OpenRouter 发布教程,讲解如何用应用的真实输入和输出契约评测 LLM,通过相同任务对比评分准确率、计费成本和请求耗时。在其 60 个合成任务上,GPT-6.1 Sol 三次重复全部通过 180/180,DeepSeek 成本最低、通过 157/180;与 Artificial Analysis 公开榜单的 Spearman 相关性仅 0.109。