AIModels1.1.0上线，整合模型价格、API地址与SOTA时间轴，支持跨平台成本对比

大模型应用开发中，一个常见痛点是：更换模型前需反复查阅厂商文档——既要确认上下文长度、输入输出计价规则，又要核对 API ID、Base URL 及所属地区/套餐。同一模型名下，不同平台的定价与接入方式可能差异显著，极易出错。为解决这一问题，AI Models 1.1.0 版本于 11 月 15 日上线，将模型筛选、价格比对与 API 配置三大环节统一整合至单一目录系统。

该版本以 Pi 数据为基础，补充厂商官方资料，共收录 1,806 条模型记录，覆盖 47 个供应商入口。值得注意的是，同一模型常由多家平台提供（如 DeepSeek V4 系列在火山引擎、Azure 等均有部署），用户在查看报价时必须明确对应入口，避免因混淆导致成本误判。

搜索与筛选：从模糊到精准

新版强化了搜索能力。首页支持组合关键词检索，例如输入“DeepSeek 开源”，仅返回同时匹配两个词的记录；顺序调换亦可生效。搜索范围涵盖模型名称、ID、供应商及中英文标签。用户还可叠加多维筛选条件：供应商多选、上下文长度区间（如“不限”“>100K”）、是否为旗舰（SOTA）、是否开源、是否国产等。

其中，“开源”依据权重是否公开判定，但商用限制仍需参考具体许可证；“国产”按研发主体归属界定；未核实属性的条目可单独通过“未知”筛选剔出。收藏常用供应商入口后，其分组会在选择器中置顶，滚动表格时当前供应商信息持续可见，提升操作连贯性。分享带参数的目录链接，可确保团队成员看到完全一致的候选集。

成本 PK：真实请求下的调用开销测算

桌面端新增“模型 PK”功能，支持跨供应商横向比价。以 DeepSeek V4 Pro 与 V4.1 Flash 为例：两者上下文均约 105 万 tokens，但计价差异明显。假设单次请求输入 10 万 tokens、输出 1 万 tokens（全部按普通输入计费），估算成本如下：

DeepSeek V4 Pro：输入 $1.30/百万 tokens，输出 $4.00/百万 tokens → 单次约 $0.17
DeepSeek V4.1 Flash：输入 $0.30/百万 tokens，输出 $1.20/百万 tokens → 单次约 $0.042

实际选型中，用户可替换为自身典型请求量进行试算。PK 功能还支持缓存计费维度——目录分列输入、输出、缓存读写四类单价，点击表头可在各供应商组内排序；若某项显示横线，则表示该入口未公布独立缓存单价。

货币方面，默认以美元显示，支持切换人民币、港币、欧元、日元、韩元，并标注汇率更新日期，允许手动刷新。对于“免费”模型，要求输入、输出、缓存及生图单价均为零；生图模型虽按 tokens 报价，但单图成本仍需结合实际 token 消耗估算。

API 地址配置：协议驱动的精准匹配

接入环节长期困扰开发者的问题是：如何快速定位与当前客户端协议匹配的 Base URL？AI Models 1.1.0 提供“API 地址”专用窗口，支持按供应商名称或 ID 模糊搜索。例如搜索“volcengine”，可列出火山引擎方舟的三个主要入口：按量 API、Coding Plan 与 Agent Plan。

以 Chat Completions 协议为例，三者共用域名 https://ark.cn-beijing.volces.com，路径分别为 /api/v3、/api/coding/v3 和 /api/plan/v3。用户需先确认 API Key 所属套餐，再复制对应行。地址中的花括号 {} 标明需替换字段（如 {project_id}），每条记录附有来源链接，便于核查鉴权方式、地域限制与可用模型列表。

目前目录支持四种主流协议：OpenAI Chat Completions、OpenAI Responses、Anthropic Messages 与 Google Generative AI，各供应商的支持情况一目了然。智谱等厂商也按接入方式分组——Z.ai 国际区与 BigModel 中国区分设按量 API 与 Coding Plan，计费逻辑在说明栏注明，token 单价栏留空以示额度制计费。

SOTA 时间轴：追踪原厂旗舰演进脉络

为帮助用户把握技术前沿，新版增设独立 SOTA 时间轴。该时间轴仅收录经人工核验的原厂旗舰模型（非第三方部署版本），按发布日期倒序排列，卡片包含厂商、模型 ID、能力标签（通用/推理/编程/图像）及官方依据来源。同型号的地区与套餐入口自动合并展示，避免重复干扰。

SOTA 标记覆盖四大方向：通用语言、推理能力、代码生成与图像生成。点击任一标记，可查看核对日期与原始出处。尚未标记的条目不代表非 SOTA，仅表示仍在核实中。

移动与桌面协同：适配全场景工作流

针对不同使用场景，产品做了差异化设计。移动端采用横向滚动列表，方便工程师在手机上快速查型号与价格；桌面端则强化筛选与 PK 能力，支持将正在使用的模型作为起点，添加备选方案进行实测成本对比。选定目标模型后，可一键跳转至 API 地址页完成配置。

这一工具的出现，反映出大模型落地正从“能用”转向“好用”阶段。早期开发者常依赖零散文档与社区经验拼凑接入方案，错误率高、迭代慢；如今，标准化、结构化的模型信息基础设施开始成型。AI Models 并非替代厂商文档，而是作为中间层聚合关键元数据，降低信息摩擦成本。

行业层面，随着模型供应商数量激增（截至 11 月已超 40 家），价格策略日益复杂化：有的按 token 分档计价，有的引入缓存折扣，有的采用额度包月制。开发者亟需客观、可比、实时的数据支撑决策。AI Models 的持续更新（如后续计划纳入推理延迟、QPS 限流等指标）有望进一步填补这一空白。

工具的价值最终体现在效率提升上。一位接入多个大模型的 SaaS 产品经理反馈，过去评估新模型需 2–3 小时收集资料，现在 10 分钟内即可完成初步筛选与成本模拟。对于中小团队而言，这种“开箱即用”的信息整合能力，正成为加速 AI 应用落地的关键杠杆之一。