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

OCTO-VEC: Empresa de software virtual de código abierto con 24 agentes de IA.
OCTO-VEC es un proyecto de código abierto en TypeScript/SQLite que simula una empresa de software con 9 agentes de IA predeterminados y 15 especialistas contratables. Incluye escaneo de seguridad automatizado, identidades git por agente y soporta más de 22 proveedores de LLM.

Memento v1.0: Memoria Persistente Local para Agentes de IA de Programación
Memento v1.0 es una capa de memoria completamente local para agentes de codificación con IA que ejecuta incrustaciones, almacenamiento y búsqueda en tu máquina sin dependencias en la nube. Utiliza incrustaciones all-MiniLM-L6-v2, indexación HNSW y es compatible con múltiples IDEs con 17 herramientas MCP.

Claude IDE Bridge: Herramienta MCP para Acceso Remoto al Editor
Claude IDE Bridge es una herramienta de código abierto que proporciona a Claude AI acceso de control remoto a editores de código a través de MCP (Protocolo de Contexto del Modelo). Expone conocimientos del editor como información de tipos en vivo y estado del depurador como herramientas invocables.

Desarrollador construye biblioteca de compresión en Rust con Claude Opus 4.6, cuestiona su utilidad.
Un desarrollador utilizó Claude Opus 4.6 durante dos semanas para crear una biblioteca de compresión en Rust de 15.800 líneas con 449 pruebas aprobadas, enlaces Python y una capa C FFI, pero se pregunta si realmente se necesitaba otra biblioteca de compresión.