大多数人用 OpenRouter 只看模型名字，不看价格。问题在于，同一个模型背后往往挂着十几家提供商，每家报价都不一样——你以为是 GPT-4o-mini 级别的便宜货，实际可能跑到某个贵了三倍的渠道上去了。OpenRouter 提供了几个不太显眼但极其好用的参数，帮你把成本摁住。这篇文章拆解三个最实用的省钱技巧，以及一个大多数人都会踩的计费陷阱。
`:floor` 后缀：强制匹配全场最低价
OpenRouter 的模型路由逻辑有点像拍卖场：同一个模型名（比如 `anthropic/claude-3.5-sonnet`），可能有 DeepSeek、AWS Bedrock、Fireworks 等七八家提供商在出价。默认情况下，平台按某种策略给你分配——有时候是速度优先，有时候是稳定性优先。`:floor` 后缀干的事很粗暴：直接选全场最便宜的那家，不管它在哪个机房、不管它当前负载多高。
怎么写这个参数
用法简单到令人发指——在模型名后面加个冒号和 `floor` 就行。比如：
`anthropic/claude-3.5-sonnet:floor`
请求发出去之后，OpenRouter 会自动扫描所有提供这个模型的渠道，挑出当前报价最低的那家，把请求转过去。你不用手动对比价格表，不用查哪个机房在做促销，更不用写脚本轮询。
什么时候该用，什么时候别用
批量跑数据、对响应速度不敏感的场景，`:floor` 是首选。比如你拿 LLM 做文本分类、批量摘要、或者生成测试集——这些活儿不差那一两秒的延迟，但差那三倍的成本。反过来，如果你在做实时对话或者对延迟极其敏感的生产环境，`:floor` 可能会把你路由到一个高负载的便宜节点上，P99 延迟直接爆炸。这时候老老实实用默认路由，或者自己指定提供商更靠谱。
`max_price`：给单次调用装个天花板
`:floor` 是被动省钱——等系统给你选最便宜的。`max_price` 是主动设防——告诉系统"超过这个价就别给我用了"。这个参数在生产环境里几乎是必备的，尤其是当你的应用可能在用户输入异常时触发高消耗路径。
按模型类型设定价格上限
`max_price` 的单位是美元/百万 token，可以分别限制 prompt 和 completion：
`"max_price": {"prompt": 0.5, "completion": 1.5}`
意思是：每百万 token 的输入成本超过 0.5 美元、输出成本超过 1.5 美元，OpenRouter 就直接拒绝这个请求，返回错误而不是傻乎乎地跑完再扣费。这个机制在两个场景特别管用：一是防止某个冷门模型突然涨价你没注意到，二是避免某些"高级模型"路由选项偷偷给你的账单加码。
兜底逻辑：兜不住的时候会发生什么
设了 `max_price` 之后，所有超出限价的提供商都会被过滤掉。如果过滤完之后一个能用的都没有，OpenRouter 会返回 404 或者类似的错误——不会自动降级到更便宜的模型。所以这个参数更像一道护栏，而不是一个自动省钱开关。建议设一个略高于市场均价的值，留点余量。
免费模型阵营：20多个零成本选项的真相
OpenRouter 上挂着一批完全免费的模型，列表里标着 `:free` 后缀，数量有二十多个。听起来像天上掉馅饼，但实际上有几个坑值得注意。
免费不等于无限制
这些 `:free` 模型通常有速率限制——比如每分钟多少个请求、每天多少 token。超了之后要么排队，要么直接报错。对于个人开发者和原型阶段来说绰绰有余，但如果你的应用有一定流量，必须提前做好限流降级的准备，否则用户体验会断崖式下跌。
最容易被忽视的计费陷阱
重点来了：很多人以为免费模型就是真的免费，结果月底一看账单莫名其妙多了一笔。原因在于——`max_price` 参数如果设了非零值，系统可能匹配不到任何完全免费的提供商（因为免费提供商的内部核算价格可能高于 0），从而自动 fallback 到付费渠道。这种情况下用户既享受不到免费额度，又多花了钱。解决方案很简单：要么把 `max_price` 设成 `{"prompt": 0, "completion": 0}` 强制走免费路线，要么干脆不用 `max_price` 参数，让系统自己选。
三个技巧怎么组合用
把这三招串起来，逻辑其实不复杂。日常开发调试阶段，直接用 `:floor` 拿最低价，再叠加 `max_price` 兜底防止异常波动。批量处理离线任务时，干脆走 `:free` 模型，成本归零。上线前压力测试，临时拿掉 `:floor` 用默认路由，看看真实场景下的延迟分布，别等到生产环境才发现便宜节点撑不住流量。
说到底，OpenRouter 的这些参数设计本意就是让用户对成本有更多控制权。但工具放在那里不代表会自动生效——得有人去配置、去监控、去根据业务场景调整。把这三个参数吃透，基本就能把 LLM 推理的 API 成本压到行业平均水平以下，而且不用牺牲太多体验。
