Models.dev: Base de datos de código abierto de especificaciones, precios y capacidades de modelos de IA

Models.dev es una base de datos open-source de especificaciones, precios y capacidades de modelos de IA, mantenida como un proyecto contribuido por la comunidad. Los datos se almacenan en el repositorio como archivos TOML, organizados por proveedor y modelo, con logotipos en SVG. También impulsa una API y se utiliza internamente en opencode.
Acceso a la API
Puedes obtener todos los datos de modelos mediante un solo endpoint de API:
curl https://models.dev/api.jsonEl campo ID del modelo (por ejemplo, openai/gpt-5) coincide con el identificador utilizado por AI SDK. Los logotipos de proveedores están disponibles como archivos SVG:
curl https://models.dev/logos/{provider}.svgReemplaza {provider} con el ID del proveedor (por ejemplo, anthropic, openai, google).
Cómo contribuir
Para añadir un nuevo modelo, primero verifica si el proveedor ya existe en el directorio providers/. Si no es así, crea una carpeta de proveedor con un archivo provider.toml:
name = "Nombre del Proveedor"
npm = "@ai-sdk/provider" # Nombre del paquete AI SDK
env = ["PROVIDER_API_KEY"] # Claves de variables de entorno para autenticación
doc = "https://example.com/docs/models" # Enlace a la documentación del proveedorSi el proveedor expone un endpoint compatible con OpenAI, establece npm = "@ai-sdk/openai-compatible" e incluye la URL base: api = "https://api.example.com/v1".
Opcionalmente, añade un logo.svg al directorio del proveedor usando currentColor para rellenos/trazos. Luego crea un archivo TOML de definición del modelo en providers/{provider}/models/. Ejemplo de definición de modelo:
name = "Nombre a Mostrar del Modelo"
attachment = true # soporta archivos adjuntos
reasoning = false # soporta cadena de pensamiento
tool_call = true # soporta llamada a herramientas
structured_output = true # soporta salida estructurada
temperature = true # soporta control de temperatura
knowledge = "2024-04" # fecha de corte de conocimiento
release_date = "2025-02-19"
last_updated = "2025-02-19"
open_weights = true # pesos disponibles públicamente
[cost]
input = 3.00 # por millón de tokens de entrada (USD)
output = 15.00 # por millón de tokens de salida
reasoning = 15.00 # por millón de tokens de razonamiento
cache_read = 0.30 # por millón de tokens de caché leídos
cache_write = 3.75 # por millón de tokens de caché escritos
input_audio = 1.00 # por millón de tokens de audio de entrada
output_audio = 10.00 # por millón de tokens de audio de salida
[limit]
context = 400_000 # ventana de contexto máxima (tokens)
input = 272_000 # tokens máximos de entrada
output = 8_192 # tokens máximos de salida
[modalities]
input = ["text", "image"]
output = ["text"]
[interleaved]
field = "reasoning_content"
Para proveedores wrapper que reflejan modelos existentes, usa extends (no detallado en el fragmento).
Models.dev es una base de datos open-source impulsada por la comunidad. El código fuente está en GitHub, y las contribuciones son bienvenidas para mantener los datos actualizados.
📖 Lee la fuente completa: HN LLM Tools
👀 Ver también

Claude-Powered MCP Tool Generates Interactive HTML Components Without Build Tools
Un desarrollador creó daub.dev, un sistema donde Claude impulsa un servidor MCP para producir componentes de interfaz de usuario HTML estilizados e interactivos a partir de descripciones en lenguaje natural, sin necesidad de React, empaquetadores o pipelines de construcción.

Skales: Un Agente de IA de Escritorio que se Conecta a Ollama Sin Docker
Skales es un agente de IA de escritorio que se conecta a Ollama localmente, sin necesidad de configuración de Docker. Ofrece funciones como gestión de correo electrónico a través de Gmail IMAP, automatización del navegador y chat de voz usando Whisper mediante Groq.

Sherlock: Documentación de Apple Developer como MCP Local para Claude Code
Sherlock indexa 70.000 símbolos de la API de Apple en SQLite FTS5 y proporciona 5 herramientas MCP + 3 habilidades de activación automática para basar a Claude Code en documentación real, evitando alucinaciones.

Motor de Contexto Agéntico: Bucle de Mejora Automatizada de Agentes con una Ganancia de Precisión del 34.2%
Una herramienta de código abierto automatiza todo el ciclo de mejora de agentes, desde el análisis de trazas hasta la implementación de correcciones, logrando una mejora del 34,2% en precisión en Tau-2 Bench en una sola iteración. El sistema utiliza Claude Code en un entorno REPL para analizar fallos y decidir entre correcciones de prompt o de código.