models.dev：一個開源的AI模型規格資料庫
專案速覽：人工智慧模型的開源資料庫。使用模型 ID 欄位對任何模型進行查找； AI SDK使用的標識符。
秒懂
- 它是什麼？
- 一個社群貢獻的AI模型元資料、定價和功能集合，透過公開API提供，並以TOML檔案維護。
- 適合誰用？
- 該倉庫仍是一個開源的社群貢獻專案，資料以TOML檔案組織，並透過models.dev API暴露。其MIT授權允許重用，但README未描述超出授權規定的支援或安全保證。
- 可以商用嗎？
- 可以。MIT 是寬鬆授權：你可以使用、修改並販售以它為基礎的軟體，只需保留著作權與授權聲明。
- 還在維護嗎？
- 有在維護。儲存庫在最近一天內有新的提交。
- 用什麼語言寫的？
- 主要是 TypeScript（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。
開源專案深度解析
anomalyco-models-dev-deep-analysis｜這個倉庫是什麼
anomalyco-models-dev-deep-analysis｜這個倉庫是什麼 的專案脈絡：Models.dev是一個開源的AI模型規格、定價和功能資料庫。該倉庫使用TypeScript編寫，資料以TOML檔案形式儲存，這些檔案用於生成models.dev網站以及提供相同資訊的API。README指出，該專案最初是社群貢獻的，因為當時沒有單一資料庫涵蓋所有可用的AI模型。維護者也在opencode內部使用它。主頁是https://models.dev，預設分支為dev。
anomalyco-models-dev-deep-analysis｜這個倉庫是什麼：在 models.dev 的小型驗證中，先留下版本、作業係統與輸入資料，再逐步執行 README 提到的入口。每一步都要記錄指令回傳碼、產生的檔案及終端輸出，這些資料能分辨設定錯誤、相依套件問題與功能本身的限製。（核對項 1）
anomalyco-models-dev-deep-analysis｜這個倉庫是什麼：對 models.dev 的日常維護，應把 README 明確列出的目錄、套件和指令對照到實際版本。當檔案結構或 CLI 參數變動時，先比較 release 說明，再更新自己的啟動腳本與測試夾具，避免只更新依賴而忽略操作流程。（核對項 8）
anomalyco-models-dev-deep-analysis｜透過API存取資料
anomalyco-models-dev-deep-analysis｜透過API存取資料 的專案脈絡：README記錄了三個返回JSON的API端點。curl https://models.dev/api.json 返回完整資料集，Model ID欄位是AI SDK使用的識別碼。對於與提供者無關的模型元資料，curl https://models.dev/models.json 返回模型本身的事實，與其在哪裡提供服務無關。組合端點curl https://models.dev/catalog.json 在一次回應中同時提供提供者端點和僅模型元資料。提供者標誌也可以透過 https://models.dev/logos/{provider}.svg 以SVG檔案形式取得，其中{provider}是提供者ID，例如anthropic、openai或google。如果缺少標誌，則提供預設標誌。README沒有指定這些端點的身份驗證、速率限製或回應大小。
anomalyco-models-dev-deep-analysis｜透過API存取資料：若 models.dev 需要接觸外部服務，測試案例應包含憑證缺失、權限不足、網路中斷與空資料。觀察錯誤是否指出真正的設定鍵或資源名稱，也要確認失敗後不會留下半完成的輸出；README 未說明的恢復行為不能自行推定。（核對項 2）
anomalyco-models-dev-deep-analysis｜透過API存取資料：在團隊導入 models.dev 前，可把最小案例放入隔離工作區，保留成功輸出與預期失敗輸出各一份。這樣檢查新版本時，可以直接比較結果，也能看出檔案描述與本機行為之間是否存在差異。（核對項 9）
anomalyco-models-dev-deep-analysis｜資料如何儲存
anomalyco-models-dev-deep-analysis｜資料如何儲存 的專案脈絡：該倉庫將資料儲存為按提供者和模型組織的TOML檔案。僅模型事實位於models/目錄中，使用與提供者模型相同的路徑式ID。例如，models/openai/gpt-5.toml定義了底層GPT-5模型的元資料，而providers/openai/models/gpt-5.toml定義了OpenAI特定的服務細節，如定價。提供者TOML檔案可以使用base_model欄位繼承模型事實，然後只保留提供者特定的欄位或覆蓋項。README給出了使用base_model的規則：它必須指向models/中一個使用<provider>/<model-id>的TOML檔案，並且在base_model之後應只編寫與基礎不同的提供者特定欄位。在生成過程中，提供者欄位優先於模型元資料。還有一個可選的base_model_omit用於移除繼承的欄位。README指出不應使用舊式的[extends]表。
anomalyco-models-dev-deep-analysis｜資料如何儲存：對 models.dev 的日常維護，應把 README 明確列出的目錄、套件和指令對照到實際版本。當檔案結構或 CLI 參數變動時，先比較 release 說明，再更新自己的啟動腳本與測試夾具，避免只更新依賴而忽略操作流程。（核對項 3）
anomalyco-models-dev-deep-analysis｜資料如何儲存：最後要把 models.dev 的專案邊界寫進部署紀錄：使用了哪些套件、哪些平台沒有支援、哪些功能仍標示為開發中，以及哪個指令負責建立或檢查產物。這些具體條件比抽象的成熟度評語更能支援後續決策。（核對項 10）
anomalyco-models-dev-deep-analysis｜提供者和模型的模式
anomalyco-models-dev-deep-analysis｜提供者和模型的模式 的專案脈絡：模式定義在packages/core/src/schema.ts中。提供者欄位包括name、npm（AI SDK套件名稱）、env（用於身份驗證的環境變數鍵）、doc（指向提供者檔案的連結），以及一個可選的api欄位，用於使用@ai-sdk/openai-compatible作為npm套件時的OpenAI相容端點。模型欄位涵蓋name、attachment、reasoning、tool_call、structured_output、temperature、知識截止日期、release_date、last_updated、open_weights、interleaved、成本欄位（輸入、輸出、推理、cache_read、cache_write、input_audio、output_audio）、限製欄位（上下文、輸入、輸出）以及輸入和輸出的modalities。還有一個可選的status欄位，其值為alpha、beta或deprecated。README提供了完整的模式參考，包含資料型別並註明哪些欄位是必需的。
anomalyco-models-dev-deep-analysis｜提供者和模型的模式：在團隊導入 models.dev 前，可把最小案例放入隔離工作區，保留成功輸出與預期失敗輸出各一份。這樣檢查新版本時，可以直接比較結果，也能看出檔案描述與本機行為之間是否存在差異。（核對項 4）
anomalyco-models-dev-deep-analysis｜貢獻提供者或模型
anomalyco-models-dev-deep-analysis｜貢獻提供者或模型 的專案脈絡：README描述了貢獻工作流程。要新增新模型，首先檢查提供者是否已存在於providers/目錄中。如果不存在，則建立一個包含provider.toml的提供者資料夾，新增一個使用currentColor進行填色和描邊的logo.svg，然後在提供者的models/目錄中建立一個模型定義TOML檔案。檔案名稱是模型ID，如果ID包含斜線則使用子資料夾。對於鏡像現有模型的包裝提供者，README建議使用base_model來參考僅模型元資料，而不是複製與提供者無關的欄位。提交由GitHub Action驗證，該操作檢查必填欄位、資料型別、值範圍和TOML語法。README還提到指令bun run compare:migrations，用於在將現有提供者欄位移入模型元資料時列印每個更改的模型TOML檔案的差異。
anomalyco-models-dev-deep-analysis｜貢獻提供者或模型：最後要把 models.dev 的專案邊界寫進部署紀錄：使用了哪些套件、哪些平台沒有支援、哪些功能仍標示為開發中，以及哪個指令負責建立或檢查產物。這些具體條件比抽象的成熟度評語更能支援後續決策。（核對項 5）
anomalyco-models-dev-deep-analysis｜前端開發和opencode測試
anomalyco-models-dev-deep-analysis｜前端開發和opencode測試 的專案脈絡：README包含前端開發說明。您需要安裝Bun，然後執行bun install、cd packages/web和bun run dev，即可在http://localhost:3000開啟前端。對於使用opencode的手動測試，步驟是bun install、cd packages/web、bun run build，然後在執行opencode時設定OPENCODE_MODELS_PATH為dist/_api.json。這些是README中記錄的唯一指令；它沒有描述部署、測試或CI設定，除了驗證用的GitHub Action。
anomalyco-models-dev-deep-analysis｜前端開發和opencode測試：在 models.dev 的小型驗證中，先留下版本、作業係統與輸入資料，再逐步執行 README 提到的入口。每一步都要記錄指令回傳碼、產生的檔案及終端輸出，這些資料能分辨設定錯誤、相依套件問題與功能本身的限製。（核對項 6）
anomalyco-models-dev-deep-analysis｜授權和來源
anomalyco-models-dev-deep-analysis｜授權和來源 的專案脈絡：該倉庫根據MIT授權發布，版權歸models.dev所有。該授權授予使用、複製、修改、合併、發布、分發、再授權和出售軟體副本的權限，前提是所有副本或重要部分都包含上述版權聲明和許可聲明。軟體按「原樣」提供，不提供任何形式的保證，包括適銷性、特定用途適用性和非侵權性。授權沒有說明任何關於支援、安全保證或生產就緒性的內容。README指出models.dev由SST的維護者建立，並提供了Discord、YouTube和X.com社群連結。
anomalyco-models-dev-deep-analysis｜授權和來源：若 models.dev 需要接觸外部服務，測試案例應包含憑證缺失、權限不足、網路中斷與空資料。觀察錯誤是否指出真正的設定鍵或資源名稱，也要確認失敗後不會留下半完成的輸出；README 未說明的恢復行為不能自行推定。（核對項 7）
編輯結論
該倉庫仍是一個開源的社群貢獻專案，資料以TOML檔案組織，並透過models.dev API暴露。其MIT授權允許重用，但README未描述超出授權規定的支援或安全保證。 對 models.dev 而言，採用前應先完成 README 所列入口的最小案例，並把版本、平台、輸入、輸出與失敗訊息一併記錄，才能判斷它是否符合目前的工作流程。
社群筆記