TokenLab 模型數據中心：即時模型價格、排名、趨勢與研究資訊流

TokenLab 模型數據中心是一個機器可讀的模型定價目錄，透過即時 LLM 定價 API 提供，讓開發者能直接以程式化方式存取目前的供應商費率與元數據。

模型市場的變動速度遠快於編輯行事曆。五月寫的定價頁面到了七月往往就已過時。上一季的「最佳模型」排名可能會遺漏三次新發布與一次棄用公告。

正是因為這種落差，TokenLab 建立了模型數據中心，而不是另一篇靜態的比較文章。這是一個公開的介面——人類閱讀的網頁，以及機器讀取的 JSON 與 Markdown——其所做的每一項主張都附帶來源標籤與觀察日期。

本文將說明模型數據中心是什麼、它不是什麼，以及在撰寫模型比較、串接 Agent 或將定價決策導入生產環境程式碼之前，該如何使用它。

重點摘要

• 模型數據中心是一個公開的數據層，分為五個面向讀者的頁面與四個機器可讀的端點。
• 每個數據集都帶有 generatedAt 與 observedAt 時間戳記，以及 sourcePolicy 欄位，讓您知道數據是來自供應商報告、TokenLab 目錄數據，還是排行榜等參考訊號。
• 目錄數據、趨勢快照與研究解讀被刻意保留為不同的介面——它們回答不同的問題，不應混為一談。
• 公開的 JSON 旨在分享已驗證的事實，而非內部實作細節。
• 這些內容均無法取代官方供應商文件以獲取確切的定價、生命週期或安全性聲明。請將其視為一個快速、標註日期的起點，然後再與原始來源進行驗證。

如需完整的數據集與架構細節，請參閱 TokenLab 模型數據中心。

為什麼需要專屬數據中心，而不是另一篇部落格文章

部落格文章是一個帶有發布日期的快照。數據中心則是一個具備更新頻率與「何謂真相」政策的即時介面。

這種區別對於三類讀者至關重要：

開發者：他們需要為本週的功能選擇模型，而不是上一季的。他們想要的是目前的上下文視窗 (context window)、模態支援以及每百萬 token 的定價，而無需閱讀五份供應商的更新日誌。

Agent 與爬蟲：它們需要結構化的 JSON，以便在無需解析文字的情況下進行處理。一個比較各供應商輸入 token 成本的 Agent，不應該去猜測部落格文章中哪一段話才是準確的。

研究讀者：他們想要的是排名背後的邏輯——為什麼模型排名上升或下降、權衡因素是什麼——而不僅僅是一個數字。

TokenLab 將這些需求分散在不同的頁面上，而不是試圖用一份文件滿足所有需求。這就是模型數據中心背後的核心設計決策。

每個頁面的用途

模型數據中心不僅僅是一個頁面，而是一組五個頁面，每個頁面回答不同的問題。

Models — 入口點

tokenlab.sh/en/models 是人類可讀的目錄：TokenLab 列出的內容，按供應商與類別組織。如果您想瀏覽而非查詢，請從這裡開始。

Data — 目錄視圖

tokenlab.sh/en/models/data 是結構化目錄：模型 ID、供應商、上下文長度、模態與定價欄位，皆已排版以供直接比較。當您需要特定模型的特定事實時，請引用此頁面。

Trends — 變動視圖

tokenlab.sh/en/models/trends 追蹤目錄隨時間的變化——新上架、定價調整、供應商活動。這回答的是「發生了什麼變化」，而不是「現在什麼是正確的」。

Research — 解讀視圖

tokenlab.sh/en/models/research 是 TokenLab 解釋邏輯的地方：為什麼排名變動、定價調整意味著什麼、來源之間在哪裡存在分歧。請將其視為分析，而非原始數據。

Rankings — 比較視圖

tokenlab.sh/en/models/rankings 呈現排序後的比較——按價格、按上下文視窗、按類別——這些數據建立在與 Data 頁面相同的底層目錄上，但為了排名而非查詢進行了組織。

這種分離是刻意的。如果您將「本週發生了什麼變化」與「今天什麼是正確的」混為一談，最終會引用過時的趨勢差額作為當前事實。將趨勢、目錄數據與研究保持為不同的介面，可以避免這種錯誤模式。

機器可讀層

頁面是給人看的。以下四個端點適用於任何解析 JSON 或 Markdown 的工具——Agent 管線、內部工具，或是在部署前檢查定價的腳本。

端點	格式	主要用途
/model-data/catalog.json	JSON	完整模型目錄：ID、供應商、上下文、模態、定價欄位
/model-data/latest.json	JSON	最新快照、生成時間戳記、目錄雜湊值 (hash)
/model-data/trends.json	JSON	定價與上架變更的時間序列差額
/model-data/summary.md	Markdown	人類與 LLM 皆可讀的摘要，適合在生成的文字中直接引用

以程式化方式查詢 TokenLab 模型數據中心

在將這些數據整合到管線或 Agent 之前，請檢查 generatedAt、observedAt 與 catalogHash 欄位，以了解目錄的生成時間以及自您上次擷取以來是否發生了變化。不要假設 Feed 是即時更新的；請務必檢查這些欄位，而不是依賴假設的重新整理間隔。

curl -s https://tokenlab.sh/model-data/latest.json | jq '{
  generatedAt: .generatedAt,
  observedAt: .observedAt,
  catalogHash: .catalogHash
}'

比較不同請求之間的 catalogHash 以偵測實際內容變更，並使用 generatedAt/observedAt 在自動化系統中做出定價決策前評估數據的新鮮度。

每個回應都包含一組一致的欄位：schemaVersion、generatedAt、observedAt、catalogHash、sourcePolicy、stats、models、series、providers 與 trends。如果您正在針對這些端點建構自動化程式，schemaVersion 與 catalogHash 是在信任快取副本前必須檢查的兩個欄位——版本更新或雜湊值變更意味著自您上次拉取以來，格式或內容已經發生了變動。

sourcePolicy 欄位值得仔細閱讀。它區分了三個層級：供應商文件（確切定價與生命週期事實的最可信來源）、TokenLab 自己的目錄（TokenLab 公開呈現的內容），以及參考訊號（第三方排行榜與排名，適用於相對定位，但非定價真相）。任何忽略此區別的下游工具，都有可能將排行榜分數誤認為官方價格。

公開 JSON 刻意省略的內容

公開數據合約的範圍是經過刻意界定的：它僅包含整合所需的模型事實——ID、定價與模態支援——並省略了不屬於該合約的內部運作細節。如果您想了解 TokenLab 在幕後如何做決策，這不是適合的介面，它也不打算成為那樣的介面。模型數據中心發布的是安全且適合公開分享的內容——當前的模型事實——而非內部運作細節。

正確閱讀當前模型事實

目錄只有在您將日期與來源與數字一併閱讀時才有用。以下是一個觀察當下的範例集，取自公開目錄所揭露的相同欄位：模型 ID、供應商、上下文長度、模態與每百萬 token 定價。

模型	供應商	上下文	模態	輸入 / 輸出 (美元/百萬 token)
Claude Sonnet 5	Anthropic	1,000,000	text+image+file→text	$2 / $10
Gemini 3.5 Flash	Google	1,048,576	text+image+file+audio+video→text	$1.50 / $9
DeepSeek V4 Pro	DeepSeek	1,048,576	text→text	$0.435 / $0.87
DeepSeek V4 Flash	DeepSeek	1,048,576	text→text	$0.09 / $0.18
GLM-5.2	Z.ai	1,048,576	text→text	$0.909 / $2.856
Kimi K2.7 Code	MoonshotAI	262,144	text+image→text	$0.74 / $3.50

從這樣的表格中可以立即看出幾件事，這正是數據中心旨在快速呈現的內容：

• 上下文視窗大小並不與價格掛鉤。DeepSeek V4 Pro 與 Gemini 3.5 Flash 的上下文皆接近或超過 1M token，但價格點卻大不相同。
• 模態廣度（純文字 vs. 文字+影像 vs. 多模態）是與成本不同的軸線——模態列表越廣，並不自動意味著每 token 價格越高。
• 像 Kimi K2.7 Code 這種程式設計專用模型，其定價與上下文權衡與通用聊天模型不同，即使在相似的上下文長度範圍內也是如此。

在您將定價假設寫入合約或計費模型之前，這些觀察結果都無法取代閱讀供應商自己的文件。它們是一個初步比較，而非最終結論。

引用模型事實前的實用檢查清單

在將模型價格、上下文視窗或排名貼入比較文章、客戶文件或 Agent 邏輯之前，請使用此清單。

1. 檢查觀察日期。 每個數據集都帶有 observedAt 與 generatedAt。如果相對於您的使用案例，任何一個日期已超過幾天，請將這些數字視為起點，而非最終答案。
2. 識別來源層級。 這是供應商記錄的事實、TokenLab 目錄條目，還是排行榜等參考訊號？參考訊號僅用於相對定位，而非確切定價。
3. 區分目錄與趨勢。 趨勢差額（「本月價格下降 20%」）與目錄事實（「當前價格為 $X」）的主張不同。請為正確的主張引用正確的介面。
4. 快取前檢查 catalogHash。 如果您是按排程拉取 /model-data/catalog.json，請在假設快取副本仍然有效之前比較雜湊值。
5. 針對官方文件驗證定價與生命週期聲明。 數據中心快速且結構化。當涉及金錢或合約時，它不能取代供應商自己的定價頁面。
6. 標註分歧，不要將其平均化。 如果排行榜訊號與目錄事實存在分歧，這種分歧本身就是資訊。請報告它，而不是默默選擇其中一個。

它與供應商文件的關係

模型數據中心的存在是因為分散的供應商文件難以快速比較，且行銷頁面並非為引用而建。它並不試圖取代兩者。

供應商文件仍然是確切定價、費率限制、棄用時間表與安全政策的記錄來源。TokenLab 的目錄與趨勢數據是根據已記錄的來源政策建立的——主要是第三方模型列表數據加上 TokenLab 自己的公開可用性——並以定義的頻率更新，並標註了觀察時間。

如果您需要做出具有財務或合規權重的決策——生產定價模型、合約條款、受監管行業的部署——請務必以供應商自己的頁面作為最終檢查。使用模型數據中心可以更快地達成目標，並在同一個地方進行跨供應商比較。

常見問題 (FAQ)

什麼是 TokenLab 模型數據中心？ 這是一組公開的頁面與機器可讀端點，呈現當前的 AI 模型事實——定價、上下文視窗、模態、供應商與比較排名——每個數據集都附有明確的來源與觀察日期。它分為瀏覽頁面（模型、數據、趨勢、研究、排名）與結構化 Feed（目錄、最新快照、趨勢與 Markdown 摘要）。

哪些機器可讀的模型數據端點是公開的？ 四個：/model-data/catalog.json（完整模型目錄）、/model-data/latest.json（包含生成元數據的最新快照）、/model-data/trends.json（時間序列變更）以及 /model-data/summary.md（適合直接引用的 Markdown 摘要）。

開發者應如何看待來源日期與觀察日期？ 將其視為新鮮度訊號，而非永久保證。每個數據集都包含 generatedAt 與 observedAt 欄位。如果這些日期相對於您的閱讀時間已過時，請在依賴該數字前重新檢查來源，特別是對於變動頻繁的定價。

模型數據中心會取代供應商文件嗎？ 不會。它取代的是為了初步篩選而手動收集與比較分散的供應商頁面的需求。對於涉及財務或合規權重的確切定價、生命週期、費率限制與安全聲明，官方供應商文件仍然是記錄來源。

來源與新鮮度

本文中的所有事實與端點說明均於 2026-07-09 從以下公開來源觀察所得：

• TokenLab 模型數據中心 — https://tokenlab.sh/en/models/data
• TokenLab 模型趨勢 — https://tokenlab.sh/en/models/trends
• TokenLab 模型研究 — https://tokenlab.sh/en/models/research
• TokenLab 模型數據目錄 JSON — https://tokenlab.sh/model-data/catalog.json

比較表中引用的模型定價、上下文長度與模態數據，反映了 TokenLab 於 2026-07-07 觀察到的當前模型真實來源快照，並可能根據目錄 sourcePolicy 欄位中記錄的更新頻率進行變更。在將這些數據用於財務或合規情境之前，請務必透過即時端點或官方供應商文件驗證當前數據。

後續步驟

如果您正在撰寫模型比較，請從 /en/models/data 的目錄視圖開始，並對照 /en/models/rankings 進行相對定位檢查。

如果您正在建構需要推論模型定價或可用性的 Agent 或自動化程式，請按排程拉取 /model-data/latest.json，並在信任快取副本前檢查 catalogHash。

如果您想了解排名變動背後的邏輯而非僅僅是數字，請閱讀 /en/models/research——這是 TokenLab 解釋變動內容與原因的地方。

如果您正在權衡成本與能力，我們對 Gemini API 開發者定價的分析提供了對當前費率的更深入觀察。如需更廣泛的程式設計模型比較，請參閱我們的 2026 年最佳 AI 程式設計模型指南。

開始探索模型數據中心以直接查詢當前模型定價。