Models.dev：为 AI 模型规范构建开源标准

AI 领域正在以惊人的速度扩张，各种供应商几乎每周都会推出新模型。对于开发者而言，这产生了一个显著的摩擦点：目前缺乏关于模型规范、定价和能力的单一、权威的事实来源。每当开发者想要切换供应商或优化成本时，他们都不得不面对由零散文档页面组成的碎片化生态系统。

为了解决这个问题，SST 的维护者推出了 Models.dev，这是一个旨在标准化 AI 模型数据编目方式的开源数据库。通过将模型规范移至社区贡献的仓库中，Models.dev 旨在提供一种程序化且透明的方式来比较当前 AI 市场的现状。

以程序化方式处理模型数据

与静态维基不同，Models.dev 是作为一个数据优先的项目构建的。核心信息以按供应商组织的 TOML 文件形式存储，然后用于生成公共 API 和前端界面。这种结构允许严格的验证，并方便通过 pull requests 进行社区贡献。

追踪的关键数据点

Models.dev 不仅仅追踪每 token 的价格；它还捕捉了模型技术概况的全面快照：

• Capabilities（能力）： 支持工具调用（tool calling）、推理（chain-of-thought）、结构化输出和文件附件。
• Pricing（定价）： 输入、输出、推理以及缓存读/写 token 的细粒度成本。
• Limits（限制）： 最大上下文窗口和特定的输入/输出 token 限制。
• Modalities（模态）： 明确追踪支持的输入和输出模态（例如：text、image、audio、video、PDF）。
• Metadata（元数据）： 知识截止日期、发布日期以及模型是否为 open-weights。

与 AI SDK 的集成

Models.dev 最具实用性的方面之一是它与 AI SDK 的对齐。数据库中使用的 Model ID 与 AI SDK 使用的标识符相同，这使得它成为开发者在代码中实现这些模型时的直接参考。此外，该项目还提供了一个简单的 API，用于以 SVG 格式检索供应商 logo，从而简化了 AI 驱动应用的 UI 开发。

社区反馈与“标准”挑战

虽然该项目因其速度和实用性被赞誉为“绝对的瑰宝”，但 Hacker News 社区就此类数据库的可持续性和必要性提出了几个关键点。

碎片化问题

一些用户指出，“被遗弃的全面 AI 模型数据库坟场”已经非常拥挤了。批评者指出，现有的一些项目——例如 LiteLLM、Artificial Analysis 以及各种基于 GitHub 的定价列表——已经在尝试解决这个问题。这突显了任何模型数据库的核心挑战：维护。在一个定价和能力瞬息万变的市场中，数据库的价值完全取决于其更新频率。

缺失的价值维度

除了原始规格外，用户建议一个真正全面的数据库需要追踪“隐藏成本”和质量指标：

• Latency（延迟）： 一位用户指出，延迟通常是除每 token 价格之外的隐藏成本。
• Model Decay（模型衰退）： 存在关于“nerfing”（性能随时间下降）和自适应推理的担忧，即供应商可能会将请求路由到更便宜、能力较低的模型。
• Filtering（过滤）： 当前前端的一个常见批评是缺乏强大的过滤功能。用户希望能够根据“当前”模型（排除已过时的版本）或根据特定的能力（如 tool calling）进行过滤。

为生态系统做出贡献

由于 Models.dev 是开源的，它依赖于贡献模型来保持更新。该项目使用 GitHub Action 来根据严格的 schema 验证提交内容，确保数据类型正确且必填字段齐全。

对于想要添加新模型的开发者，流程已经过简化：创建一个供应商文件夹，定义 provider.toml，并添加一个模型定义文件。为了避免为包装供应商（即镜像现有模型的供应商）造成重复，该项目实现了 extends 关键字，允许模型继承属性来自一个规范来源，同时仅覆盖特定的差异（例如定价）。

总结

Models.dev 代表了一种雄心勃勃的尝试，旨在将 AI 模型规范从营销页面转向版本控制、机器可读的格式。虽然它面临来自现有工具的激烈竞争以及维护最新数据的持续挑战，但它与 AI SDK 的集成以及对开放 schema 的承诺，使其成为成为现代 AI 工程师的宝贵工具。