Models.dev：AI 模型数据库的开源方案 — 统一查询所有模型的规格与定价

Models.dev 是什么

Models.dev 是一个开源的 AI 模型数据库项目，系统化地收录了市面上主流 AI 模型的规格、定价、能力和基准评测数据。它由 SST 团队创建并维护，同时也是 opencode 的内部模型数据源。

核心定位：用一套统一的数据格式和 API，解决「没有一个数据库包含所有可用 AI 模型信息」的问题。

核心特性

快速上手

获取完整模型目录

# 获取所有模型完整信息（含 Provider 端点和定价）
curl https://models.dev/api.json

# 仅获取模型自身元数据（不含 Provider 信息）
curl https://models.dev/models.json

# 同时获取两套数据合一的目录
curl https://models.dev/catalog.json

获取 Provider Logo

# 替换 provider 为 Provider ID，如 anthropic、openai、google
curl https://models.dev/logos/anthropic.svg

数据模型

Models.dev 使用两层数据架构：模型元数据（Model Metadata）和 Provider 模型定义（Provider Model Definition）。

模型元数据

模型元数据存储模型本身的属性，不依赖任何 Provider。存放在 models/ 目录下。

name = "GPT-5"
family = "gpt"
release_date = "2025-08-07"
last_updated = "2025-08-07"
attachment = true
reasoning = true
temperature = false
tool_call = true
structured_output = true
open_weights = false

[limit]
context = 400_000
input = 272_000
output = 128_000

[modalities]
input = ["text", "image"]
output = ["text"]

[[benchmarks]]
name = "Benchmark Name"
score = 72.5
metric = "accuracy"
source = "https://example.com/results"

Provider 模型定义

Provider 模型定义存放在 providers/<provider_id>/models/ 下，包含定价、服务信息等 Provider 特定的数据。

base_model = "openai/gpt-5"

[cost]
input = 1.25
output = 10.00
cache_read = 0.125

[limit]
context = 200_000  # 可选覆盖
output = 32_000

关键设计：base_model 机制让封装模型（Wrapper Provider）可以引用已有的模型元数据，只需覆写 Provider 特有的定价和限值，无需重复定义。

Provider 定义

name = "Provider Name"
npm = "@ai-sdk/provider"       # AI SDK Package 名称
env = ["PROVIDER_API_KEY"]     # 认证用环境变量
doc = "https://example.com/docs/models"  # 文档链接

对于 OpenAI 兼容接口的 Provider：

npm = "@ai-sdk/openai-compatible"
api = "https://api.example.com/v1"

Schema 字段全览

如何贡献

添加模型元数据

在 models/ 下按 Provider 路径创建 TOML 文件。例如 models/openai/gpt-5.toml。

添加 Provider 模型

1. 检查 providers/ 目录是否已有该 Provider
2. 如有必要，创建 Provider 目录及 provider.toml
3. 可选：添加 logo.svg（使用 currentColor，无固定尺寸）
4. 在 providers/<id>/models/ 下创建模型的 TOML 文件
5. 提交 Pull Request

使用 base_model 复用元数据

对于封装/转售已有模型的 Provider，使用 base_model 引用已有元数据：

base_model = "anthropic/claude-opus-4-6"

[cost]
input = 5.00
output = 25.00

可使用 base_model_omit 移除不需要继承的字段。

验证

提交后 GitHub Action 会自动执行：

• 所有必填字段存在
• 数据类型正确
• 值在可接受范围内
• TOML 语法有效

本地验证命令：

bun run compare:migrations

这条命令会打印每次迁移的 diff，确保生成的 JSON 只在预期范围内变化。

实战场景

场景一：批量比较模型定价

# 获取所有模型的完整数据，用 jq 查询特定条件下的定价
curl -s https://models.dev/api.json | jq '.[] | select(.cost.input < 1) | {name, cost}'

场景二：在 AI SDK 项目中做模型发现

Models.dev 的 Model ID 与 AI SDK 的标识符完全一致。你可以用 catalog.json 来做动态的模型选择 UI。

场景三：CI/CD 中验证模型配置

在自动化流水线中拉取 models.dev 的 TOML 文件，对比内部配置是否与官方数据一致。

优劣势分析

适合谁用

• AI 应用开发者 — 需要在应用内动态获取模型规格和定价
• 模型价格比较平台的构建者 — 可基于此数据集二次开发
• AI SDK 用户 — Model ID 与 AI SDK 一致，可无缝集成
• 关注模型市场动态的研究者 — 通过 API 追踪模型发布节奏和定价变化
• 开源贡献者 — 希望通过 PR 参与 AI 模型数据生态建设

总结

Models.dev 解决了 AI 模型信息分散的痛点。它通过 TOML + API 的双层架构，让模型元数据与 Provider 服务数据解耦，既保持了数据的可维护性，又提供了便捷的查询接口。对于需要批量比较 AI 模型、在应用中集成模型选择功能的开发者来说，是一个值得关注的开源方案。

项目地址

参考资料

• Models.dev GitHub 仓库：项目源代码、README、贡献指南。→ https://github.com/anomalyco/models.dev
• SST（项目维护方）：创建 models.dev 的团队。→ https://sst.dev
• AI SDK：Models.dev Model ID 兼容的 AI 开发工具包。→ https://ai-sdk.dev