OpenRouter 作为流行大模型 API 路由平台
- 覆盖了 60 多个供应商的 300+多个活跃模型，服务数百万开发者和终端用户
- 积累了大量 AI 模型的消耗记录，其局限性在于其中超过 50%的使用源自美国境
本文内容主要参考自：基于 OpenRouter 百万亿 token 消耗的 AI 现状研究报告
开源模型与闭源模型
开源模型与闭源模型的绝对市场占比：
- 深红色表示闭源模型（Closed），橙色表示中国开源模型（Chines OSS），青绿色表示其他开源模型（RoW OSS）
- 整个市场的总 token 消耗量呈现出明显上涨趋势，展示了 AI 在社会各个领域的渗透，其中闭源模型占比仍保持优势
开源模型与闭源模型的相对市场占比：
- 开源模型的 token 消耗占比始终保持在总消耗量 30% 以内，开源与闭源模型在市场上维持着微妙平衡
- 得益于 DeepSeekV3 和 KIMI2 等开源模型，中国开源模型（chinese OSS）的占比呈现明显的上涨趋势
不同厂商的开源模型相对占比：
- 开源模型市场明显保持日益激烈的竞争关系，不存在长期保持占比优势的单一开源模型
- 在 2025 年上半年，DeepSeek 系列开源模型在市场上保持绝对优势（三个 DeepSeek 开源模型的占比>50%），这一垄断地位在 2025 年下半年被打破，开源模型市场呈现更明显的百花齐放的状态（gpt-oss、Kimi、MiniMax）；而在 2025 年末，已经不存在单一开源模型的市场占比超过 25%的情况
不同尺寸的开源模型相对占比：
- 小尺寸（参数量<15 billion）开源模型的市场占比逐渐萎靡，而中尺寸（参数量在 15~70 billion）开源模型的市场占比逐渐扩展，大尺寸（参数量>70 billion）开源模型的市场占比依然保持相对优势（>50%）
开源模型的用途类型相对占比：
- 50%的开源模型 token 消耗用于角色扮演（rolepaley） ，其次是编程（programming）
推理 Agent 的兴起
推理模型的 token 消耗占比从 2025 年初从零开始，快速增长到如今的 50% 以上：
Agent 的工具调用需求也日益增长，目前在总 token 消耗的占比约为 15%：
受推理模型的普及影响，提示消耗的 token 量增加了约 4 倍，而输出消耗的 token 量增加了约 3 倍（进一步分析可发现，编程相关推理任务的增加，是导致 token 量消耗增加的重要原因）：
AI 模型的主要用途
所有模型（开源+闭源）的用途类型相对占比：
- 用于编程（programming）的 token 消耗占比从 11%逐渐增长到 50%，反映了 AI 辅助编程的兴起
用于编程任务的不同模型相对占比：
- Anthropic 是编程用途的主力模型（占比>60%），其次是 OpenAI 和 Google
Top6 用途的次级分类/标签分布分析：
- 当 AI 用于角色扮演（roleplay）时，主要涉及游戏领域（57.9%）、文学创作（16.4%）和成人内容（15.0%）
- 当 AI 用于辅助编程（programming）时，主要涉及通用编程（66.1%）和工具开发（26.4%）
不同厂商模型的用途差异：
- Anthropic 的模型主要用于编程和技术任务（超过 80%），角色扮演使用极少
- Google 的模型用途广泛/偏向通用信息引擎，覆盖法律、科学、技术及部分常识问题
- xAI 的模型主要集中在编程领域，25 年 11 月底调整开发免费策略，导致用途明显多元化
- OpenAI 的模型主逐渐侧重于编程和技术任务，角色扮演和休闲聊天任务显著减少
- DeepSeek 的模型以角色扮演（占比大约在 80%）和随意互动为主
- Qwen 的模型更专注于编程任务，其次也会覆盖到角色扮演和学术领域
AI 模型的区域差异
不同区域的 token 消耗量相对占比：
- 北美地区总 token 消耗略有下降，但占比依然最大（约 50%）；欧洲地区总 token 消耗占比相对稳定；亚洲地区总 token 消耗占比增长明显，从最初的 13%逐步增加到最近的 31%
从国家来看，美国总 token 消耗占比很高（47.17%）, 其次是新加坡（9.21%）、德国（7.51%）和中国（6.01%，失真）
从语言来看，英语总 token 消耗占比极高（82.87%）, 其次是简体中文（4.96%，失真）和俄语（2.47%）
AI 用户的留存分析
2025 年 6 月的 Gemini 2.5 Pro 和 2025 年 5 月的 Claude 4 Sonnet ，其对应的用户群体在第 4 个月约有 40% 的留存率，远高于其他模型，表明这两个模型具备先进性优势和独特用户价值：
而 GPT-4o Mini 就是特殊案例，靠着 OpenAI 早期积累的口碑，其早期的用户呈现较强的粘性（认可模型的“先进性”），但中后期加入的用户则逐月流失明显（模型的“先进性”认知逐渐褪去）：
Gemini 2.0 Flash 和 Llama 4 Maverick 作为反例，则是完全不具备先进性，因此用户流失一直很严重：
DeepSeek 则表现出更复杂的用户留存模式，其早期流失用户在一段时间后出现明显的回流现象；这类情况可能是舆论的影响，也可能说明了模型存在技术性能、成本效益或其他独特特性：
AI 成本与用量分析
按用途类别划分的 AI 成本与用量的四象限图：
- 右上（高用量，高成本），主要包括科学和技术类用途，用户愿意为 AI 专业能力支付溢价
- 左上（高用量，低成本），覆盖了编程和角色扮演等更偏向大众化的消费场景，也对应着目前 AI 模型最主要的两个应用方向；开源模型在这类成本敏感型的场景中具备相对优势
- 右下（低用量，高成本），包括金融、学术、健康和市场营销等细分专业领域，对模型的稳定性和准确性要求高
- 右下（低用量，低成本），包括翻译、问答等小众实用的工具，容易会被更廉价的可靠方案所替代
按模型是否开源划分的 AI 成本与用量的四象限图：
- 闭源模型趋向高成本高用量的象限，而开源模型则主导低成本、高用量的象限
- 拟合的趋势线几乎平坦（红色虚线），显示出成本与总用量之间的相关性有限
总结与讨论
- 生态活跃而用途丰富：不同厂商、不同用途的模型都保持多样性，市场竞争激烈，用户可选择性多
- Agent 的发展进步趋势明显，推理模型和工具调用的情况更加常见，AI 模型逐渐以任务完成为导向
- AI 的使用变得全球化和去中心化，中国开源模型成为 AI 生态重要组成，AI 需要更好的文化适用性
- 闭源模型不断推动模型的高效推理和前沿专业能力，捕捉高价值的工作负载；闭源模型则在计算质量和成本之间平衡，主导低成本和高用量的应用场景，推动整个市场的进步和趋同
- 在这个日新月异的市场中，只有能够率先实现创新性突破并解决用户痛点的模型，才能推动更深层、更广泛、更粘稠的用户采用，从而建立出优秀的用户留存曲线（衡量产品防御力的核心指标），并形成品牌的护城河