Dragos 研究發現至少三家 AI 推理供應商遭入侵,數百個 AWS 金鑰被竊
Dragos 安全研究人員向 AI 供應商發送約 200 萬條含虛假憑證的請求,發現至少三家供應商遭入侵,攻擊者正竊取用戶資料。最大一宗事件中,攻擊者收集數百個 AWS 金鑰,部分來自供應商拒絕處理的請求;Dragos 指出,中介的每一層轉送都能讀取完整請求和回應。
推薦理由:報道沿 AI 路由服務的多層轉送梳理請求暴露路徑,並以 AWS 金鑰遭竊案例呈現中介供應商的存取風險。
OpenRouter 模型路由平台動態:新模型上架、用量排行與開發者選型的真實市場信號。
Dragos 安全研究人員向 AI 供應商發送約 200 萬條含虛假憑證的請求,發現至少三家供應商遭入侵,攻擊者正竊取用戶資料。最大一宗事件中,攻擊者收集數百個 AWS 金鑰,部分來自供應商拒絕處理的請求;Dragos 指出,中介的每一層轉送都能讀取完整請求和回應。
推薦理由:報道沿 AI 路由服務的多層轉送梳理請求暴露路徑,並以 AWS 金鑰遭竊案例呈現中介供應商的存取風險。
零數據保留(ZDR)設定不能阻止提示詞在路由商、服務供應商或遭入侵的伺服器環節外洩,本文並提出梳理及收窄 AI 提示詞路徑的方法。Dragos 在 2026 年 7 月至 11 月向 AI 服務發送近 200 萬條提示詞,發現三家託管服務供應商遭入侵、部分市場轉售商留存提示詞,亦有服務商未遵守私隱設定。文中建議逐跳盤點資料流向、固定上游供應商、在發送前移除機密資料,並以金絲雀憑證監測外洩。
推薦理由:文章將提示詞外洩拆分為供應商遭入侵、轉售商留存及隱私設定未落實等路徑,並整理逐跳盤點、固定供應商和植入金絲雀憑證的防護方法。
OpenRouter 於 2026 年 11 月 22 日移除三家推理服務商,並將 125 個端點移出 ZDR 合資格名單,同時通知所有可能受影響的客戶。Dragos 以約 2,000,000 條含獨特 URL 及 canary credentials 的提示詞進行測試,發現至少三家 AI 服務商有資料暴露,部分轉售商亦透過標準記錄查看並保留客戶提示詞。
推薦理由:這宗事件呈現 ZDR 設定與實際推理路徑之間的落差,並交代 OpenRouter 要求端點恢復資格前須取得供應商保證及通過驗證。
Hugging Face 把 160 個語言模型的推理路由改由 OpenRouter 接手,請求失敗時會在同一呼叫內改試下一間供應商。OpenRouter 2026 年 10 月實測中,容量錯誤減少 46%、首字延遲改善 16.9%、吞吐量提升 16.3%,每次請求成本則高 6.0%。
推薦理由:文章並列路由實測的速度、可靠性與成本變化,並界定自備供應商 API key 不再適用的範圍,方便團隊評估帳單與接入方式。
Hugging Face 宣佈與 OpenRouter 合作,將 Inference Providers 的語言模型請求改由 OpenRouter 路由,按供應商即時價格、速度和可靠性選擇服務商,並在失敗時改由其他供應商重試。
推薦理由:文章説明語言模型路由如何按即時價格、速度和可靠性選擇供應商,並交代故障重試及自備 API key 不再適用的影響。
Stripe 已完成收購 OpenRouter,並提出共同協助企業探索新商業模式,以及優化 Token 路由和用量。交易金額據報約為 75 億至 80 億美元;OpenRouter 於 2026 年 10 月處理約 790 萬億 Token,按月增長 37%,其中約 76% 來自 Agent 相關 API 調用。
推薦理由:收購把 OpenRouter 的模型聚合與路由能力納入 Stripe,並將其 AI 業務延伸至模型調用分配和用量管理,呈現支付平台拓展 AI 基礎設施的方向。
OpenRouter 宣佈更新供應商路由演算法,從主要按低價分配流量,改為綜合實際價格、速度、吞吐量和可靠性選擇供應商,使用者毋須修改程式碼。一週切換實驗將超過 24 million requests 平分至新舊演算法;新演算法的 TTFT p50 下降 16.9%、吞吐量 p50 提升 16.3%、至少遇到一次 429 的請求減少 67%,每 K requests 的成本上升 6.0%。
推薦理由:文章拆解新路由如何權衡有效價格、等待時間與失敗重試成本,並以超過 24 million requests 的一週實驗呈現速度、可靠性與成本變化。
OpenRouter 指南測試四款模型抵禦提示詞注入的表現,並提出標記文件、限制 API key 權限、用 Armor 檢查工具呼叫及避免把機密放入提示詞等防護方法。
推薦理由:文章以四款模型測試提示詞注入防護,量化比較文件標記與工具呼叫檢查的效果,並整理限制模型權限及保護機密資料的實作方法。
要比較 AI 模型價格,應以各模型的 tokenizer 測量自有文本的 token 數,而非只看每 token 單價。
推薦理由:文章提供以自有文本測量各模型每千個字元的 token 數、換算任務成本並重設 token 限制的流程,呈現 tokenizer 差異對價格比較的影響。