Resumo dos dados de outubro de 2026
O volume de tokens cresceu 37% em outubro
Nossa análise dos destaques de IA do mês passado. O volume de tokens disparou, o preço por token continuou caindo e o tráfego de agentes agora representa a maior parte do que passa pelo OpenRouter.
Destaques
- O volume de tokens continuou crescendo: um aumento de 37% em relação a setembro e de quase 25 vezes em relação a janeiro.
- O preço efetivo por token caiu: o preço médio combinado por token continuou caindo e, no mês passado, ficou de 57 a 70% abaixo das médias de janeiro.
- Modelos de decisão agora recebem 21% de todas as requisições: embora a categoria exista há apenas algumas semanas, os modelos de decisão agora recebem mais requisições do que qualquer modalidade, exceto modelos de texto.
790 trilhões de tokens em outubro
Outubro foi o maior mês da história do OpenRouter: 790T tokens, um aumento de 37% em relação a setembro e de impressionantes 25x em relação a janeiro.
O aumento foi generalizado, mas a atualização do DeepSeek V4.1 Flash, junto com a introdução do Haiku 5.5 e do restante da família Claude 5.5, foi um dos principais fatores.
Volume mensal, de janeiro a outubro
OpenRouterAgentes consomem 76% de todos os tokens
A predominância dos agentes só aumentou ao longo de 2026. Classificamos cada chave de API como agêntica, humana ou mista com um classificador ponderado de sete sinais, incluindo taxa de chamadas de ferramentas, número de turnos e momento das solicitações.
Há um ano, as chaves de agentes representavam 8% dos tokens. Em outubro, representaram 76%, cerca de 600T tokens.
Tokens mensais por tipo
OpenRouterUma característica distintiva do uso por agentes é o reenvio do mesmo contexto, muitas vezes extenso, a cada turno, por isso o cache de prompts é mais importante para agentes do que para o uso humano. A maioria dos provedores serviu prefixos em cache para 85 a 97% dos tokens de prompt de agentes em outubro. A mediana da taxa de acertos de cache aumentou acentuadamente, de 76,1% em junho para mais de 90% em outubro.
Taxa de acertos de cache em agentes por provedor de inferência
OpenRouterO tamanho da bolha representa os tokens de agentes processados. A cor mostra a faixa da taxa de acertos de cache.
- Taxa de acertos de cache abaixo de 70%
- 70–90%
- Mais de 90%
Os modelos de pesos abertos voltaram a crescer
A participação dos modelos de pesos abertos nos tokens pagos caiu para 52% na semana de 28 de setembro, quando Claude Opus 5.5, Sonnet 5.5 e GPT-6.1 Sol foram todos lançados. Duas semanas depois, ela voltou a superar 70%, principalmente devido ao DeepSeek V4.1 Flash.
Os modelos de pesos abertos representam cerca de um quarto dos gastos pagos, acima dos 11% em janeiro, e essa participação praticamente não mudou ao longo do último trimestre, aproximadamente.
Participação semanal dos modelos de pesos abertos nos tokens e nos gastos
OpenRouterO preço efetivo por token caiu de 57 a 70% desde janeiro
O preço combinado por milhão de tokens caiu de US$ 1,21 para US$ 0,52 nos modelos de pesos fechados e de US$ 0,28 para US$ 0,084 nos de pesos abertos. A diferença entre eles aumentou de 4,3× para 6,2×.
Esse preço efetivo pode variar por vários motivos: os preços de tabela dos modelos, a própria composição dos modelos ou a taxa de acerto de cache por sessão. A maior parte da queda nos preços de modelos com pesos fechados em agosto se deveu a uma mudança nessa composição: GPT-5.6 Luna, a cerca de US$ 0,07 por milhão de tokens, tornou-se o modelo fechado pago mais usado nos dias após seu lançamento.
Preço efetivo por 1M tokens
OpenRouterParticipação dos modelos de cada laboratório
Normalmente, o tráfego de cada laboratório se concentra em poucos modelos, e o lançamento mais recente costuma assumir a liderança em um mês. Selecione um laboratório para ver como sua distribuição de tokens e gastos mudou ao longo do ano.
Composição de modelos em cada laboratório
OpenRouterOs seis principais modelos por volume de tokens em outubro, além de todos os demais.
- Claude Opus 5.5
- Claude Sonnet 5.5
- Claude Haiku 5.5
- Claude Opus 5
- Claude Sonnet 5
- Claude Fable 5.1
- Other
Participação em tokens
Participação nos gastos
Laboratórios de modelos com pesos abertos lideram em crescimento
Desde maio, Z.ai teve um aumento de cerca de vinte vezes nos tokens mensais e DeepSeek de cerca de doze vezes. Quanto aos gastos, os da Z.ai aumentaram cerca de seis vezes, Anthropic teve um aumento de 76%, e MiniMax teve uma queda de 20%, mesmo com um crescimento substancial de seus tokens.
O crescimento de cada laboratório raramente é linear. Em um calendário de lançamentos cada vez mais competitivo, o momento do lançamento de um novo modelo pode alterar drasticamente o crescimento de um laboratório em um único mês.
Crescimento desde maio por laboratório
OpenRouterTokens ou gastos mensais de cada laboratório, indexados a maio = 100.
O ranking de tarefas destaca dois modelos
Classificamos uma amostra de solicitações nas categorias de tarefas da nossa classificação na página correspondente. Por tokens, o DeepSeek V4.1 Flash lidera a maioria das tarefas de programação e de agentes. Ao alternar para gastos, o Claude Opus 5.5 lidera a maior parte da classificação.
Outros modelos que aparecem incluem Jev 1.13, o modelo de decisão da TypeSafe, e GLM 5.3 Flash, com fortes resultados tanto em extração de dados quanto em transformação de dados.
Melhor modelo por tarefa, outubro
OpenRouterAs cinco principais tarefas de cada categoria por tokens. A taxonomia das classificações tem duas tarefas de dados.
Geral
Classificação
TypeSafe Jev 1.1314% dos tokens de tarefas
Perguntas e respostas e conhecimento
Step 5 Preview33% dos tokens de tarefas
Interpretação de papéis e ficção
DeepSeek V4 Flash
11% dos tokens de tarefas
Redação de conteúdo
GLM 5.3 Flash21% dos tokens de tarefas
Resumo
Step 5 Preview67% dos tokens de tarefas
Programação
Geração de código
DeepSeek V4.1 Flash
23% dos tokens de tarefas
Depuração
DeepSeek V4.1 Flash
19% dos tokens de tarefas
E/S de arquivos
DeepSeek V4.1 Flash
17% dos tokens de tarefas
Revisão de código
DeepSeek V4.1 Flash
17% dos tokens de tarefas
Execução de shell
DeepSeek V4.1 Flash
24% dos tokens de tarefas
Agente
Execução de fluxo de trabalho
DeepSeek V4.1 Flash
16% dos tokens de tarefas
Planejamento em várias etapas
DeepSeek V4.1 Flash
18% dos tokens de tarefas
Despacho de ferramentas
DeepSeek V4.1 Flash
17% dos tokens de tarefas
Extração de memória
MiMo V2.6 Flash17% dos tokens de tarefas
Pesquisa na web
DeepSeek V4.1 Flash
15% dos tokens de tarefas
Dados
Extração de dados
GLM 5.3 Flash12% dos tokens de tarefas
Transformação de dados
GLM 5.3 Flash29% dos tokens de tarefas
Os laboratórios de pesos fechados (e a DeepSeek) lideram em retenção de usuários
Há muitas maneiras de medir a retenção de um modelo ou de um laboratório. Aqui, consideramos as contas que enviaram pelo menos 100 requisições pagas em um mês para modelos de um determinado laboratório e verificamos quantas voltaram a usar o mesmo laboratório no mês seguinte. Esse limite filtra testes pontuais, e a ordem dos laboratórios foi muito semelhante com limites de corte menores e maiores.
De setembro a outubro, Google manteve 78% dessas contas, Anthropic 74% e OpenAI 74%. Os principais laboratórios de modelos com pesos abertos tendem a ter menor retenção mês a mês, e outubro não foi diferente.
Retenção mês a mês por desenvolvedor de modelos
OpenRouterAnthropic
OpenAI
DeepSeek
Z.ai
Qwen
MiniMax
Modelos de decisão chegaram a 21% das solicitações
Modelos de decisão (ou modelos System One, na nomenclatura da TypeSafe) avaliam uma questão específica, como roteamento, moderação ou uma verificação de sim ou não. Eles surgiram como categoria apenas em meados de setembro e chegaram a 21% de todas as requisições na semana de 26 de outubro.
Modelos de texto aqui significam todas as requisições à API Chat Completions, incluindo requisições com imagens como entrada. Em termos de tokens ou gastos, em vez de requisições, os modelos de decisão representariam uma parcela muito menor do tráfego semanal.
Participação semanal das solicitações por tipo de solicitação
OpenRouterProvedores de inferência de modelos de pesos abertos: Together sobe para o primeiro lugar
Entre os provedores que servem modelos de pesos abertos, Together passou do 18º lugar em junho para o primeiro em outubro pelo total de tokens servidos. DeepSeek caiu para o nono lugar em setembro e voltou ao segundo com o V4.1 Flash, e InferenceNet entrou entre os dez primeiros na quarta posição.
Classificação de provedores de modelos com pesos abertos por tokens
OpenRouterOs dez principais de cada mês, de junho a outubro. Passe o cursor sobre uma linha para acompanhar um provedor.
Analisamos as principais tendências desse conjunto de um quatrilhão de tokens toda semana. Assine a Inferred, nossa newsletter de dados, para receber todos os nossos principais relatórios de pesquisa diretamente na sua caixa de entrada.
Notas sobre a metodologia
- Os dados abrangem solicitações pela API do OpenRouter de 1 de janeiro a 31 de outubro de 2026; o gráfico de agentes começa em setembro de 2025. Os gráficos semanais usam semanas que começam na segunda-feira.
- Os tokens são a soma dos tokens de prompt e de conclusão. Os gastos correspondem ao uso faturado. Os laboratórios são os criadores dos modelos, e um modelo tem pesos abertos quando seus pesos são disponibilizados publicamente.
- Cada chave de API é classificada mensalmente com base em sete sinais ponderados: taxa de chamadas de ferramentas, proporção entre entrada e saída, turnos por requisição, taxa de acertos de cache, ferramentas oferecidas por requisição, tempo entre requisições e taxa de cancelamento. Uma pontuação de 0,50 ou mais indica uso por agentes, de 0,25 a 0,49 indica uso misto e abaixo de 0,25 indica uso humano.
- O tráfego pago exclui variantes gratuitas de modelos.
- O preço efetivo, a taxa de acertos de cache e a classificação dos provedores excluem o tráfego com chave própria (BYOK) e os modelos ocultos. A taxa de acertos de cache é a proporção de tokens de prompt em cache em relação aos tokens de prompt no tráfego de chaves agênticas, para provedores com pelo menos 1T de tokens agênticos naquele mês.
- Os líderes por tarefa vêm de uma amostra de solicitações classificadas na taxonomia de tarefas das classificações e ponderadas pela taxa de amostragem.
- A retenção contabiliza contas com pelo menos 100 requisições pagas aos modelos de um laboratório em um mês e considera uma conta retida se ela enviou qualquer requisição paga a esse laboratório no mês seguinte. Contas banidas são excluídas.
- Modelos de decisão são solicitações à API de decisões. Modelos de texto são solicitações à API de Chat Completions, incluindo solicitações com imagens de entrada.