# Labelbox vs Models.dev Labelbox 每月有 762,803 次造訪，月增率 -22.8%，定價模式為需聯絡報價。Models.dev 每月有 200,451 次造訪，成長率 -3.9%，定價模式為免費。 | 指標 | [Labelbox](https://openaitools.app/tw/tool/labelbox) | [Models.dev](https://openaitools.app/tw/tool/models-dev) | | :--- | :--- | :--- | | 網站網址 | https://labelbox.com | https://models.dev | | 分類 | AI 開發者工具, AI API, AI Workflow, AI 生產力工具 | AI 模型, AI API, 開源 AI 模型, AI 工具目錄 | | 定價模式 | 需聯絡報價 | 免費 | | 每月造訪次數 | 762,803 | 200,451 | | 月成長率 | -22.8% | -3.9% | | 主要市場 | 美國 | 中國 | | 直接造訪 | 370,024 | 136,316 | | 評論分數 | 4.4 | 4.4 | | 收藏數 | 0 | 0 | | 支援平台 | 網站 | 網站 | ## Labelbox Labelbox 在 AI 技術堆疊中占據特殊位置：它主要賣的不是聊天機器人或生成工具，而是模型學習所需的環境與資料，以及接手例行工程與研究工作的代理。首頁的說法很直接——前沿 AI 實驗室用 Labelbox 的環境與專家資料訓練模型，而工程與研究團隊把反覆出現的待辦事項交給在 Recursion 上運作的代理。近期超過 1 億美元的 E 輪募資，顯示這個主張獲得充足資金支持。,對企業而言，較新的一半是 Recursion。代理由真實訊號觸發——建置失敗、PagerDuty 告警、新的相依套件版本、新的模型檢查點，或週一早晨的排程——然後在背景工作到完成。官方強調的例子是具體交付物而非摘要：附預覽連結且已測試的 pull request、每個事件都有出處的 Confluence 事故檢討草稿、點名關鍵變更的消融實驗表，或重大 CVE 後針對每個受影響服務的修補。評分代理會為每次執行打分，評分後的工作階段留下記憶、筆記與技能，供下一次執行前讀取。,最初的核心仍是資料業務：由專家審閱者支援的標註、註記、策展與模型評估，用於電腦視覺、NLP、監督式微調、RLHF 與紅隊測試。實務上兩半相互強化，因為產出高品質訓練資料的環境，正是代理學習真實工作的環境。價格屬企業模式，透過業務洽談決定，並取決於資料量與代理使用情形，沒有公開的自助式方案。 **價格與方案:** 價格另洽。Labelbox 未公布自助式方案或公開價目表，其價格入口引導有興趣的團隊與業務洽談，費用取決於資料產出規模、代理部署與企業需求。官方未公布免費方案。有意導入者應依自身用量與使用情境索取報價。 - **資料標註與專家註記:** 涵蓋視覺、語言與生成任務的結構化標註、資料策展、模型評估與人機協作審閱，是訓練與評估資料的基礎。 - **自主代理工作階段:** Recursion 代理會從建置、告警、提交、檢查點與排程自動啟動，並在背景持續工作直到任務完成可審查。 - **依職能分工的專業代理:** 專業代理涵蓋軟體工程、可靠性、資安、ML 研究、評估、研發、產品與財務，從修復不穩定測試到撰寫事故檢討草稿。 - **可累積的評分成果:** 每次執行都由評分代理打分，評分後的工作階段留下記憶、筆記與技能，供下一次執行前讀取。 - **原生工具與資料整合:** 代理直接在團隊既有工具上運作，包括 GitHub、Jira、Linear、Slack、Datadog、PagerDuty、BigQuery、Databricks、Vercel 與雲端服務商。 **優勢:** 同時涵蓋問題兩端：訓練與評估資料的產出，以及處理例行工作的代理; 近期超過 1 億美元的 E 輪募資與前沿 AI 實驗室的採用，代表資金與需求皆有實據; 代理執行產出可驗證的具體成果——測試、重跑、消融實驗——而非未經檢核的建議; 可與既有工具鏈整合：GitHub、Jira、Linear、Slack、Datadog、PagerDuty、BigQuery 與 Databricks **限制:** 沒有自助式定價或公開註冊，一切都得透過業務洽談，評估流程較慢; 平台預設使用者已有實際的工程與研究基礎設施（GitHub、雲端、資料倉儲）; 定位快速轉向自主代理工作階段，只想做標註的團隊可能覺得過於龐大 [Profile (Markdown)](https://openaitools.app/tw/tool/labelbox.md) ## Models.dev Models.dev 要回答一個非常實際的問題：該用哪個模型，成本是多少？網站為每個項目設定形如 provider/model 的規範識別碼，因此同一模型在不同供應商下的版本可以直接比較。表格欄位包含上下文視窗、最大輸出、是否支援輸入與輸出、推理、工具呼叫、結構化輸出、溫度控制、開放或閉源權重、每百萬 token 價格，以及發布與更新日期。 由於模型發布節奏很快，該目錄以保持最新為目標，提供可排序與可搜尋的表格，能依實驗室或供應商瀏覽並篩選關鍵條件。項目同時涵蓋閉源旗艦模型與開放權重模型，既能用於成本規劃，也能用於能力調研。 專案開源且免費，定位為可被程式化取用的資料源。開發者可透過 JSON API 或型別安全 SDK 把目錄接入自家工具，因此很適合作為儀表板、路由邏輯或內部成本計算器的後端，而不只是瀏覽用的參考頁。 **價格與方案:** Models.dev 免費且開源。它本身是參考資料庫，所列價格是模型供應商收取的每百萬 token 費率，而非使用本站的費用。 - **規範模型識別碼:** 每個模型採用統一的 provider/model 格式，方便跨供應商直接對比同一模型。 - **規格對比:** 並排查看上下文視窗、輸出上限、推理、工具呼叫、結構化輸出與溫度支援。 - **價格透明:** 列出每百萬 token 的輸入輸出價格，並標註發布與更新日期。 - **開源與閉源兼顧:** 在一個可排序目錄中同時涵蓋閉源旗艦 API 與各實驗室的開放權重模型。 - **面向開發者:** 可透過 JSON API 或型別安全 SDK 取得目錄，用於自建工具與儀表板。 **優勢:** 免費開源，無需註冊帳號; 統一的規範識別碼讓跨供應商對比更可靠; 在同一張可排序表格中呈現價格、上限與能力; 提供 JSON API 與型別安全 SDK，便於程式化使用 **限制:** 它是參考目錄，並非推論或託管服務; 資料品質取決於社群與維護者能否跟上發布節奏; 介面面向開發者，對非技術使用者幾乎沒有引導 [Profile (Markdown)](https://openaitools.app/tw/tool/models-dev.md) ## 常見問題 ### Labelbox 與 Models.dev 的每月流量相比如何？ Labelbox 每月有 762,803 次造訪，而 Models.dev 有 200,451。流量估算反映受眾規模，並非產品品質。 ### 兩者的成長率相比如何？ Labelbox 的月增率為 -22.8%；Models.dev 為 -3.9%。 ### 價格相比如何？ Labelbox：需聯絡報價。價格另洽。Labelbox 未公布自助式方案或公開價目表，其價格入口引導有興趣的團隊與業務洽談，費用取決於資料產出規模、代理部署與企業需求。官方未公布免費方案。有意導入者應依自身用量與使用情境索取報價。 Models.dev：免費。Models.dev 免費且開源。它本身是參考資料庫，所列價格是模型供應商收取的每百萬 token 費率，而非使用本站的費用。 ## 替代方案 | # | 工具名稱 | 每月造訪次數 | 月成長率 | 定價模式 | Summary | Profile (Markdown) | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 1 | [Roboflow](https://openaitools.app/tw/tool/roboflow) | 1,431,204 | +6.6% | 免費增值、需聯絡報價 | 簡化從標註到模型部署的端到端電腦視覺工作流程，但缺乏 Labelbox 的一般企業代理編排功能。 | [.md](https://openaitools.app/tw/tool/roboflow.md) | | 2 | [Appen](https://openaitools.app/tw/tool/appen-com) | 665,840 | +0.2% | 需聯絡報價 | 高度依賴真人參與的託管人力服務來進行資料驗證，相比 Labelbox 提供較少的自助式技術工具。 | [.md](https://openaitools.app/tw/tool/appen-com.md) | | 3 | [Scale](https://openaitools.app/tw/tool/scale) | 616,915 | +12.5% | 需聯絡報價 | 提供大規模的企業級標註與模型評估，但通常需要比 Labelbox 更高的企業預算。 | [.md](https://openaitools.app/tw/tool/scale.md) | | 4 | [SuperAnnotate](https://openaitools.app/tw/tool/super-annotate) | 386,034 | +37.4% | 免費試用、需聯絡報價 | 提供強大的多模態標註與工作流程自動化，並為電腦視覺團隊提供更直觀的資料策展管線。 | [.md](https://openaitools.app/tw/tool/super-annotate.md) | | 5 | [Weights & Biases（CoreWeave Forge）](https://openaitools.app/tw/tool/prompts) | 315,624 | -80.2% | 免費增值、需聯絡報價、免費 | 在互聯環境中追蹤、評估並交付 AI 模型與代理。 | [.md](https://openaitools.app/tw/tool/prompts.md) | | 6 | [Encord](https://openaitools.app/tw/tool/encord-com) | 244,204 | +9.4% | 需聯絡報價 | 專門用於先進的電腦視覺與物理 AI 資料管線，不過其焦點比一般的文字與圖像標註更窄。 | [.md](https://openaitools.app/tw/tool/encord-com.md) | | 7 | [Stork](https://openaitools.app/tw/tool/stork) | 201,544 | +2.3% | 免費 | Includes model pricing trackers and developer news alongside tools directories, but less focused on raw API specs. | [.md](https://openaitools.app/tw/tool/stork.md) | | 8 | [Label Studio](https://openaitools.app/tw/tool/label-studio) | 137,199 | -16.1% | 需聯絡報價、免費 | 提供靈活的開源替代方案用於自訂資料標註，但需要自行架設與手動維護基礎設施。 | [.md](https://openaitools.app/tw/tool/label-studio.md) | | 9 | [Confident AI](https://openaitools.app/tw/tool/confident-ai) | 83,400 | -3.3% | 免費增值、付費、需聯絡報價 | Focuses strictly on LLM evaluation, testing, and observability rather than raw data annotation and training dataset curation. | [.md](https://openaitools.app/tw/tool/confident-ai.md) | | 10 | [InfraBase.ai](https://openaitools.app/tw/tool/infrabase-ai) | 39,072 | -13.6% | 免費 | Catalogues and compares AI infrastructure tools and services across categories, but lacks deep per-token pricing tables. | [.md](https://openaitools.app/tw/tool/infrabase-ai.md) | --- 來源：https://openaitools.app/tw/compare/labelbox-vs-models-dev More Markdown: [分類](https://openaitools.app/tw/categories.md) · [流量排名](https://openaitools.app/tw/rankings.md) · [llms.txt](https://openaitools.app/tw/llms.txt)