# Labelbox vs Models.dev Labelbox 记录了 762,803 月访问量，月度环比增长为 -22.8%，定价为定价请咨询。Models.dev 记录了 200,451 月访问量，增长率为 -3.9%，定价为免费。 | 指标 | [Labelbox](https://openaitools.app/zh/tool/labelbox) | [Models.dev](https://openaitools.app/zh/tool/models-dev) | | :--- | :--- | :--- | | 官网地址 | https://labelbox.com | https://models.dev | | 分类 | AI Developer Tools, AI API, AI Workflow, AI Productivity Tools | AI Models, AI API, Open Source AI Models, AI Tools Directory | | 定价模式 | 定价请咨询 | 免费 | | 月访问量 | 762,803 | 200,451 | | 月度环比增长率 | -22.8% | -3.9% | | 主要市场 | 美国 | 中国 | | 直接访问量 | 370,024 | 136,316 | | 评价得分 | 4.4 | 4.4 | | 收藏数 | 0 | 0 | | 支持平台 | 网站 | 网站 | ## Labelbox Labelbox 在 AI 技术栈中占据独特位置：它主要卖的不是聊天机器人或生成工具，而是模型学习所依赖的环境与数据，以及接手重复性工程与研究工作的智能体。官网的说法很直接——前沿 AI 实验室使用 Labelbox 的环境与专家数据训练模型，工程与研究团队则把反复出现的待办事项交给运行在 Recursion 上的智能体。近期超过 1 亿美元的 E 轮融资，说明这一主张获得了充足资金支持。,对企业而言，较新的一半是 Recursion。智能体由真实信号触发——构建失败、PagerDuty 告警、新的依赖版本、新的模型检查点，或周一早晨的定时任务——随后在后台工作直至完成。官方宣传的例子是具体交付物而非摘要：带预览链接且已通过测试的 pull request、每个事件都有出处的 Confluence 事故复盘初稿、点明关键改动的消融实验表格，或重大 CVE 后针对每个受影响服务的补丁。评分智能体会为每次运行打分，评分后的会话留下记忆、笔记与技能，供下一次会话在行动前读取。,最初的核心仍是数据业务：由专家复核支撑的标注、注释、策展与模型评估，用于计算机视觉、NLP、监督微调、RLHF 和红队测试。实践中两半相互强化，因为产出高质量训练数据的环境，正是智能体学习真实工作的环境。价格属企业模式，通过销售沟通确定，取决于数据量与智能体使用情况，没有公开的自助式套餐。 **定价与套餐:** 价格面议。Labelbox 未公布自助式套餐或公开价目表，其价格入口引导有兴趣的团队联系销售，费用取决于数据生产规模、智能体部署与企业需求。官方未公布免费方案。有意导入者应根据自身用量与使用场景索取报价。 - **数据标注与专家注释:** 覆盖视觉、语言与生成任务的结构化标注、数据策展、模型评估与人机协同复核，构成训练与评估数据的基础。 - **自主智能体会话:** Recursion 智能体由构建、告警、代码提交、检查点和定时任务自主启动，并在后台持续工作直至任务完成且可审查。 - **按职能划分的专家智能体:** 专业智能体覆盖软件工程、可靠性、安全、ML 研究、评估、研发、产品与财务，从修复不稳定测试到撰写事故复盘初稿。 - **可累积的评分成果:** 每次运行都由评分智能体打分，评分后的会话留下记忆、笔记与技能，供下一次会话在行动前读取。 - **原生工具与数据集成:** 智能体在团队现有工具上运作，包括 GitHub、Jira、Linear、Slack、Datadog、PagerDuty、BigQuery、Databricks、Vercel 与云服务商。 **优势:** 同时覆盖问题两端：训练与评估数据的生产，以及处理重复性工作的智能体; 近期超过 1 亿美元的 E 轮融资与前沿 AI 实验室的采用，代表资金与需求都有实据; 智能体运行产出可验证的具体成果——测试、重跑、消融实验——而非未经检验的建议; 可与现有工具链集成：GitHub、Jira、Linear、Slack、Datadog、PagerDuty、BigQuery 与 Databricks **局限:** 没有自助定价和公开注册，一切都要经过销售沟通，评估周期较长; 平台预设使用者已具备真实的工程与研究基础设施（GitHub、云服务、数据仓库）; 定位已快速转向自主智能体会话，只想做数据标注的团队可能觉得过重 [工具详情（Markdown）](https://openaitools.app/zh/tool/labelbox.md) ## Models.dev Models.dev 要回答一个非常实际的问题：该用哪个模型，成本是多少？网站为每个条目设定形如 provider/model 的规范标识符，因此同一模型在不同供应商下的版本可以直接比较，而无需猜测。表格列包含上下文窗口、最大输出、是否支持输入与输出、推理、工具调用、结构化输出、温度控制、开放或闭源权重、每百万 token 价格，以及发布与更新日期。 由于模型发布节奏很快，该目录以保持最新为目标，提供可排序与可搜索的表格，可按实验室或供应商浏览并筛选关键条件。条目同时涵盖闭源旗舰模型与开放权重模型，因此既能用于成本规划，也能用于能力调研。 项目开源且免费，定位是可被程序化消费的数据源。开发者可以通过 JSON API 或类型安全 SDK 把目录接入自家工具，因此它适合作为仪表盘、路由逻辑或内部成本计算器的后端，而不只是一张用于浏览的参考页。 **定价与套餐:** Models.dev 免费且开源。它本身是参考数据库，所列价格是模型供应商收取的每百万 token 费率，而不是使用本站的费用。 - **规范模型标识符:** 每个模型采用统一的 provider/model 格式，便于跨供应商直接对比同一模型。 - **规格对比:** 并排查看上下文窗口、输出上限、推理、工具调用、结构化输出与温度支持。 - **价格透明:** 列出每百万 token 的输入输出价格，并标注发布与更新日期。 - **开源与闭源兼顾:** 在一个可排序目录中同时覆盖闭源旗舰 API 与各实验室的开放权重模型。 - **面向开发者:** 可通过 JSON API 或类型安全 SDK 获取目录，用于自建工具与仪表盘。 **优势:** 免费开源，无需注册账号; 统一的规范标识符让跨供应商对比更可靠; 在同一张可排序表格中呈现价格、上限与能力; 提供 JSON API 与类型安全 SDK，便于程序化使用 **局限:** 它是参考目录，并非推理或托管服务; 数据质量依赖社区与维护者能否跟上发布节奏; 界面面向开发者，对非技术用户几乎没有引导 [工具详情（Markdown）](https://openaitools.app/zh/tool/models-dev.md) ## 常见问题 ### Labelbox 和 Models.dev 在月流量上如何比较？ Labelbox 有 762,803 月访问量，而 Models.dev 有 200,451。流量估算描述的是受众规模，而非产品质量。 ### 它们的增长率如何比较？ Labelbox 的月度环比增长率为 -22.8%；Models.dev 为 -3.9%。 ### 价格如何比较？ Labelbox: 定价请咨询。价格面议。Labelbox 未公布自助式套餐或公开价目表，其价格入口引导有兴趣的团队联系销售，费用取决于数据生产规模、智能体部署与企业需求。官方未公布免费方案。有意导入者应根据自身用量与使用场景索取报价。 Models.dev: 免费。Models.dev 免费且开源。它本身是参考数据库，所列价格是模型供应商收取的每百万 token 费率，而不是使用本站的费用。 ## 替代工具 | # | 工具名称 | 月访问量 | 月度环比增长率 | 定价模式 | 简介 | 工具详情（Markdown） | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 1 | [Roboflow](https://openaitools.app/zh/tool/roboflow) | 1,431,204 | +6.6% | 免费增值，定价请咨询 | 简化从标注到模型部署的端到端计算机视觉工作流程，但缺乏 Labelbox 的通用企业级智能体编排功能。 | [.md](https://openaitools.app/zh/tool/roboflow.md) | | 2 | [Appen](https://openaitools.app/zh/tool/appen-com) | 665,840 | +0.2% | 定价请咨询 | 高度依赖真人参与的托管人力服务来进行数据验证，相比 Labelbox 提供较少的自助式技术工具。 | [.md](https://openaitools.app/zh/tool/appen-com.md) | | 3 | [Scale](https://openaitools.app/zh/tool/scale) | 616,915 | +12.5% | 定价请咨询 | 提供大规模的企业级标注与模型评估，但通常需要比 Labelbox 更高的企业预算。 | [.md](https://openaitools.app/zh/tool/scale.md) | | 4 | [SuperAnnotate](https://openaitools.app/zh/tool/super-annotate) | 386,034 | +37.4% | 免费试用，定价请咨询 | 提供强大的多模态标注与工作流程自动化，并为计算机视觉团队提供更直观的数据整理管道。 | [.md](https://openaitools.app/zh/tool/super-annotate.md) | | 5 | [Weights & Biases（CoreWeave Forge）](https://openaitools.app/zh/tool/prompts) | 315,624 | -80.2% | 免费增值，定价请咨询，免费 | 在互联环境中跟踪、评估并交付 AI 模型与智能体。 | [.md](https://openaitools.app/zh/tool/prompts.md) | | 6 | [Encord](https://openaitools.app/zh/tool/encord-com) | 244,204 | +9.4% | 定价请咨询 | 专注于先进的计算机视觉与物理 AI 数据管道，不过其焦点比一般的文本与图像标注更窄。 | [.md](https://openaitools.app/zh/tool/encord-com.md) | | 7 | [Stork](https://openaitools.app/zh/tool/stork) | 201,544 | +2.3% | 免费 | Includes model pricing trackers and developer news alongside tools directories, but less focused on raw API specs. | [.md](https://openaitools.app/zh/tool/stork.md) | | 8 | [Label Studio](https://openaitools.app/zh/tool/label-studio) | 137,199 | -16.1% | 定价请咨询，免费 | 提供灵活的开源替代方案用于自定义数据标注，但需要自行搭建与手动维护基础设施。 | [.md](https://openaitools.app/zh/tool/label-studio.md) | | 9 | [Confident AI](https://openaitools.app/zh/tool/confident-ai) | 83,400 | -3.3% | 免费增值，付费，定价请咨询 | Focuses strictly on LLM evaluation, testing, and observability rather than raw data annotation and training dataset curation. | [.md](https://openaitools.app/zh/tool/confident-ai.md) | | 10 | [InfraBase.ai](https://openaitools.app/zh/tool/infrabase-ai) | 39,072 | -13.6% | 免费 | Catalogues and compares AI infrastructure tools and services across categories, but lacks deep per-token pricing tables. | [.md](https://openaitools.app/zh/tool/infrabase-ai.md) | --- 来源：https://openaitools.app/zh/compare/labelbox-vs-models-dev 更多 Markdown 页面: [分类](https://openaitools.app/zh/categories.md) · [流量排名](https://openaitools.app/zh/rankings.md) · [llms.txt](https://openaitools.app/zh/llms.txt)