AI 周报：Stripe 收购 OpenRouter、Anthropic 营收激增，模型层商品化加速

Stripe 传出要花 70 多亿美元收购 OpenRouter。
这是本周 AI 圈最重的一笔交易。
OpenRouter 是一个模型网关，让开发者用一个 API 调用几十家模型供应商。
来源：Stripe Finalizes Deal to Acquire AI Startup OpenRouter for Over $7 Billion

模型层商品化：从技术产品变成计量商品

OpenRouter 被 Stripe 收购，说明模型路由正在变成支付基础设施的一部分。
以前开发者按模型付费，以后可能由 Stripe 统一计量、计费和结算。
这会改变模型提供商的竞争方式：谁便宜、谁质量稳，谁就能拿到更多调用量。
来源：Stripe will reportedly acquire AI gateway startup OpenRouter for $7B+

同一周，Anthropic 公布了第二季初步营收，超过 115 亿美元。
相比去年同期 7.87 亿美元，涨了 14 倍多。
调整后营业利润也转正了，公司还在准备今年秋季的大型 IPO。
来源：Anthropic』s revenue surges 1,360% to $11.5 billion as IPO looms

Anthropic 赚得越多，越说明模型层的钱在往头部集中。
但开源模型正在追上来。
SemiAnalysis 的报告显示，每一代开源模型追上闭源的时间都在减半。
来源：Open Models Are Catching the Frontier Faster

比如 Kimi K2.6 只用了 4.8 个月就超过 Opus 4.5。
GLM-5.2 用 6 个月超过 GPT-5.2。
这些开源模型已经能胜任很多编程和智能体任务，直接冲击闭源模型的定价权。

graph TD
  A[Stripe 收购 OpenRouter] --> B[模型路由变成支付基础设施]
  C[Anthropic 营收激增] --> D[模型层商品化加速]
  E[开源模型追平时间减半] --> D
  D --> F[开发者可选更便宜模型]
  B --> F

透明度上去了，训练数据争议没停

Anthropic 做了件罕见的事：公开了 Claude 的系统提示词。
系统提示词是大模型隐藏的运行指令，决定它怎么回答、什么不能碰。
开发者 Simon Willison 把这些提示词做成 git 历史，方便看版本变化。
来源：Claude system prompts

但训练数据的获取方式，本周又爆出问题。
亚马逊被曝光把买来的稀有书籍拆页扫描，扫完就销毁，用来训练 AI。
有书商在书里藏了 AirTag，一路追到了亚马逊的 AI 训练设施。
来源：We Tracked a Shipment of Rare Books. It Ended at an Amazon AI Training Facility

安娜的档案也在呼吁抢在 AI 公司前扫描珍本，避免绝版书被毁。
同时有人拿 Aaron Swartz 的案子和 Meta 做对比：个人抓论文被起诉，大公司抓数据没事。
这反映出训练数据合规上的双重标准，短期内不容易解决。

开发者工具集中更新

Mojo 这周开源了，许可证是 Apache 2。
它不再是闭源专有语言，开发者可以审查和定制编译器。
Mojo 目前不保证完全兼容 Python，但能用类 Python 语法做 GPU 编程。
来源：Mojo is now open source

Go 1.27 也发了正式版。
主要新东西是泛型方法、后量子签名算法 ML - DSA，还有标准 uuid 包。
对 Go 开发者来说，这意味着一些依赖可以慢慢换到标准库。
来源：Go 1.27 Release Notes

DuckDB v2.0 的预览版同样值得关注。
新增 VARIANT 类型用来处理半结构化数据，可以理解成「增强版 JSON」。
超内存处理能力也增强了，低配置机器也能跑更大规模分析。
来源：A Preview of DuckDB v2.0

MCP 官方也发了新路线图，重点是身份认证和 HTTP 集成。
以后远程 MCP 服务器会当成普通 HTTP 工作负载，不再用自创协议。
这会关系到 AI 工具之间的互操作方式，特别是云端代理场景。
来源：The New MCP Roadmap

一条供应链攻击，暴露开源生态的脆弱

Rust 生态出了个恶意 crate：arrayref。
恶意版本在构建时执行远程载荷，可能偷开发者凭据。
官方已经删除了恶意版本和几个同伙 crate。
来源：Supply chain attack on arrayref

这件事提醒所有用 Cargo 的人，构建脚本可以运行任意代码。
社区有人呼吁对 build.rs 做沙箱化，但目前还没落地。
对下游项目来说，锁定依赖版本和校验来源比以往更重要。

本地模型：配置比模型本身更值得关注

Qwen 3.8 27B 在 Artificial Analysis 智能指数上拿了 52 分。
这个分数和 GPT-5.6 Luna 持平，只比几个超大模型低 1 分。
一个 27B 参数的模型追平了参数量大得多的对手，效率突破明显。
来源：Qwen3.8 27B - Intelligence, Performance & Price Analysis

但本地跑 Qwen 3.8 有个坑：默认推理档位是 xhigh。
简单任务可能被它过度思考，生成一张 SVG 要 21 分钟。
所以部署时最好先把推理档位调低或关闭。
来源：Simon Willison 的实测

另外，很多用户觉得本地 LLM「笨」，其实是配置问题。
低比特量化配 Ollama 加简单提示，测出来的结果不代表模型真实能力。
换用合适的量化格式和推理引擎，比如 sglang 或 vLLM，速度和质量可能大幅提升。
来源：Why your local LLM feels dumber than it is

Unsloth 发布了 Dynamic 3.0 GGUF，但也带来混乱。
新文件和老文件同名，只能靠 SHA256 区分。
而且移除了多 token 预测，部分低量化版本直接报错。
来源：Unsloth Dynamic 3.0 GGUFs

AliExpress 的网页被发现在后台跑无声 WebAudio 指纹。
这不止是隐私问题，还会让蓝牙耳机保持连接、抢走手机音频。
用户最好用支持指纹防护的浏览器，或者少开这种页面。
来源：AliExpress runs silent WebAudio fingerprinting that breaks Bluetooth multipoint

本周的这些信号凑在一起，说明 AI 正在从「模型能力竞赛」转向「交付和计费竞赛」。
开发者和公司需要考虑的不只是哪个模型最强，还包括路由、合规、供应链和本地部署成本。