AIModels目录上线，1636个模型入口跨平台比价，支持多币种与PK对比

在调用大模型API时，开发者常面临一个重复性高却耗时的环节：确认模型ID、核对输入输出单价、判断缓存计费规则、检查上下文长度是否满足需求。不同平台定价结构差异显著——有的区分输入、输出、缓存读写四类计价项；有的将生图任务拆分为文本输入、图片输入与图片输出分别计费；还有的同一模型在不同云厂商上架后，价格相差一倍以上，而上下文窗口却缩水数倍。这种信息碎片化导致选型效率低下，往往花费十余分钟仍无法敲定首个候选方案。

为解决这一痛点，一名开发者构建了名为「AI Models」的纯前端目录工具，目前已收录1,636个模型入口，覆盖41家提供商，包括OpenAI、Anthropic、DeepSeek、阿里云、百度、腾讯、字节等主流平台。该工具不依赖后端服务，所有数据以JSON文件形式本地加载，搜索、筛选、排序与对比均在浏览器中实时完成，无需注册账号或填写API Key，打开即用。

该目录的核心设计逻辑是“先筛后比”：用户可从模型名称、Model ID、提供商、上下文窗口大小、是否开源、是否国产、是否SOTA等多个维度组合筛选。例如，勾选“开源”与“国产”两项后，条目从1,636条缩减至294条；再按输入价格升序排列，即可快速定位高性价比选项。其中，“开源”标识指模型权重已公开发布（商用仍需遵守原始许可证）；“国产”依据研发方归属判定，即便模型挂靠海外平台销售API，只要研发主体为国内机构，仍标注为国产；未核实信息统一标为“未知”，避免误判。

SOTA标记由人工维护，注明核对日期与官方依据链接，仅表示该厂商在特定能力方向上的当前旗舰型号，不构成跨厂商横向排名。例如，DeepSeek-V3在推理能力上被标注为SOTA，但并不意味着其在代码生成或多模态任务中全面领先。

当筛选出若干候选模型后，进入第二阶段——横向对比（PK）。桌面端用户点击“开始PK”，可跨提供商、跨筛选结果勾选多个模型，系统自动生成对比面板。面板按行对齐关键字段：提供商、Model ID、上下文窗口、输入/输出/缓存读/缓存写四类价格（单位：美元/百万Tokens），以及SOTA、开源、国产等属性标签。下图展示了同一模型DeepSeek-V3.2在amazon-bedrock、deepseek-bedrock与Azure三个平台上的价格与配置差异：

值得注意的是，价格数据并非实时接口拉取，而是基于快照加人工补充，最近一次同步时间为2026年10月20日。部分条目标注了独立核对日期，单元格中显示横线的表示尚未获得确认数据，并非免费。实际接入前，仍建议前往各平台官网复核最新计费规则与套餐限制。

计价单位方面，目录默认以美元展示，支持切换人民币、港币、欧元、日元、韩元五种货币。汇率每小时本地缓存一次，也可手动刷新，换算仅影响前端显示，底层数据始终为美元原值。对于普通文本请求，费用估算公式为：(输入Token数 × 输入单价 + 输出Token数 × 输出单价) / 1,000,000；若启用缓存，则需额外区分缓存命中（通常免费或低价）、缓存写入（接近输入价）与普通输入三种场景。

生图模型计费更为复杂。以搜索关键词“gpt-image”为例，目录列出10个相关条目，明确区分文本输入、图片输入与图片输出三项价格。需特别注意：图片输出列数值为“每百万Tokens价格”，而非“每张图费用”——实际账单取决于生成尺寸、质量档位、是否使用参考图及最终消耗的Token总量。

项目采用原生HTML/CSS/JavaScript开发，无外部依赖，支持中英文与深浅色主题切换。筛选条件、币种偏好与排序方式均持久化至localStorage，刷新页面不丢失；提供商下拉菜单支持星标收藏，便于将常用平台置顶。URL中嵌入筛选参数，可直接分享指定平台或条件的目录链接给同事。

该项目基于Pi模型目录的数据与基础架构复刻而来，新增了多币种支持、PK对比功能与更细粒度的筛选标签。大部分模型条目链接跳转至Pi详情页，部分补充条目则指向官方文档。项目本身无独立模型详情路由，亦未提供API调用测试能力——其定位清晰：仅服务于前期调研阶段的信息整合，最终模型接入仍需通过真实请求验证响应质量、延迟与稳定性。

在行业层面，此类工具的出现反映了大模型应用落地过程中日益凸显的“工程化成本”问题。随着模型数量激增、部署渠道分散、计费模式异构，开发者亟需轻量级、可信赖的横向参照工具。相较依赖第三方评测报告或人工整理Excel表格，AI Models这类静态目录具备更新透明、无商业绑定、可本地部署等优势，尤其适合企业内部技术选型团队快速建立基准认知。

与此同时，市场也出现另一类“低价共享”现象：部分二手交易平台以几元至几十元价格兜售所谓“AI无限薅羊毛”权益。此类服务实为违规共享账号或滥用试用额度，存在账号封禁、数据泄露、服务中断等多重风险。正规厂商普遍采用API调用配额+用量计费模式，低价共享既违背服务协议，也难以保障服务质量与数据安全。开发者应优先选择合规渠道获取模型能力，辅以如AI Models等工具提升选型效率，而非寄望于灰色路径。

目前，AI Models已开源，用户可通过Git克隆代码、安装依赖并启动本地服务运行。项目持续接收社区贡献，未来计划增加模型性能指标（如MMLU、HumanEval得分）、地域可用性、SLA保障等级等扩展字段，进一步强化决策支持能力。对于正处在模型集成攻坚期的工程师而言，这或许是一个值得加入书签的实用工具。