无需自建容器。OpenRouter 的沙箱按账户和工作区隔离，默认关闭外网访问，限制单条命令的运行时长和输出大小，计费为每秒 0.0001 美元，新建或休眠容器最低按 30 秒计。两个工具均处于 beta 阶段。文章指出，需要自定义基础镜像、GPU 任务或数小时长会…
推荐理由选型前先看这张对比：OpenRouter 沙箱每秒 0.0001 美元、30 秒起计，且默认断网。
OpenRouter 上线 Model Router Benchmarks 页面，对多个模型路由器按质量、速度、成本三项打分，并列出最优性价比与最强智能的单模型作为对照基线。官方称将持续新增路由器并更新分数。文中举例：DeepSeek v4 Flash 与 GPT-6 Astra 相比，后者每 token 平均价格高 48 倍以上，在 Codex 中跑平均 10 到 49 轮会话贵 21 倍。路由器可在任务不同部分切换到低成本模型以省钱。官方同时指出路由的固有难点：切换模型会因重建输入缓存而变贵、仅凭 prompt…
推荐理由想知道 Auto Router 等模型路由到底省不省钱、值不值得用，这页有质量/速度/成本三项实测分数可对比。
OpenRouter 发布文章，把「多模型编排」拆成三层：工作流编排（规划、状态、记忆、委派，由 LangGraph 和 CrewAI 负责）、模型路由（选模型并在报错时回退，由 OpenRouter 的 models 参数负责）、供应商路由（在多个供应商端点间选择，含按工具调用表现排序的 Auto Exacto）。文章指出 OpenRouter 的 models 参数是有序回退列表，回退由错误触发、不判断回答质量；其 Agent SDK 覆盖中间场景——带校验、流式输出和停止条件的有限多轮工具循环，不需要持久化图…
推荐理由想搭多模型 Agent 的人可先分清编排和路由，避免为简单回退需求引入整套框架。
OpenRouter 发布教程，介绍如何从生产流量中构建 golden eval 数据集：由人工审核过的生产输入与预期输出配对组成，纳入 Git 版本管理，每次部署前运行。指南给出五步流程，并说明规模选择——约 10 条用于排查单个问题，100 至 1000 条用于完整回归集；强调覆盖失败模式比数量更重要，数据集、评分标准和基线需一起版本化，否则无法区分回归来自模型、提示词还是数据集变化。
推荐理由想给自家产品做回归测试的团队可直接照搬五步流程和 10/100/1000 条规模标准