Models.dev：AI 模型百科全书的开源实践

想象一下，你正在开发一款 AI 应用，需要在十几个大模型供应商之间切换——OpenAI 的 GPT-4o、Google 的 Gemini、Anthropic 的 Claude、国内的 DeepSeek……每个供应商的 API 定价不同、支持的模型版本不同、上下文窗口大小各异。更让人头疼的是，这些信息每隔几个月就会发生变化，文档可能已经过时，你的应用可能因此多花冤枉钱，或者直接调用失败。 这正是 Models.dev 试图解决的问题。这是一个社区驱动的开源项目，致力于构建一个全面、实时更新的 AI 模型数据库，涵盖全球 138 个供应商、数百个模型的规格、定价和能力信息。项目最初由 AI 编程工具 opencode 内部使用，现已开源给整个社区，被超过 4500 名 GitHub 用户星标关注。

背景：为什么需要一份 AI 模型的「百科全书」？

当前 AI 领域面临一个尴尬的现实：没有任何单一平台能提供所有可用模型的完整信息。OpenRouter、API 聚合平台、AI SDK 开发者……他们都需要一份可靠的模型参考数据。传统的做法是维护一份电子表格，但电子表格的维护成本极高，容易过期，且难以自动化集成。 Models.dev 的发起者（anomalyco 团队）本身就是 AI 编程工具 opencode 的开发者。在实际开发过程中，他们需要频繁查询各模型的能力边界和价格信息，因此萌生了建立统一数据库的想法。这个项目并非闭门造车，而是以社区贡献的模式运营——任何人可以为数据库添加新模型、更新价格或修正信息。

核心功能：一份数据，多种使用方式

Models.dev 的数据以 TOML 格式存储在 GitHub 仓库中，按供应商和模型进行目录分组。每个模型的元数据包含：

• 模型标识符（Model ID）：与 AI SDK 兼容的唯一标识，如 anthropic/claude-3-5-sonnet-20241022
• 定价信息（Cost）：输入/输出 token 单价、缓存读取/写入价格、多层级计费（Context Tier）
• 能力边界（Limits）：上下文窗口大小、输入/输出 token 上限
• 模态支持（Modalities）：是否支持文本/图像/音频/视频输入输出
• 特殊能力：是否支持工具调用（tool_call）、推理模式（reasoning）、结构化输出（structured_output）等
• 知识截止日期：模型训练数据的截止时间
• 权重开放情况：是否为开源权重模型 这些数据通过多个渠道对外提供：

1. 公开 API：curl https://models.dev/api.json 返回完整的 JSON 模型数据库（432KB），可直接集成到应用中
2. Provider Logo API：https://models.dev/logos/{provider}.svg 提供各供应商的 SVG 品牌标识
3. JSON Schema：/model-schema.json 提供 AI SDK 兼容的模型枚举 schema，便于 IDE 自动补全
4. 静态网站：models.dev 展示完整的模型目录和搜索功能

技术架构：简约而不简单

从代码结构来看，Models.dev 采用 monorepo 架构，技术栈为 TypeScript + Bun，部署在 Cloudflare Workers 上（无服务器边缘计算）：

• packages/core：核心库，包含数据 schema 验证（基于 Zod）、模型数据生成脚本、同步脚本。Schema 定义极为精细，支持 Cost、Context Tier、多模态输入输出等复杂字段的校验
• packages/function：Cloudflare Worker 处理器，处理 API 请求、路由分发、PostHog 统计上报
• packages/web：静态前端，构建后与 Worker 一起部署
• providers/：138 个供应商目录，每个供应商下包含 provider.toml 元数据文件和 models/ 子目录存放各模型 TOML 定义文件 项目使用 SST 框架（基于 Pulumi）管理基础设施配置，所有代码部署到 Cloudflare Workers，基础设施即代码，版本化管理。

图1：Models.dev 项目由 anomalyco 团队开发和维护 数据验证机制也值得称道。项目内置了完整的 Zod schema 校验，确保入库的每个模型 TOML 文件都符合规范——字段类型、取值范围、正则校验（日期格式、成本非负等）一应俱全。添加新模型前需通过 bun validate.ts 验证，保证数据质量。

上手体验：普通用户 vs 开发者

对于普通 AI 应用开发者，使用 Models.dev 极其简单——一行 curl 命令即可获取完整数据：

curl https://models.dev/api.json | jq '.openai.models["gpt-4o"].cost'

对于希望贡献数据的开发者，流程也很清晰：在 providers/ 下找到对应供应商目录，创建或修改 TOML 文件，然后提交 Pull Request。整个贡献门槛不高，文档示例详细。

局限与挑战

Models.dev 并非没有局限。首先，它本质上是静态数据仓库，不提供实际的模型推理服务——数据可能存在滞后，价格变动无法实时同步。其次，项目高度依赖社区贡献，部分小众供应商的模型信息可能不完整或更新不及时。 此外，项目对中国市场的覆盖仍有空白。尽管已收录 minimimax-cn、deepseek、zhipuai 等国内供应商，但不少模型的定价信息可能因缺乏英文公开资料而缺失。随着国内 AI 生态的快速发展，这部分数据的维护压力会持续增加。

行业意义与未来

Models.dev 的出现填补了 AI 领域的一个关键空白：一份由社区维护、机器可读的模型规范数据库。它代表了 AI 基础设施逐步走向标准化、透明化的趋势——类似一个 AI 模型的 OpenStreetMap，任何人都可以使用、修正和扩展。 从增长曲线看，该项目在 GitHub 上持续获得关注，Star 数量突破 4500，反映了开发者在 AI SDK 集成场景中对此类参考数据的迫切需求。随着 AI 模型市场的持续扩张，一个开放、实时的模型数据库将变得愈发重要。 如果你正在开发涉及多模型调用的 AI 应用，或者希望了解各供应商的能力对比，Models.dev 是一个值得关注和使用的工具——它让 AI 模型的选择不再是「盲人摸象」，而是有据可依的理性决策。

本报告基于 GitHub 仓库 anomalyco/models.dev（dev分支，2026-06-01）的代码分析生成。