AI Models 模型目录,跨平台比较大模型 API 价格与上下文

作者:王若风日期:2026/10/23

代码写得差不多了,就差填一个模型 ID——结果选型这一步卡了半天。打开 A 平台的价格页,记下输入单价,切到输出那一栏才发现还有缓存读和缓存写两档。想把整份文档扔给它跑,又得翻回去看上下文窗口够不够装。

标签页越开越多,刚记下的数字换个平台就对不上了。DeepSeek 在这家比那家便宜一半,上下文却差了四倍——到底该看哪列?来回切页面比较了十分钟,发现自己连第一个候选都没选定。

所以我做了 AI Models 模型目录,把需要来回查的东西放到同一张表里——先筛掉不合适的,再把留下的几个并排看。不用注册,不用填 API Key,打开就能用。

目前收录了 1,636 个模型入口、41 个提供商。同一个模型在不同平台上架的入口是分开列的,价格差异一目了然。下面用截图走一遍从筛选到对比的完整流程。

先把候选范围缩小

每一行按提供商分组,同时列出模型名称、Model ID、上下文窗口,以及输入、输出、缓存读、缓存写四类价格。写接口配置时最常复制的 Model ID 就在名称下面,不用再凭显示名去官网反查。

搜索栏会同时匹配模型名、ID 和提供商。已经知道找哪个系列,直接打关键词就行;还没定方向,可以从提供商、上下文、SOTA、开源和国产几个维度组合着筛。

筛选条件可以叠加。比如下图同时勾上「开源」和「国产」,再点输入价格列头排序——1,636 条一下缩到 294 条。

价格排序保留提供商分组,在各组内部比较。想把不同平台的几个候选放在一起看,可以继续用后面的 PK 功能。

这里有两个标识值得解释一下。「开源」取的是已公开模型权重这个口径,商用条件还得看原始许可证。「国产」按研发方判断——一个国产模型挂在海外平台卖 API,照样标国产。没核实过的信息标「未知」,不会直接当「否」处理。

SOTA 标记的是各厂商在对应能力方向上的当前旗舰,人工维护,标识里带核对日期和官方依据链接。拿来缩小浏览范围挺好用,但它不等于跨厂商横评,也不代表这个模型在所有任务上都排第一。

把几个模型并排看

筛完还剩几个候选,但在一张长表里上下翻着找行,来回滚动比来比去还是累。

桌面端点「开始 PK」,勾上想比的模型,再点底部「查看对比」就能打开横向对比面板。选择可以跨提供商、跨筛选结果保留——先搜 DeepSeek 选两个,再搜 Claude 补一个进来,都能攒在一起比。

面板按行对齐提供商、Model ID、上下文、四类价格,还有 SOTA、开源和国产属性。截图里选的是不同平台上的三个 DeepSeek 系列入口,纯粹演示比较方式,不能据此判断哪个效果更好。

用这张表先把容量和单价过一遍,筛掉明显不合适的,然后拿实际任务去测回答质量、延迟和稳定性。目录能省的是前期查资料的时间,最终接哪个入口,还是要靠真实请求验证。

PK 目前只在桌面端提供。手机上可以搜索和筛选,表格支持横向滚动。

看价格时,把缓存和生图分开理解

价格默认用美元显示,可以切换人民币、港币、欧元、日元和韩元。切非美元时页面会查汇率并标注日期,换算只影响展示,底层美元数据不变。汇率在本地缓存一小时,也支持手动刷新。

估算普通文本请求的费用,最简单的办法是拿输入、输出 Token 数分别乘单价再除以一百万。但用了缓存之后就不能只看输入价——还得按供应商规则区分缓存命中、缓存写入和普通输入,三种价格差异不小。

生图模型的计费单位更容易搞混。搜 gpt-image,目录当前会列出 10 个相关条目,文本输入、图片输入和图片输出的价格分开显示。

注意,表里展示的是每百万 Tokens 的价格,不能把图片输出列的数值直接当成每张图的费用。实际账单还要看生成尺寸、质量档位、参考图和最终消耗的 Token 数。单元格里显示横线的,是目录还没拿到确认数据,不代表免费。

价格数据来自目录快照加人工补充,不是实时计费接口。最近一次同步是 2026 年 10 月 20 日,部分条目有各自的核对日期。真要接入,还是再去提供商官网确认最新价格和套餐规则比较稳。

一个纯静态项目,方便直接使用和修改

AI Models 用的是原生 HTML、CSS 和 JavaScript,模型数据存在一个 data.json 里。页面加载完数据后,搜索、筛选、排序和对比全在浏览器里跑。筛选条件、币种和排序方式存在本地,刷新不丢;提供商下拉框还能星标收藏,把常用平台排到前面。

支持中英文和浅深主题。提供商筛选同步到 URL,可以把指定平台的目录链接直接发给同事。

项目基于 Pi 模型目录 的数据与设计做的复刻,在这基础上加了多币种、模型 PK 和标识筛选。大部分模型名称的链接指向 Pi 详情页,部分补充条目链接官方说明。本站没有独立的模型详情路由。

想在本地运行,只需要拉取代码、安装开发依赖并启动服务,无需配置数据库。

1git clone https://github.com/wangruofeng/ai-models.git
2cd ai-models
3npm install
4npm run dev
5

默认开发地址为 http://localhost:3456,端口被占用时以终端输出为准。开发服务使用 BrowserSync,发布时直接托管静态文件即可。

如果你也在给应用挑模型,可以先收藏 AI Models 在线目录。下次查单价时,记得顺手把输出和缓存两列也看一眼——很多时候输入价看着便宜,输出和缓存写才是大头。

项目代码在 GitHub 上,发现哪个条目数据有误也欢迎反馈。


参考文档


《AI Models 模型目录,跨平台比较大模型 API 价格与上下文》 是转载文章,点击查看原文。


相关推荐


日志分析平台ELK与AI应用日志治理:OpenTelemetry GenAI语义规范、分层脱敏与成本追溯的 Java 生产级实现
霸道流氓气质2026/10/17

日志分析平台ELK与AI应用日志治理:OpenTelemetry GenAI语义规范、分层脱敏与成本追溯的 Java 生产级实现 前置知识 了解ELK/EFK技术栈熟悉SpringBoot日志配置基础日志级别概念 一、技术背景与行业痛点 1.1 日志管理技术的演进 日志管理的演进经历了四个阶段。 第一阶段(单机时代,1990s-2000s):直接写文件。 应用程序将日志写入本地磁盘的log文件,运维人员ssh登录后用grep/awk/sed手动分析。这个阶段的痛点是日志分散、查找


多股票 K 线如何用 Pandas 对齐?从收益率计算到横截面分析
高频因子挖掘机2026/10/13

一句话结论: 多股票量化研究最容易被忽略的问题之一,是不同股票的数据虽然都存在,却不一定对应相同的交易日期;在计算横截面收益率、构建股票池和比较策略表现之前,必须先明确时间对齐规则。 摘要 Pandas 能够方便地处理多只股票的历史行情,但不同股票可能存在停牌、上市时间不同、数据缺失和交易日历差异。如果简单使用 pivot()、merge() 或 concat(),可能造成样本错位、收益率异常和回测偏差。本文围绕时间索引、宽表与长表转换、收益率计算和样本筛选展开,介绍如何构建可用于量化研究的多


C++ 迭代器五分类与失效场景汇总:一张表避开所有 UB
无名猿2026/10/4

std::sort(lst.begin(), lst.end()) 编译不过,for (int x : v) { if (...) v.erase(...); } 跑起来会崩 —— 这两个问题的根子是同一件事:迭代器不是一种东西,而是分等级的,而且会在容器改动时失效。这篇文章把「迭代器五分类」和「失效规则」两块拼成一张可查的表,以后遇到迭代器相关的报错直接对表。 1. 引子:sort 为什么拒绝 list 给一个 std::list<int> 排序,最直观的写法是照抄 vector 的套路:


第 28 章 案例四 多智能体协作系统
前端阿凡2026/9/27

第 28 章 案例四:多智能体协作系统 本章要解决的问题 行业分析报告需要研究员、数据员、写手协作完成——多智能体系统的拓扑、通信、可观测性实战。 章节大纲 28.1 多 Agent 拓扑设计(主从 + 流水线) 28.2 通信协议与任务编排 28.3 可观测性与调试 28.4 上线与迭代 🛠 解决方案:多智能体上下文隔离方案 + 协作效率度量 28.1 场景与拓扑设计 28.1.1 场景:行业分析报告生成 业务:投研团队要生成行业分析报告,人工流程: 研究员查资料 → 数据分析师算指


第28课-AJAX与前端框架
qq_269506752026/9/20

第 28 课:AJAX 与前端框架 本课目标:掌握 AJAX 异步请求、Fetch API、async/await 语法,了解 Vue.js 基础用法和 SPA 单页应用概念,能够实现前后端数据交互。 一、概念讲解 1.1 什么是 AJAX AJAX(Asynchronous JavaScript And XML)异步 JavaScript 和 XML,是一种在无需重新加载整个页面的情况下,与服务器交换数据并更新部分网页内容的技术。 1.2 AJAX 工作流程 ┌───


【AI大模型接入SDK】ChatGPT API
艾莉丝努力练剑2026/9/12

🎬 个人主页:艾莉丝努力练剑 ❄专栏传送门:《C语言》《数据结构与算法》《C/C++干货分享&学习过程记录》 《Linux操作系统编程详解》《笔试/面试常见算法:从基础到进阶》《Python干货分享》 ⭐️为天地立心,为生民立命,为往圣继绝学,为万世开太平 🎬 艾莉丝的简介: 文章目录 1 ~> OpenAI API 体系与版本演进1.1 两套核心 API 定位1.2 核心能力对比1.3 官方选型建议 2 ~> Chat Completion


最新大数据毕业设计选题推荐-基于大数据的电商与本地服务消费评论数据可视化分析-大数据-Spark-Hadoop-Bigdata
IT研究室2026/9/4

✨作者主页:IT研究室✨ 个人简介:曾从事计算机专业培训教学,擅长Java、Python、微信小程序、Golang、安卓Android等项目实战。接项目定制开发、代码讲解、答辩教学、文档编写、降重等。 ☑文末获取源码☑ 精彩专栏推荐⬇⬇⬇ Java项目 Python项目 安卓项目 微信小程序项目 文章目录 一、前言二、开发环境三、系统界面展示四、代码参考五、系统视频结语 一、前言 系统介绍 本系统《基于大数据的电商与本地服务消费评论数据可视化分析》以Hadoop分布式文件系


MySQL DQL全面解析:从入门到精通
渣渣盟2026/8/27

​ 在数据库的广阔天地中,MySQL 凭借其开源、高效、易用等特性,成为了众多开发者的首选。而在 MySQL 的众多功能中,数据查询语言(Data Query Language,简称 DQL)无疑是最为常用且强大的部分之一。通过 DQL,我们可以从数据库中检索出所需的数据,进行各种复杂的数据分析和处理。本文将深入探讨 MySQL DQL 的各个方面,帮助你全面掌握这一重要技能。 一、DQL 基础:SELECT 语句入门 DQL 的核心是 SELECT 语句,它的基本语法如下: SELECT co


我做了一个软著 Skill,可以一键生成申请材料
IvanCodes2026/8/19

Hello,大家好,我是Ivan。 大家做完一个项目以后,可能会遇到一个问题,需要申请软著。这时候,申请表、操作手册和代码材料就都需要重新整理一遍,很麻烦,浪费时间。 所以,我把这部分做成了一个软著 Skill,名字叫 software-certificate-skill。把项目交给它以后,它会读取项目里的代码、页面和接口,然后生成申请表信息、操作手册和代码材料。 skill已经开源了,github链接是 https://github.com/IvanCodesDev/software-c


鸿蒙应用开发:V1与V2版本数据持久化实战教程
程序员黑豆2026/8/6

这是一个使用鸿蒙技术开发的本地原生记账应用,非常适合大家用来练手。相关源码已上传至 Github,点击此处查看项目。欢迎大家交流、指正,也欢迎提交 PR。 一、引言 在鸿蒙应用开发中,数据持久化是构建完整应用体验的关键一环。无论是保存用户的登录状态、个人偏好,还是缓存应用的核心数据,都需要一套可靠且高效的持久化方案。随着HarmonyOS版本的演进,数据持久化能力也从V1版本进化到了V2版本,带来了更强大的功能和更灵活的使用方式。 本文将深入对比V1(PersistentStorage + A

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读