TokenLab 模型数据中心：实时模型价格、排名、趋势及研究动态

TokenLab 模型数据中心是一个通过实时 LLM 定价 API 公开的机器可读模型定价目录，使开发者能够直接以编程方式访问当前的供应商费率和元数据。

模型市场的变化速度远超编辑日历。5 月份编写的定价页面到 7 月往往就已经过时了。上个季度的“最佳模型”排名可能会遗漏三次新发布和一次弃用。

正是这种不匹配促使 TokenLab 构建了模型数据中心，而不是另一篇静态的对比文章。这是一个公共界面——面向人类的网页，以及面向机器的 JSON 和 Markdown——它在所做的每一项声明上都标注了来源和观察日期。

本文将解释什么是模型数据中心，它不是什么，以及在撰写模型对比、连接 Agent 或将定价决策投入生产代码之前如何使用它。

关键要点

• 模型数据中心是一个公共数据层，分为五个面向读者的页面和四个机器可读的端点。
• 每个数据集都带有 generatedAt（生成时间）和 observedAt（观察时间）时间戳，以及一个 sourcePolicy（来源策略）字段，以便您了解数据是供应商报告的、TokenLab 目录数据，还是排行榜等参考信号。
• 目录数据、趋势快照和研究解读被特意保持为独立的界面——它们回答不同的问题，不应混为一谈。
• 公共 JSON 旨在共享经过验证的事实，而非内部实现细节。
• 这些内容均不能替代官方供应商文档中关于确切定价、生命周期或安全声明的内容。请将其视为一个快速、有时效性的起点，然后根据原始来源进行核实。

有关完整数据集和架构详情，请参阅 TokenLab 模型数据中心。

为什么需要专门的数据中心，而不是另一篇博客文章

博客文章是一个带有发布日期的快照。而数据中心是一个具有刷新节奏和真理判定策略的实时界面。

这种区别对三类读者至关重要：

开发者：他们需要在本周（而不是上个季度）为功能选择模型。他们希望获得当前的上下文窗口、模态支持和每百万 token 的定价，而无需阅读五份供应商的更新日志。

Agent 和爬虫：它们需要无需解析散文即可读取的结构化 JSON。一个对比各供应商输入 token 成本的 Agent 不应该去猜测博客文章中的哪一段话仍然准确。

研究读者：他们想要了解排名背后的逻辑——为什么某个模型排名上升或下降，权衡因素是什么——而不仅仅是一个数字。

TokenLab 将这些需求拆分到不同的页面，而不是试图用一份文档满足所有需求。这就是模型数据中心背后的核心设计决策。

每个页面的用途

模型数据中心不仅仅是一个页面。它是一组五个页面，每个页面回答一个不同的问题。

Models（模型）——入口点

tokenlab.sh/en/models 是人类可读的目录：TokenLab 列出的内容，按供应商和类别组织。如果您想浏览而不是查询，请从这里开始。

Data（数据）——目录视图

tokenlab.sh/en/models/data 是结构化目录：模型 ID、供应商、上下文长度、模态和定价字段，布局清晰，便于直接对比。当您需要关于特定模型的具体事实时，请引用此页面。

Trends（趋势）——变动视图

tokenlab.sh/en/models/trends 跟踪目录随时间的变化——新列表、定价变动、供应商活动。这回答的是“发生了什么变化”，而不是“现在什么是真的”。

Research（研究）——解读视图

tokenlab.sh/en/models/research 是 TokenLab 解释逻辑的地方：为什么排名变动，定价变动意味着什么，来源之间存在哪些分歧。请将其视为分析，而非原始数据。

Rankings（排名）——对比视图

tokenlab.sh/en/models/rankings 展示了有序的对比——按价格、按上下文窗口、按类别——它们构建自与数据页面相同的底层目录，但为了排名而非查找进行了组织。

这种分离是刻意的。如果您将“本周发生了什么变化”与“今天什么是真的”混为一谈，最终会引用过时的趋势增量作为当前事实。将趋势、目录数据和研究作为独立的界面可以避免这种失效模式。

机器可读层

页面是给人类看的。以下四个端点适用于任何解析 JSON 或 Markdown 的程序——Agent 流水线、内部工具或在部署前检查定价的脚本。

端点	格式	主要用途
/model-data/catalog.json	JSON	完整模型目录：ID、供应商、上下文、模态、定价字段
/model-data/latest.json	JSON	最新快照、生成时间戳、目录哈希
/model-data/trends.json	JSON	定价和列表变动的时间序列增量
/model-data/summary.md	Markdown	人类和 LLM 可读的摘要，适合在生成文本中直接引用

以编程方式查询 TokenLab 模型数据中心

在将此数据集成到流水线或 Agent 之前，请检查 generatedAt、observedAt 和 catalogHash 字段，以了解目录的生成时间以及自您上次获取以来是否发生了变化。不要假设数据源是实时更新的；请务必检查这些字段，而不是依赖假设的刷新间隔。

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

对比不同请求之间的 catalogHash 以检测实际内容变化，并在自动化系统中做出定价决策前，使用 generatedAt/observedAt 来评估数据的新鲜度。

每个响应都包含一组一致的字段：schemaVersion、generatedAt、observedAt、catalogHash、sourcePolicy、stats、models、series、providers 和 trends。如果您正在针对这些端点构建自动化程序，schemaVersion 和 catalogHash 是在信任缓存副本之前需要检查的两个字段——版本号提升或哈希值改变意味着自您上次拉取以来，数据的结构或内容发生了变化。

sourcePolicy 字段值得仔细阅读。它区分了三个层级：供应商文档（关于确切定价和生命周期事实的最可信来源）、TokenLab 自己的目录（TokenLab 可公开展示的内容）以及参考信号（第三方排行榜和排名，有助于相对定位，但并非定价事实）。任何忽略此区别的下游工具都有可能将排行榜分数当作官方价格来引用。

公共 JSON 刻意遗漏的内容

公共数据契约的范围是经过刻意设定的：它仅包含集成所需的模型事实——ID、定价和模态支持——并排除了不属于该契约的内部运营细节。如果您想了解 TokenLab 在幕后如何做决策，这里不是展示的地方，也不应该是。模型数据中心发布的是可以安全且有益地公开共享的内容——即当前的模型事实——而非内部运营细节。

正确读取当前模型事实

只有将日期和来源与数字结合起来阅读，目录才有意义。以下是一个基于观察的当前示例集，提取自公共目录公开的字段：模型 ID、供应商、上下文长度、模态和每百万 token 定价。

模型	供应商	上下文	模态	输入 / 输出 (美元/百万 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

从这样的表格中可以立即看出几点，而这正是数据中心旨在快速呈现的内容：

• 上下文窗口大小并不与价格挂钩。DeepSeek V4 Pro 和 Gemini 3.5 Flash 的上下文均接近或超过 100 万 token，但价格点截然不同。
• 模态广度（文本 vs. 文本+图像 vs. 多模态）与成本是独立的维度——模态列表更广并不自动意味着每 token 价格更高。
• 像 Kimi K2.7 Code 这样的编程专用模型，即使在相似的上下文长度范围内，其定价和上下文权衡也与通用聊天模型不同。

在将定价假设写入合同或计费模型之前，这些观察结果都不能替代阅读供应商自己的文档。它们只是一个初步的对比，而非最终结论。

引用模型事实前的实用清单

在将模型价格、上下文窗口或排名粘贴到对比文章、面向客户的文档或 Agent 逻辑中之前，请使用此清单。

1. 检查观察日期。 每个数据集都带有 observedAt 和 generatedAt。如果相对于您的用例，任何一个日期超过几天，请将这些数字视为起点，而非最终答案。
2. 识别来源层级。 这是供应商记录的事实、TokenLab 目录条目，还是排行榜之类的参考信号？参考信号用于相对定位，而非确切定价。
3. 区分目录与趋势。 趋势增量（“本月价格下降了 20%”）与目录事实（“当前价格为 $X”）不是同一个声明。请为正确的声明引用正确的界面。
4. 缓存前检查 catalogHash。 如果您按计划拉取 /model-data/catalog.json，请在假设缓存副本仍然是最新的之前对比哈希值。
5. 根据官方文档核实定价和生命周期声明。 数据中心快速且结构化，但在涉及金钱或合同时，它不能替代供应商自己的定价页面。
6. 注意分歧，不要将其平均化。 如果排行榜信号与目录事实存在分歧，这种分歧本身就是信息。请报告它，而不是默默地选择其中一个。

它在供应商文档中的位置

模型数据中心的存在是因为分散的供应商文档难以快速对比，而营销页面并非为引用而建。它并不试图取代两者。

供应商文档仍然是确切定价、速率限制、弃用时间表和安全政策的记录来源。TokenLab 的目录和趋势数据构建于已记录的来源策略之上——主要是第三方模型列表数据加上 TokenLab 自己的公开可用性——以定义的节奏刷新，并标注了观察时间。

如果您需要做出具有财务或合规权重决策——生产定价模型、合同条款、受监管行业部署——请以供应商自己的页面作为最终核实依据。使用模型数据中心可以更快地到达那里，并在一个地方进行跨供应商对比。

常见问题解答

什么是 TokenLab 模型数据中心？ 它是一组公共页面和机器可读端点，呈现当前的 AI 模型事实——定价、上下文窗口、模态、供应商和对比排名——每个数据集都标注了来源和观察日期。它分为浏览页面（模型、数据、趋势、研究、排名）和结构化订阅源（目录、最新快照、趋势和 Markdown 摘要）。

哪些机器可读的模型数据端点是公开的？ 四个：用于完整模型目录的 /model-data/catalog.json，用于带有生成元数据的最新快照的 /model-data/latest.json，用于时间序列变动的 /model-data/trends.json，以及适合直接引用的 Markdown 摘要 /model-data/summary.md。

开发者应如何对待来源日期和观察日期？ 将其视为新鲜度信号，而非永久性保证。每个数据集都包含 generatedAt 和 observedAt 字段。如果这些日期相对于您的阅读时间已过时，请在依赖该数字之前重新检查来源，特别是对于频繁变动的定价。

模型数据中心是否会取代供应商文档？ 不会。它取代了为了初步筛选而手动收集和对比分散的供应商页面的需求。对于涉及财务或合规权重的确切定价、生命周期、速率限制和安全声明，官方供应商文档仍然是记录来源。

来源与新鲜度

本文中的所有事实和端点描述均于 2026-07-09 从以下公共来源观察得出：

• TokenLab 模型数据中心 — https://tokenlab.sh/en/models/data
• TokenLab 模型趋势 — https://tokenlab.sh/en/models/trends
• TokenLab 模型研究 — https://tokenlab.sh/en/models/research
• TokenLab 模型数据目录 JSON — https://tokenlab.sh/model-data/catalog.json

对比表中引用的模型定价、上下文长度和模态数据反映了 TokenLab 于 2026-07-07 观察到的当前模型真理来源快照，并可能根据目录 sourcePolicy 字段中记录的刷新节奏发生变化。在将这些数据用于财务或合规环境之前，请通过实时端点或官方供应商文档核实当前数值。

后续步骤

如果您正在撰写模型对比，请从 /en/models/data 的目录视图开始，并对照 /en/models/rankings 进行相对定位核实。

如果您正在构建需要对模型定价或可用性进行推理的 Agent 或自动化程序，请按计划拉取 /model-data/latest.json，并在信任缓存副本之前检查 catalogHash。

如果您想了解排名变动背后的逻辑而不仅仅是数字，请阅读 /en/models/research —— TokenLab 在那里解释了变动内容及其原因。

如果您在权衡成本与能力，我们对 Gemini API 开发者定价的分析提供了对当前费率的更深入观察。如需更广泛的编程模型对比，请参阅我们的 2026 年最佳 AI 编程模型指南。

开始探索模型数据中心以直接查询当前模型定价。