Stripe 据报敲定逾 70 亿美元收购 AI 模型网关 OpenRouter
Bloomberg 于 8 月 16 日援引知情人士报道，支付公司 Stripe 已敲定协议，以逾 70 亿美元收购 AI 模型网关 OpenRouter。这一价格约为 OpenRouter 今年 5 月完成 B 轮时 13 亿美元估值的五倍多；知情人士称最终价格仍可能调整。Stripe 发言人对 TechCrunch 表示"不对传闻或猜测置评"。
OpenRouter 做的是模型聚合与路由：客户通过单一 API 接入 400 余个模型，按任务和预算在不同模型之间切换，避免被单一供应商锁定。公司自称拥有 800 万全球用户；CEO Alex Atallah 曾把公司定位为"AI 界的 Stripe"，理由是两者都提供统一入口、消除锁定。Atallah 此前联合创立 NFT 交易平台 OpenSea，2022 年 7 月离任后不到一年创办 OpenRouter。这轮交易的直接来源是 Bloomberg 的匿名信源，Stripe 未确认；《华尔街日报》上月已报道双方在洽谈，本次新增事实是"达成协议"与逾 70 亿美元的具体价码。
交易把两个"收费层"叠在一起：Stripe 在支付流上抽佣，OpenRouter 在模型调用流上抽佣。三个月内估值从 13 亿美元跳到 70 亿美元以上，说明资本正在重新给"模型层之上的中立分发/路由层"定价——当模型同质化、价格战持续时，帮客户在模型之间切换的中介，可能比任何单一模型更接近"收费公路"的生意。这是有依据的分析而非已确认事实：Stripe 官方未表态，交易能否以报道价格完成、整合后 OpenRouter 的独立性如何，都尚无答案。
Bloomberg ｜
TechCrunch ｜
Bloomberg Law
Anthropic 二季度收入据报突破 115 亿美元，首次录得正调整后营业利润
Bloomberg 于 8 月 14 日援引其看到的文件报道，Anthropic 二季度初步收入超过 115 亿美元，较去年同期的 7.87 亿美元增长逾 14 倍，也高于一季度的 47.3 亿美元；当季还录得正的调整后营业利润。CNBC 补充，数字为初步值、仍可能变化，Anthropic 未回应置评请求。
这使 Anthropic 成为首批展示"前沿实验室核心业务能盈利"的公司之一，也是其成立以来首次在核心业务上录得正调整后营业利润。此前对"AI 能否盈利"的质疑集中在算力投入与回报错配：本周早些时候 Oracle 因 AI 烧钱被市场重估，Nvidia 的 5000 亿美元融资平台也被分析师质疑。Anthropic 5 月曾披露年化收入运行率突破 470 亿美元（2025 全年收入约 100 亿美元），二季度实际收入再次验证了这一增速；CNBC 指其增长与企业在编码等场景采用 Claude 相关。
口径边界要讲清楚：这是"调整后营业利润"而非净利润，且来自 Bloomberg 看到的初步文件、未经审计，公司备战今年秋季 IPO 时公开的招股文件才是最终检验。但就增量证据而言，"前沿实验室只能靠烧钱"的假设正在被推翻。
Amodei 回应"AI 反弹是你造成的"：根本问题是信任危机
Anthropic CEO Dario Amodei 于 8 月 15 日在 X 上回应投资者 Gavin Baker 的批评。Baker 在 All-In 播客与 X 上称，Amodei 对 AI 风险的警告助长了美国国内对 AI（尤其数据中心）的反弹，认为他在监管议题上"已经输了论点"，应当"做本行业更积极的倡导者"。
Amodei 不认同"自己的信息过于负面"的说法，称其写作"风险与收益大约各半"，写《Machines of Loving Grace》正是因为觉得"行业没有画出足够鼓舞人心的图景"。他承认公众对 AI 观感负面且"这是个大问题"，但给出不同归因："这根本上是信任危机——普通人不信任公司、政府或科技行业，总觉得我们在谋划新的方式来坑他们。"
更值得注意的是他的自我批评："对包括 Anthropic 在内的 AI 公司最准确的批评，是我们还没兑现让世界受益的大承诺。这完全是我们的责任。"在监管上，他拒绝"监管＝监管俘获＝权力集中"的硅谷式等式，称 Anthropic 一直试图提出"拖慢前沿公司、有利于小竞争者"的政策方案。这条新闻的事实基础是双方在 X 上的公开表态，不构成对任何一方立场的裁定；其价值在于把一个抽象议题——AI 反弹的成因——拉回到可核验的立场分歧。
Qwen3.8-27B：可跑在笔记本上的 27B 开源视觉模型
阿里 Qwen 实验室 8 月 14 日在 Hugging Face 发布 Qwen3.8-27B：Apache 2.0 协议、27B 参数、原生视觉输入、26.2 万 token 原生上下文（可扩展至 100 万）。这是继上周开源 2.4T 参数 Max 级模型后，Qwen3.8 系列的密度模型补充。
Simon Willison 8 月 16 日的上手测试提供了独立验证：17GB 的 Q4_K_M 量化版可在 M5 Max 与 DGX Spark 上运行，能写代码、调用工具、标注图像边界框。他同时指出一个实际痛点——模型默认 reasoning_effort 为 xhigh，导致"过度思考"：画一只骑自行车的鹈鹕花了 21 分钟、消耗 2.2 万推理 token，关掉推理后仅 137 秒；本地生成速度约 15–30 token/秒，明显慢于托管 API。
这条消息的意义不在单一模型，而在开源模型"本地可用"边界的继续前移：一个带视觉、能驱动编码 agent 的通用模型，被压缩到 17GB、可离线运行。代价是密度模型的显存带宽瓶颈——它够聪明，但还不够快。配合 llama.cpp 的多 token 预测（MTP），Willison 测到约 72% 的速度提升，说明社区优化仍有空间。