同一个模型换个主机就掉 20 分：一个跑了 1800 万条消息的运营者把网关的坑列了出来「到今天我经手了 1800 多万条消息，大约三分之一走 OpenRouter 上的开源模型。」说这话的是一位跑了两年多 AI 助手的运营者 Olly，他在 09-07 把自己这一路踩的坑写成清单。

最扎心的一条是：同一个模型，不同主机不是同一个东西。模型是权重，provider 是 OpenRouter 把你路由过去的那家公司，同一个 deepseek/deepseek-v4-flash-0731 背后大约有 20 家公司在服务。按 OpenRouter 自己跑的按主机榜（09-07 读数、滚动 32 天均值），同一份权重：DeepSeek 首方 90% 的 GPQA、81% 的 TAU（工具调用），DigitalOcean 是 75% 和 58%；多数主机在工具调用上比首方低 5 到 7 分，四家在知识类基准上直接掉悬崖，而 7 月时 Fireworks 的 TAU 只有 46 分，差 30 分。

还有几类更隐蔽的：页面写着支持图片输入的模型，有些主机根本读不到图，却照样返回 200；reasoning.effort 参数人人接受，但在 digitalocean、gmi-cloud、mancer、venice 上基本不起作用；fp4 主机在 fp8 主机群里排在中间，按精度筛不是质量代理——三家 GPQA 最差的主机里，fp4、fp8、什么都没声明各占一家；7 月的 StreamLake 只占他约 20% 的流量，却贡献了 92% 的空补全。他甚至固定了三家「最可靠」的主机并关掉回退，两周后一家开始 429、一家已经不再提供该模型、流量全压到第三家，第三家也开始 429，服务直接中断。

这是单一运营者的视角，榜单是平台自己跑的滚动统计，厂商名和分数会逐月变化，不能当成永久结论。

我的判断：网关省的是接入成本，不是质量方差。选型要按自己的工作负载看主机级榜单，把「200 但没内容」当成失败去重试，冗余按主机设计而不是按模型名设计。