Models.dev: Открытая база данных спецификаций, цен и возможностей AI-моделей

Models.dev — это открытая база данных спецификаций, цен и возможностей моделей ИИ, поддерживаемая сообществом. Данные хранятся в репозитории в виде TOML-файлов, организованных по провайдерам и моделям, с логотипами в формате SVG. Она также обеспечивает работу API и используется внутри проекта opencode.
Доступ к API
Вы можете получить все данные моделей через одну точку API:
curl https://models.dev/api.jsonПоле ID модели (например, openai/gpt-5) соответствует идентификатору, используемому в AI SDK. Логотипы провайдеров доступны в виде SVG-файлов:
curl https://models.dev/logos/{provider}.svgЗамените {provider} на ID провайдера (например, anthropic, openai, google).
Как внести вклад
Чтобы добавить новую модель, сначала проверьте, существует ли провайдер в каталоге providers/. Если нет, создайте папку провайдера с файлом provider.toml:
name = "Название провайдера"
npm = "@ai-sdk/provider" # Имя пакета AI SDK
env = ["PROVIDER_API_KEY"] # Ключи переменных окружения для аутентификации
doc = "https://example.com/docs/models" # Ссылка на документацию провайдераЕсли провайдер предоставляет совместимую с OpenAI конечную точку, укажите npm = "@ai-sdk/openai-compatible" и добавьте базовый URL: api = "https://api.example.com/v1".
При желании добавьте файл logo.svg в папку провайдера, используя currentColor для заливок и обводок. Затем создайте файл определения модели TOML в providers/{provider}/models/. Пример определения модели:
name = "Отображаемое название модели"
attachment = true # поддержка вложений
reasoning = false # поддержка цепочки рассуждений
tool_call = true # поддержка вызова инструментов
structured_output = true # поддержка структурированного вывода
temperature = true # поддержка управления температурой
knowledge = "2024-04" # дата отсечки знаний
release_date = "2025-02-19"
last_updated = "2025-02-19"
open_weights = true # веса общедоступны
[cost]
input = 3.00 # за миллион входных токенов (USD)
output = 15.00 # за миллион выходных токенов
reasoning = 15.00 # за миллион токенов рассуждения
cache_read = 0.30 # за миллион кэшированных токенов чтения
cache_write = 3.75 # за миллион кэшированных токенов записи
input_audio = 1.00 # за миллион аудиовходных токенов
output_audio = 10.00 # за миллион аудиовыходных токенов
[limit]
context = 400_000 # максимальный контекст (токены)
input = 272_000 # максимальные входные токены
output = 8_192 # максимальные выходные токены
[modalities]
input = ["text", "image"]
output = ["text"]
[interleaved]
field = "reasoning_content"
Для провайдеров-обёрток, которые дублируют существующие модели, используйте extends (не подробно описано в сниппете).
Models.dev — это проект с открытым исходным кодом, управляемый сообществом. Исходный код находится на GitHub, и мы приветствуем вклады, чтобы данные оставались актуальными.
📖 Читать полный источник: HN LLM Tools
👀 Смотрите также

Definable AI добавляет саморазмещаемую панель мониторинга с одним флагом
Definable AI, фреймворк с открытым исходным кодом на Python для создания AI-агентов, теперь включает встроенную панель мониторинга, которую можно включить одним флагом. Панель предоставляет потоковую передачу событий в реальном времени, учёт токенов, метрики задержки и воспроизведение запусков без внешних зависимостей.

Представляем cltree: текстовый интерфейс для файлового дерева для Claude Code
<strong>cltree</strong> — это TUI с разделённой панелью, который в реальном времени отображает файловое дерево вашего проекта рядом с Claude Code, показывая текущую рабочую директорию, скрывая лишние файлы и позволяя всем нажатиям клавиш проходить без помех.

Ctxpact: Прокси-компрессор контекста для локальных LLM
Ctxpact — это совместимый с OpenAI прокси, который сжимает слишком большие входные данные для локальных LLM с окном контекста 16k, используя трёхэтапный конвейер, включающий стратегии DCP, суммаризации и извлечения. Бенчмарки показывают сжатие 110k токенов до 12k с точностью понимания прочитанного 8/8.

Открытый SDK для AI-работы с знаниями
ClioAI выпустил <strong>kw-sdk</strong>, открытый набор инструментов для разработки программного обеспечения, предназначенный для структурирования работы ИИ-агентов в областях знаний, таких как исследование, анализ, стратегия и написание текстов. В отличие от традиционных кодовых фреймворков, которые имеют естественные сигналы верификации через тестирование, работа с знаниями требует структурированных подходов для проверки и оценки задач.