Models.dev: Banco de Dados Open-Source de Especificações, Preços e Capacidades de Modelos de IA

✍️ OpenClawRadar📅 Publicado: May 23, 2026🔗 Source
Models.dev: Banco de Dados Open-Source de Especificações, Preços e Capacidades de Modelos de IA
Ad

Models.dev é um banco de dados open-source de especificações, preços e capacidades de modelos de IA, mantido como um projeto comunitário. Os dados são armazenados no repositório como arquivos TOML, organizados por provedor e modelo, com logotipos em SVG. Ele também alimenta uma API e é usado internamente no opencode.

Acesso à API

Você pode obter todos os dados dos modelos por meio de um único endpoint da API:

curl https://models.dev/api.json

O campo ID do Modelo (ex.: openai/gpt-5) corresponde ao identificador usado pelo AI SDK. Logotipos dos provedores estão disponíveis como arquivos SVG:

curl https://models.dev/logos/{provider}.svg

Substitua {provider} pelo ID do Provedor (ex.: anthropic, openai, google).

Ad

Contribuindo

Para adicionar um novo modelo, primeiro verifique se o provedor já existe no diretório providers/. Se não, crie uma pasta do provedor com um arquivo provider.toml:

name = "Nome do Provedor"
npm = "@ai-sdk/provider"  # Nome do pacote AI SDK
env = ["PROVIDER_API_KEY"]  # Chaves de variáveis de ambiente usadas para autenticação
doc = "https://example.com/docs/models"  # Link para a documentação do provedor

Se o provedor expõe um endpoint compatível com OpenAI, defina npm = "@ai-sdk/openai-compatible" e inclua a URL base: api = "https://api.example.com/v1".

Opcionalmente, adicione um logo.svg ao diretório do provedor usando currentColor para preenchimentos/traçados. Em seguida, crie um arquivo TOML de definição do modelo em providers/{provider}/models/. Exemplo de definição de modelo:

name = "Nome de Exibição do Modelo"
attachment = true  # suporta anexos de arquivos
reasoning = false   # suporta cadeia de pensamento
tool_call = true    # suporta chamada de ferramentas
structured_output = true  # suporta saída estruturada
temperature = true   # suporta controle de temperatura
knowledge = "2024-04"  # data de corte do conhecimento
release_date = "2025-02-19"
last_updated = "2025-02-19"
open_weights = true   # pesos disponíveis publicamente

[cost] input = 3.00 # por milhão de tokens de entrada (USD) output = 15.00 # por milhão de tokens de saída reasoning = 15.00 # por milhão de tokens de raciocínio cache_read = 0.30 # por milhão de tokens de cache lidos cache_write = 3.75 # por milhão de tokens de cache escritos input_audio = 1.00 # por milhão de tokens de áudio de entrada output_audio = 10.00 # por milhão de tokens de áudio de saída

[limit] context = 400_000 # janela de contexto máxima (tokens) input = 272_000 # tokens máximos de entrada output = 8_192 # tokens máximos de saída

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

[interleaved] field = "reasoning_content"

Para provedores wrapper que espelham modelos existentes, use extends (não detalhado no trecho).

Models.dev é um banco de dados open-source e orientado pela comunidade. O código-fonte está no GitHub, e contribuições são bem-vindas para manter os dados atualizados.

📖 Leia a fonte completa: HN LLM Tools

Ad

👀 See Also

Claude Code v2.1.126: Seletor de Modelo, Limpeza de Projeto, Correções no OAuth e Melhorias de Segurança
Tools

Claude Code v2.1.126: Seletor de Modelo, Limpeza de Projeto, Correções no OAuth e Melhorias de Segurança

Claude Code v2.1.126 adiciona um seletor /model para gateways compatíveis com Anthropic, um novo comando claude project purge, corrige o login OAuth em WSL2/SSH/containers e corrige problemas de segurança com configurações gerenciadas e exposição da área de transferência no Windows.

OpenClawRadar
Guarda de Raciocínio: Detecção de Loop em Nível de Proxy para Inferência Local de LLM
Tools

Guarda de Raciocínio: Detecção de Loop em Nível de Proxy para Inferência Local de LLM

Uma camada de proteção no proxy que detecta e recupera de loops de raciocínio de LLMs usando verificações determinísticas no stream — limites de tokens, repetição de n-gramas e impressão digital de frases — sem modificações no modelo.

OpenClawRadar
O benchmark MemAware mostra que a memória do agente baseado em RAG falha na recuperação de contexto implícito.
Tools

O benchmark MemAware mostra que a memória do agente baseado em RAG falha na recuperação de contexto implícito.

O benchmark MemAware testa se os agentes de IA conseguem trazer à tona contextos passados relevantes quando os usuários não os solicitam explicitamente, revelando que os sistemas de memória atuais têm apenas 2,8% de precisão em consultas implícitas difíceis, contra 0,8% sem memória.

OpenClawRadar
MOOSE-Star: Um Modelo de 7B e um Conjunto de Dados de 108K Artigos para Descoberta de Hipóteses Científicas – ICML 2026
Tools

MOOSE-Star: Um Modelo de 7B e um Conjunto de Dados de 108K Artigos para Descoberta de Hipóteses Científicas – ICML 2026

MiroMind lança MOOSE-Star no Hugging Face: um modelo de 7B (fine-tune do DeepSeek-R1-Distill-Qwen-7B) para descoberta de hipóteses científicas, junto com o conjunto de dados TOMATO-Star de 108 mil artigos. Benchmarks mostram que o MS-7B alcança 54,34% de precisão na recuperação de inspirações, superando o GPT-5.4 e se aproximando do Gemini-3 Pro.

OpenClawRadar