OpenRouter 每周发布一份使用量榜单。因为窗口是滚动的，相隔 48 小时抓取的两份快照，可能对「同一周」给出不同的排名，而两份都不算错。这使它成为一个很好的案例：一份榜单有多容易被误读。
下面两个窗口分别抓取于 2026 年 10 月 13 日与 10 月 15 日，对应的使用量数据截至 10 月 11 日与 10 月 13 日。两者都是「All models / This Week」口径，而这个页面上的「This Week」指的是滚动七天，不是自然周。
两个窗口并排看
窗口 A：使用量数据截至 2026 年 10 月 11 日，抓取于 10 月 13 日。
| # | 模型 | 作者 | Token 量 | 变化 |
|---|---|---|---|---|
| 1 | DeepSeek V4.1 Flash | deepseek | 41T | +60% |
| 2 | GLM 5.3 Flash | z-ai | 12.2T | +26% |
| 3 | MiMo-V2.6-Flash | xiaomi | 11.5T | +19% |
| 4 | Step 5 Preview | stepfun | 8.84T | new |
| 5 | Hy4 preview | tencent | 8.28T | +27% |
| 6 | GPT-6 Luna | openai | 7.08T | +15% |
| 7 | Nemotron 3 Ultra (free) | nvidia | 6.87T | +22% |
| 8 | Claude Opus 5.5 | anthropic | 5.02T | +104% |
| 9 | DeepSeek V4 Flash 0731 | deepseek | 4.92T | -18% |
| 10 | Space Bunny Alpha | stealth | 4.2T | -89% |
窗口 B：使用量数据截至 2026 年 10 月 13 日，抓取于 10 月 15 日。
| # | 模型 | 作者 | Token 量 | 变化 |
|---|---|---|---|---|
| 1 | DeepSeek V4.1 Flash | deepseek | 40.5T | +37% |
| 2 | Step 5 Preview | stepfun | 15.1T | new |
| 3 | GLM 5.3 Flash | z-ai | 12.9T | +26% |
| 4 | MiMo-V2.6-Flash | xiaomi | 11.6T | +18% |
| 5 | Hy4 preview | tencent | 8.13T | +27% |
| 6 | Nemotron 3 Ultra (free) | nvidia | 7.38T | +30% |
| 7 | GPT-6 Luna | openai | 7.1T | +10% |
| 8 | Claude Opus 5.5 | anthropic | 5.64T | +93% |
| 9 | DeepSeek V4 Flash 0731 | deepseek | 4.42T | -24% |
| 10 | GLM 5.3 | z-ai | 4.18T | +36% |
两次抓取之间真正变了什么
结论没有变：DeepSeek V4.1 Flash 在两个窗口里都排第一。真正变化的部分比排名本身更有意思。
Step 5 Preview 从第四升到第二，是整张表里位次变化最大的一个。它的 Token 量从 8.84T 涨到 15.1T，而标签仍是「new」——说明一周之前这个模型还不在对比基数里。
Claude Opus 5.5 一直停在翻倍区间，先 +104%，后 +93%，绝对量从 5.02T 涨到 5.64T。反过来，DeepSeek V4.1 Flash 守住了第一，增速却从 +60% 降到 +37%，绝对量还略有下滑，从 41T 到 40.5T。一个模型可以既排第一，又失去动能。
在表格底部，Space Bunny Alpha 直接跌出前十。它上一期的条目已经标着 -89%。GLM 5.3 以第十名进入。这类换血在单次快照里完全看不见：只看一份抓取，你会看到一张稳定的名单；看两份，才会发现前几名之下是一道旋转门。
随第二个窗口一起记录的结构性观察值得原样复述：前十名里有六个作者可以识别为中国实验室，前五名全部来自中国实验室——在被观察的窗口里，这是第一次出现。
比值为什么动了，以及为什么它没有看起来那么重要
中国实验室与美国实验室的前十 Token 比值，在 10 月 11 日窗口约为 4.3 倍，在 10 月 13 日窗口约为 4.06 倍。看上去是差距在缩小。但它未必是。
分母是十个榜单条目的加总。当一个匿名模型（stealth）掉出榜单、被另一个中国实验室的模型替换时，分子和分母都会变动，而这些变动与任何实验室的真实增长无关。在一个固定长度的榜单上计算出的比值，是构成效应，不是市场份额。
这是人们使用这类榜单时最常见的错误：把前十的加总当成整体市场总量。它不是。页面另有一个按作者拆分的市场份额视图，那才是回答这个问题的正确工具，而两次抓取都没有使用它。
支出侧是另一套数据
10 月 13 日的抓取还记录了一个支出视图，而它已经改变了形态：旧的分类方式消失，换成了「Top models by task」。在 Workflow Execution（工作流执行）类目下，某一个模型家族占了支出的 20.2%，该类目前十里，有四个来自中国实验室。
这个数字无法与旧分类体系下的任何数字比较。分类定义变了，做前后对比，检验的是分类法，而不是市场。10 月 15 日的抓取则完全没有刷新支出，并明确拒绝沿用旧数字。
那个拒绝，是整件事里最有价值的部分。一个无法被刷新的数字应该被标记为过期，而不是因为看起来权威就继续搬运。
应该随身带走的几条方法说明
三条规则，让这组数据可用，而不只是装饰。
第一，「This Week」是滚动七天窗口。因此相邻两次抓取高度重叠。它们不是独立样本，把它们当成周增长是错的。
第二，归因很重要。数据来自 openrouter.ai/rankings，All models / This week，使用量截至上文写明的日期，以 CC BY 4.0 发布。任何人复用都应当说明这一点，并且要写清「截至」日期，因为同一个 URL 在一天之后会返回不同的数字。
第三，排名不是市场。顶部名次稳定，底部嘈杂，而聚合比值对谁进谁出高度敏感。如果你需要市场结论，请用市场份额视图；如果你需要动能结论，请跨窗口比较同一个模型，并写明是哪两个窗口。
读这份数据要守的三条规则
- 两次抓取相隔两天，对同一周的判断可能不同。 说清你用的是哪次抓取、什么时候拉的。排名是移动窗口的快照，不是固定事实；把两次快照混在一起，会算出一个从未存在过的数字。
- 「前五名都是中国实验室」是排名，不是市场份额。 排名衡量的是窗口内的位置，份额衡量的是相对总量的体量。把前者写成后者，是一张好图表变成一句错话最常见的方式。
- 引用抓取日期和原始文件，不要引用图表本身。 花费数字在两次抓取之间不可比——窗口在移动、上报有滞后、汇率也在动。要复现你的结论的人需要那个文件，不是它的照片。
- 把榜单当成一个问题，不是一个结论。 榜单有用的产出是它逼出来的下一个问题；无用的产出是一句把话题关上的标题。