Datenrückblick Oktober 2026
Token stiegen im Oktober um 37 %
Unsere Analyse der KI-Highlights des letzten Monats. Die Token-Nutzung stieg rasant, der Preis pro Token sank weiter, und agentenbasierter Traffic macht inzwischen den Großteil des Traffics über OpenRouter aus.
Highlights
- Das Token-Volumen stieg weiter: um 37 % gegenüber September und auf fast das 25-Fache gegenüber Januar.
- Der effektive Preis pro Token sank: Der gemittelte Preis pro Token sank kontinuierlich weiter und lag im letzten Monat 57 bis 70 % unter den Durchschnittswerten vom Januar.
- Entscheidungsmodelle erhalten inzwischen 21 % aller Anfragen: Obwohl die Kategorie erst wenige Wochen alt ist, erhalten Entscheidungsmodelle inzwischen mehr Anfragen als jede andere Modalität außer Textmodellen.
790 Billionen Token im Oktober
Der Oktober war der größte Monat in der Geschichte von OpenRouter: 790 Billionen Token, ein Anstieg um 37 % gegenüber September und um das erstaunliche 25-Fache gegenüber Januar.
Der Anstieg war breit gefächert, doch die Aktualisierung von DeepSeek V4.1 Flash zusammen mit der Einführung von Haiku 5.5 und dem Rest der Claude-5.5-Familie trug maßgeblich dazu bei.
Monatliches Volumen, Januar bis Oktober
OpenRouterAgenten verbrauchen 76 % aller Token
Die Dominanz von Agenten hat im Laufe des Jahres 2026 nur zugenommen. Wir klassifizieren jeden API-Schlüssel mit einem gewichteten Klassifikator anhand von sieben Signalen, darunter die Rate der Tool-Aufrufe, die Anzahl der Gesprächsrunden und die zeitliche Verteilung der Anfragen, als agentisch, menschlich oder gemischt.
Vor einem Jahr entfielen auf agentische Schlüssel 8 % der Token. Im Oktober waren es 76 %, etwa 600 Billionen Token.
Monatliche Token nach Typ
OpenRouterEin besonderes Merkmal der Nutzung durch Agenten ist, dass derselbe, oft umfangreiche Kontext bei jedem Gesprächsschritt erneut gesendet wird, weshalb die Prompt-Zwischenspeicherung für Agenten wichtiger ist als für die Nutzung durch Menschen. Die meisten Anbieter lieferten im Oktober zwischengespeicherte Präfixe für 85 bis 97 % der Prompt-Token von Agenten. Der Median der Cache-Trefferrate ist stark gestiegen, von 76,1 % im Juni auf über 90 % im Oktober.
Agentische Cache-Trefferquote nach Inferenzanbieter
OpenRouterDie Blasengröße entspricht den bereitgestellten Token für agentische Aufgaben. Die Farbe zeigt den Bereich der Cache-Trefferrate.
- Cache-Trefferrate unter 70 %
- 70–90%
- Über 90 %
Modelle mit offenen Gewichten erholten sich
Der Open-Weight-Anteil an bezahlten Token sank in der Woche des 28. September auf 52 %, als Claude Opus 5.5, Sonnet 5.5 und GPT-6.1 Sol alle veröffentlicht wurden. Zwei Wochen später lag er wieder über 70 %, hauptsächlich aufgrund von DeepSeek V4.1 Flash.
Modelle mit offenen Gewichten machen etwa ein Viertel der Ausgaben für kostenpflichtige Nutzung aus, gegenüber 11 % im Januar, und dieser Anteil hat sich im letzten Vierteljahr kaum verändert.
Wöchentlicher Anteil von Open-Weight-Modellen am Tokenverbrauch und an den Ausgaben
OpenRouterDer effektive Preis pro Token ist seit Januar um 57 bis 70 % gesunken
Der gemischte Preis pro Million Token sank bei Modellen mit geschlossenen Gewichten von 1,21 $ auf 0,52 $ und bei Modellen mit offenen Gewichten von 0,28 $ auf 0,084 $. Der Abstand zwischen ihnen vergrößerte sich vom 4,3-Fachen auf das 6,2-Fache.
Dieser effektive Preis kann sich aus vielen Gründen ändern: durch die Listenpreise der Modelle, den Modellmix selbst oder die Cache-Trefferquote pro Sitzung. Der Preisrückgang bei Closed-Weight-Modellen im August war größtenteils auf eine Verschiebung im Modellmix zurückzuführen: GPT-5.6 Luna wurde mit etwa 0,07 $ pro Million Token in den Tagen nach seiner Einführung zum meistgenutzten kostenpflichtigen geschlossenen Modell.
Effektiver Preis pro 1 Mio. Token
OpenRouterModellanteil einzelner Labore
Typischerweise konzentriert sich der Datenverkehr jedes KI-Labors auf wenige Modelle, und die neueste Veröffentlichung übernimmt meist innerhalb eines Monats die Führung. Wählen Sie ein KI-Labor aus, um zu sehen, wie sich seine Token- und Ausgabenverteilung im Jahresverlauf verändert hat.
Modellmix innerhalb jedes Labors
OpenRouterDie sechs führenden Modelle nach Token-Volumen im Oktober sowie alle übrigen.
- Claude Opus 5.5
- Claude Sonnet 5.5
- Claude Haiku 5.5
- Claude Opus 5
- Claude Sonnet 5
- Claude Fable 5.1
- Other
Token-Anteil
Anteil an den Ausgaben
Open-Weight-Labore führen beim Wachstum
Seit Mai stieg die monatliche Token-Anzahl von Z.ai um etwa das Zwanzigfache und die von DeepSeek um etwa das Zwölffache. Bei den Ausgaben verzeichnete Z.ai einen Anstieg um etwa das Sechsfache, Anthropic einen Anstieg um 76 %, und MiniMax einen Rückgang um 20 %, obwohl seine Token-Anzahl deutlich stieg.
Das Wachstum einzelner Labore verläuft selten linear. Bei einem zunehmend umkämpften Veröffentlichungskalender kann der Zeitpunkt eines neuen Modells das Wachstum eines Labors innerhalb eines einzigen Monats stark verändern.
Wachstum seit Mai nach Forschungslabor
OpenRouterMonatliche Token oder Ausgaben pro Labor, indexiert auf Mai = 100.
Die Aufgabenrangliste hebt zwei Modelle besonders hervor
Wir ordnen eine Stichprobe von Anfragen den Aufgabenkategorien auf unserer Ranglistenseite zu. Nach Token liegt DeepSeek V4.1 Flash bei den meisten Programmier- und Agentenaufgaben vorn. Wechseln Sie zur Ausgabenansicht, und Claude Opus 5.5 führt den Großteil der Rangliste an.
Weitere vertretene Modelle sind Jev 1.13, das Entscheidungsmodell von TypeSafe, und GLM 5.3 Flash, mit starken Ergebnissen sowohl bei der Datenextraktion als auch bei der Datentransformation.
Bestes Modell je Aufgabe, Oktober
OpenRouterDie fünf führenden Aufgaben jeder Kategorie nach Token. Die Aufgabentaxonomie der Ranglisten enthält zwei Datenaufgaben.
Allgemein
Klassifizierung
TypeSafe Jev 1.1314 % der Aufgaben-Token
Fragen und Antworten & Wissen
Step 5 Preview33 % der Aufgaben-Token
Rollenspiel & Fiktion
DeepSeek V4 Flash
11 % der Aufgaben-Token
Texterstellung
GLM 5.3 Flash21 % der Aufgaben-Token
Zusammenfassung
Step 5 Preview67 % der Aufgaben-Token
Programmierung
Codegenerierung
DeepSeek V4.1 Flash
23 % der Aufgaben-Token
Fehlersuche
DeepSeek V4.1 Flash
19 % der Aufgaben-Token
Datei-E/A
DeepSeek V4.1 Flash
17 % der Aufgaben-Token
Codeprüfung
DeepSeek V4.1 Flash
17 % der Aufgaben-Token
Shell-Ausführung
DeepSeek V4.1 Flash
24 % der Aufgaben-Token
Agent
Workflow-Ausführung
DeepSeek V4.1 Flash
16 % der Aufgaben-Token
Mehrstufige Planung
DeepSeek V4.1 Flash
18 % der Aufgaben-Token
Tool-Zuweisung
DeepSeek V4.1 Flash
17 % der Aufgaben-Token
Gedächtnisextraktion
MiMo V2.6 Flash17 % der Aufgaben-Token
Websuche
DeepSeek V4.1 Flash
15 % der Aufgaben-Token
Daten
Datenextraktion
GLM 5.3 Flash12 % der Aufgaben-Token
Datentransformation
GLM 5.3 Flash29 % der Aufgaben-Token
Die Labore mit geschlossenen Modellgewichten (und DeepSeek) führen bei der Nutzerbindung
Es gibt viele Möglichkeiten, die Nutzerbindung für ein Modell oder ein KI-Labor zu messen. Hier haben wir die Konten betrachtet, die in einem Monat mindestens 100 kostenpflichtige Anfragen an Modelle eines bestimmten KI-Labors gesendet haben, und geprüft, wie viele im Folgemonat erneut dasselbe KI-Labor nutzten. Der Schwellenwert filtert einmalige Tests heraus, und die Reihenfolge der KI-Labore war bei niedrigeren und höheren Grenzwerten sehr ähnlich.
Von September bis Oktober behielt Google 78 % dieser Konten, Anthropic 74 % und OpenAI 74 %. Die führenden Open-Weight-Labore haben tendenziell eine niedrigere monatliche Bindungsrate, und im Oktober war es nicht anders.
Bindung im Monatsvergleich nach Modellentwickler
OpenRouterAnthropic
OpenAI
DeepSeek
Z.ai
Qwen
MiniMax
Entscheidungsmodelle erreichten einen Anteil von 21 % der Anfragen
Entscheidungsmodelle (oder System-One-Modelle in der Nomenklatur von TypeSafe) beurteilen eine eng umrissene Frage, etwa zum Routing, zur Moderation oder zu einer Ja-Nein-Prüfung. Sie entstanden erst Mitte September als Kategorie und erreichten bis zur Woche des 26. Oktober einen Anteil von 21 % aller Anfragen.
Der Begriff „Textmodelle“ bezeichnet hier jede Anfrage an die Chat Completions-API, einschließlich Anfragen mit Bildeingaben. Gemessen an Token oder Ausgaben statt an Anfragen würden Entscheidungsmodelle einen deutlich kleineren Anteil des wöchentlichen Datenverkehrs ausmachen.
Wöchentlicher Anteil der Anfragen nach Anfragetyp
OpenRouterOpen-Weight-Inferenzanbieter: Together steigt auf Platz eins
Unter den Anbietern, die Modelle mit offenen Gewichten bereitstellen, Together stieg nach der Gesamtzahl bereitgestellter Token vom 18. Platz im Juni auf den ersten Platz im Oktober. DeepSeek fiel im September auf den neunten Platz zurück und kehrte mit V4.1 Flash auf den zweiten Platz zurück, und InferenceNet stieg auf dem vierten Platz in die Top Ten ein.
Rangliste der Open-Weight-Anbieter nach Token
OpenRouterDie Top Ten jedes Monats, Juni bis Oktober. Bewegen Sie den Mauszeiger über eine Linie, um einen Anbieter zu verfolgen.
Wir analysieren jede Woche wichtige Trends aus diesem Datenpool mit einer Billiarde Token. Abonnieren Sie Inferred, unseren Daten-Newsletter, um alle unsere wichtigen Forschungsberichte direkt in Ihrem Posteingang zu erhalten.
Hinweise zur Methodik
- Die Daten umfassen Anfragen über die OpenRouter-API vom 1. Januar bis zum 31. Oktober 2026; das Diagramm zur Agentennutzung beginnt im September 2025. Die Wochen in den Wochendiagrammen beginnen am Montag.
- Token sind die Summe aus Prompt- und Completion-Token. Ausgaben sind die abgerechnete Nutzung. Labs sind Modellhersteller, und ein Modell gilt als Open-Weight, wenn seine Gewichte öffentlich veröffentlicht werden.
- Jeder API-Schlüssel wird jeden Monat anhand von sieben gewichteten Signalen klassifiziert: Tool-Aufrufrate, Verhältnis von Eingabe zu Ausgabe, Gesprächsschritte pro Anfrage, Cache-Trefferrate, angebotene Tools pro Anfrage, Zeit zwischen Anfragen und Abbruchrate. Ein Wert von 0,50 oder mehr steht für die Nutzung durch Agenten, 0,25 bis 0,49 für gemischte Nutzung und unter 0,25 für die Nutzung durch Menschen.
- Kostenpflichtiger Datenverkehr schließt kostenlose Modellvarianten aus.
- Der effektive Preis, die Cache-Trefferquote und der Anbieterrang schließen Traffic mit eigenen Schlüsseln (BYOK) und Stealth-Modelle aus. Die Cache-Trefferquote ist das Verhältnis zwischengespeicherter Prompt-Token zu Prompt-Token beim Traffic von agentischen Schlüsseln, für Anbieter mit mindestens 1 Billion agentischen Token in diesem Monat.
- Die führenden Modelle je Aufgabe werden anhand einer Stichprobe von Anfragen ermittelt, die in die Aufgabentaxonomie der Ranglisten eingeordnet und nach der Stichprobenrate gewichtet werden.
- Die Bindungsrate zählt Konten mit mindestens 100 kostenpflichtigen Anfragen an die Modelle eines Labors in einem Monat und betrachtet ein Konto als gebunden, wenn es im Folgemonat eine beliebige kostenpflichtige Anfrage an dieses Labor gesendet hat. Gesperrte Konten sind ausgeschlossen.
- Entscheidungsmodelle sind Anfragen an die Decisions-API. Textmodelle sind Anfragen an die Chat Completions-API, einschließlich Anfragen mit Bildeingaben.