Ich habe den automatischen Router von OpenRouter auseinandergenommen. Und dann versucht, ihn zu schlagen
Wer entscheidet, welches Modell auf Ihre Anfrage antwortet? Ich habe mir den Auto Router von innen angesehen, ihn an tschechischen Aufgaben gemessen und ihm meinen eigenen Ansatz gegenübergestellt: erst antworten, dann prüfen.


Wenn Sie eine Anfrage an ein „automatisches“ Modell schicken, muss jemand für Sie entscheiden, welches Modell antwortet. Für eine Begrüßung reicht das günstigste, für einen Beweis aus der Zahlentheorie nicht. OpenRouter hat dafür den Auto Router, ich habe in Hyperprostor eine eigene Lösung. Mich hat interessiert, wie die anderen es machen, was man von ihnen lernen kann und ob ich es besser kann.
Ein Router, der fast alles über sich verrät
OpenRouter kann der Antwort Metadaten darüber beilegen, wie die Entscheidung gefallen ist. Dadurch musste ich nicht raten, und die Analyse stützt sich auf deren eigene Daten aus mehr als zweieinhalbtausend Aufrufen.
Das habe ich herausgefunden:
- Er wählt nicht aus Hunderten von Modellen. Das Angebot für eine einzelne Entscheidung umfasst 13 bis 14 Modelle.
- Vor der Antwort stellt er einem kleinen Entscheidungsmodell neun Fragen. Aufgabentyp (30 Klassen), Schwierigkeit, erforderliche Genauigkeit, Länge der Ausgabe, Geschwindigkeitsempfindlichkeit und weitere.
- Den Gewinner lost er aus. Die Auswahlwahrscheinlichkeit sinkt mit dem Quadrat des geschätzten Preises. Dieselbe Anfrage bekommt deshalb jedes Mal ein anderes Modell; eine meiner Aufgaben haben nacheinander drei verschiedene gelöst.
- Das Längenlimit der Antwort entscheidet mehr als die Aufgabe. Denselben mathematischen Beweis bekam mit einem Limit von bis zu tausend Token die günstigste Modellklasse, mit einem Limit von viertausend die höchste.
- Er kennt kein Risiko. Die Anfrage eines Elternteils, dessen zweijähriges Kind eine Knopfzelle verschluckt hat, stufte er als mittelschwer und dringend ein, aber nicht als riskant. Eine ähnliche Frage zur Dosierung eines Medikaments für ein Kind schickte er an eines der günstigsten Modelle. Und einen Achtundfünfzigjährigen, der fragte, ob er auf den Rat eines Bankberaters hin seine gesamten Lebensersparnisse von 3,2 Millionen auf einmal in einen einzigen Fonds stecken soll, fertigte er mit einem günstigeren Modell als normale Unterhaltung ab.
- Tschechisch bewertet er genauso wie Englisch. Das ist eine gute Nachricht.

Wie ich gemessen habe
Ich habe vier Arten von Tests verwendet:
| Testreihe | Umfang | Wozu |
|---|---|---|
| Tschechische Kalibrierungsaufgaben | 190 Aufgaben in drei Reihen | wohin der Router gewöhnliche, schwere und riskante Anfragen schickt |
| Aufgaben mit überprüfbarem Ergebnis | 26 Aufgaben, wiederholt | wer richtig antwortet, zu welchem Preis und wie schnell |
| Test der Prüfer | 439 Antworten, davon 89 fehlerhafte | wie zuverlässig sich eine falsche Antwort erkennen lässt |
| Gesprächsszenarien | zufriedener Nutzer, wiederholte Beschwerde, Themenwechsel | wie sich der Router in einem längeren Gespräch verhält |
Die Aufgaben mit überprüfbarem Ergebnis habe ich so geschrieben, dass die richtige Antwort ein Programm berechnet und nicht ein Juror. Zum Beispiel:
- ein Ablaufplan für sieben Aufträge auf zwei Maschinen mit Terminen und Vertragsstrafen,
- eine Nachrichtenwarteschlange mit Ratenbegrenzung und Wiederholung fehlgeschlagener Versuche,
- die Reihenfolge von Ausgaben in asynchronem Code,
- eine Wahrscheinlichkeit beim Würfeln, angegeben als exakter Bruch,
- ein Logikrätsel mit genau einer Lösung.
Bei solchen Aufgaben kann man die Antwort nicht „fast treffen“. Sie stimmt oder sie stimmt nicht.
Worin ich mich unterscheide
Der Konkurrenz-Router entscheidet im Voraus und blind. Er wählt ein Modell aus und erfährt nie, ob er richtig lag.
Ich mache es in Hyperprostor umgekehrt: Die Antwort entsteht zuerst, und dann prüft sie ein unabhängiger Prüfer. Das starke und teure Modell kommt nur dort zum Zug, wo die Prüfung nicht bestanden wurde. Es löst die Aufgabe dann von Grund auf neu und sieht den ersten Versuch nicht, denn ich habe gemessen, dass es mit einem fehlerhaften Entwurf vor Augen den Fehler oft übernimmt. Anfragen mit ernsten Folgen (Gesundheit, Geld, Recht) gehen gleich an das starke Modell.
Im Test der Prüfer fing meiner 87 von 89 fehlerhaften Antworten ab.
Ergebnisse
Erste Runde: 16 Aufgaben, jede wiederholt
| Mein Router | Auto Router | |
|---|---|---|
| Richtige Antworten | 127 von 128 | 60 von 64 |
| Fehlerquote | 0,8 % | 6,3 % |
| Preis pro richtige Antwort | 0,035 USD | 0,037 USD |
Das sind ungefähr achtmal weniger falsche oder nicht abgeschlossene Antworten bei gleichem Preis.
Zweite Runde: schnellere Konfiguration, 26 Aufgaben
| Mein Router | Auto Router | |
|---|---|---|
| Richtige Antworten | 78 von 78 | 90 von 94 |
| Preis pro richtige Antwort | 0,013 USD | 0,025 USD |
| Schwere Aufgaben, Median der Antwortzeit | 13 s | 17,5 s |
In der ersten Runde war ich genauer, aber langsamer. Es zeigte sich, dass nicht die Prüfung bremst (rund dreieinhalb Sekunden), sondern die Wahl des ersten Modells. Nachdem ich es ausgetauscht hatte, war ich schneller und zum halben Preis.

Was die Zahlen nicht sagen
- Die Stichprobe ist klein. Ein Fehler gegenüber vieren ist ein deutlicher Unterschied, aber kein statistischer Beweis. Bei Tausenden von Aufgaben kann das Verhältnis anders ausfallen.
- Die Aufgaben sind von einer Art. Über das Schreiben von Texten, Recherchen oder lange Arbeit mit Werkzeugen sagt der Test nichts.
- Die Zeiten in der zweiten Runde sind zusammengesetzt aus einzeln gemessenen Schritten, nicht aus dem echten Betrieb.
Was ich von ihnen übernehme
Der Router von OpenRouter ist gut gemacht, und ein paar Dinge übernehme ich gern von ihm: Er kann ein Modell über das ganze Gespräch hinweg halten, arbeitet mit Live-Preisen, und seine Fragen zu Schwierigkeit und Genauigkeit sind stabil. Einen Teil davon füge ich bei mir hinzu.
Das Losen und die Abhängigkeit vom Ausgabelimit übernehme ich nicht. Und die Prüfung nach der Antwort halte ich für das Wichtigste, was mich unterscheidet. In meinem Test ist meine Lösung dadurch vor allem deutlich genauer ausgefallen, dazu günstiger und in der zweiten Runde auch schneller.
Die gesamte Untersuchung kostete knapp 30 Dollar.
Ruhm den Siegern, Ehre den Besiegten.
Weitere Artikel
November 2026
Ich habe 300 Zwerge mit der Seele von Pragern erschaffen: Rekord von 264.081 Tok/s und 719,6 Menschen/s, höhere Qualität bremst auf 45 Tausend
LesenOktober 2026
KI hat einen IQ von 151. Was haben wir damit eigentlich gemessen?
LesenOktober 2026