Models.dev 开源：OpenCode 团队的 AI 模型数据库，价格、规格、上下文一网打尽
现在开发 AI 应用的小伙伴们都有同感，模型选择已经成为一个越来越头疼的问题。
曾经只有寥寥几家厂商的局面已经一去不复返，如今国外有 OpenAI、Anthropic、Google、Meta 等，国内有 BAT、字节、快手等自主研发模型。
再加上无数开源模型和垂直领域的专业模型，市场上的 AI 模型数量已经多得让人眼花缭乱。
更让人头疼的是，有些厂商还会把旧版本模型的价格从定价页面上隐藏起来，或者模型信息分散在不同的页面。对于开发成本敏感、需要精确估算预算的项目来说，这种信息不透明的情况简直是噩梦。
最近在 GitHub 上发现的Models.dev项目，正好解决了这个痛点。
它由 OpenCode 团队开发，是一个完全开源的 AI 模型数据库，把各家主流模型的所有关键信息都标准化地整合在了一起。
项目简介
Models.dev是一个全面的 AI 模型规格数据库，目前在 GitHub 上已经积累了 3.6k 颗星，足见其受欢迎程度。
这个项目的核心价值在于，它通过社区协作的方式，把市面上主流 AI 模型的所有关键信息都标准化地整理了出来。
项目最初是 OpenCode 内部使用的工具，后来开源出来造福整个开发者社区。它不是简单的网页展示，而是一个完整的数据库系统，数据以 TOML 格式存储在仓库中，同时提供了公开的 JSON API 供开发者直接调用。
它能帮你解决什么问题？
1、一站式模型信息查询
Models.dev 收录了从基础对话模型到专业领域模型的全场景需求，涵盖了 OpenAI、Anthropic、Google、Meta 等数十家主流 AI 服务提供商。
你可以在一个地方查到所有你关心的信息，不用再打开十几个标签页。
2、精确的成本估算
对于任何商业 AI 项目来说，成本控制都是重中之重。Models.dev 详细记录了每个模型的定价信息，包括：
• 输入成本（每百万 token 美元）
• 输出成本（每百万 token 美元）
• 推理成本（如有）
• 缓存读取成本
• 缓存写入成本
• 音频输入输出成本（如有）
这些信息让你能够精确估算项目的运行成本，再也不用担心账单超支了。
3、能力规格一目了然
除了价格，Models.dev 还记录了每个模型的能力规格，包括：
• 是否支持工具调用（Tool Call）
• 是否支持推理/思维链（Reasoning）
• 是否支持结构化输出
• 是否支持温度控制
• 是否支持文件附件
• 知识截止日期
• 发布和更新时间
• 权重是否开源
• 上下文窗口大小
• 最大输入输出 token 数
• 支持的输入输出模态（文本、图像、音频、视频、PDF 等）
这些指标对于选择合适的模型至关重要。比如，如果你要做 Agent 应用，那工具调用能力就是必需的；如果你要处理长文档，那上下文窗口大小就是关键。
核心亮点
公开的 JSON API
Models.dev 最吸引人的地方之一，就是它提供了公开的 JSON API，你可以直接在自己的项目中调用这些数据。
获取所有模型数据只需要一行命令：
curl https://models.dev/api.json
返回的 JSON 数据包含了所有模型的完整信息，你可以用它来：
• 做模型选型工具
• 开发成本计算器
• 构建自己的模型管理面板
• 在代码中动态选择最优模型
API 的数据结构非常清晰，每个模型都有唯一的 Model ID，这也是 AI SDK 中使用的标识符。
提供商 Logo 也可获取
除了模型数据，你还可以通过 API 获取各个提供商的 Logo：
curl https://models.dev/logos/{provider}.svg
把 provider 替换成 Provider ID 即可，比如anthropic、openai、google等。如果没有某个提供商的 Logo，会返回一个默认的 Logo。
社区驱动，持续更新
Models.dev 采用社区协作的方式维护，目前已经有 219 位贡献者参与其中。这意味着数据库能够保持最新状态，新模型发布后很快就会被收录进去。
所有数据都存储在仓库的providers/目录下，按提供商分类，每个模型用一个 TOML 文件表示。这种结构不仅清晰，也方便贡献和维护。
数据结构详解
让我们看看 Models.dev 是如何组织数据的。首先是提供商的配置，每个提供商在providers/目录下都有一个子目录，里面包含：
•provider.toml：提供商的基本信息
•logo.svg：提供商的 Logo（可选）
•models/目录：该提供商下的所有模型配置
提供商配置示例provider.toml的结构如下：
name = "Provider Name"
npm = "@ai-sdk/provider"
env = ["PROVIDER_API_KEY"]
doc = "https://example.com/docs/models"
如果提供商没有发布 npm 包，但提供了 OpenAI 兼容的接口，可以这样配置：
name = "Provider Name"
npm = "@ai-sdk/openai-compatible"
api = "https://api.example.com/v1"
env = ["PROVIDER_API_KEY"]
doc = "https://example.com/docs/models"
模型配置示例
每个模型用一个 TOML 文件表示，文件名就是 Model ID。比如 GPT-5 的配置可能长这样：
name = "GPT 5"
attachment = true
reasoning = true
tool_call = true
structured_output = true
temperature = true
knowledge = "2025-01"
release_date = "2025-03-15"
last_updated = "2025-03-15"
open_weights = false
[cost]
input = 3.00
output = 15.00
reasoning = 15.00
cache_read = 0.30
cache_write = 3.75
[limit]
context = 400000
input = 272000
output = 8192
[modalities]
input = ["text", "image"]
output = ["text"]
这个配置文件包含了模型的所有关键信息，一目了然。
如果你想在本地运行前端，步骤也很简单：
# 确保安装了 Bun
bun install
cd packages/web
bun run dev
然后访问http://localhost:3000就能看到界面了。
写在最后
在 AI 模型数量爆炸式增长的今天，Models.dev 这样的工具显得尤为珍贵。它解决了模型信息碎片化的痛点，让开发者能够：
• 一站式查询所有主流模型的信息
• 精确估算使用成本
• 快速对比不同模型的能力
• 通过 API 在项目中直接使用这些数据
• 参与社区贡献，让数据库保持最新
最重要的是，它完全开源免费，由社区驱动，没有任何商业门槛。无论是个人开发者还是企业团队，都能从中受益。
如果你经常需要和 AI 模型打交道，一定要把 Models.dev 收藏起来。它会帮你节省大量查资料的时间，让你把更多精力放在真正的业务逻辑上。
项目地址：https://github.com/anomalyco/models.dev
官网：https://models.dev/