# Models.dev vs Replicate AI

Models.dev 记录了 200,451 月访问量，月度环比增长为 -3.9%，定价为免费。Replicate AI 记录了 904,038 月访问量，增长率为 -8.4%，定价为付费。

| 指标 | [Models.dev](https://openaitools.app/zh/tool/models-dev) | [Replicate AI](https://openaitools.app/zh/tool/replicate-ai) |
| :--- | :--- | :--- |
| 官网地址 | https://models.dev | https://replicate.com |
| 分类 | AI Models, AI API, Open Source AI Models, AI Tools Directory | AI API, AI Models, AI Developer Tools, Open Source AI Models |
| 定价模式 | 免费 | 付费 |
| 月访问量 | 200,451 | 904,038 |
| 月度环比增长率 | -3.9% | -8.4% |
| 主要市场 | 中国 | 美国 |
| 直接访问量 | 136,316 | 577,501 |
| 评价得分 | 4.4 | 4.6 |
| 收藏数 | 0 | 5 |
| 支持平台 | 网站 | 网站 |

## 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)

## Replicate AI

Replicate is a cloud API for running, fine-tuning, and deploying machine learning models. Spin up open-source and hosted models — from image, video, and audio generation to speech synthesis, captioning, and LLM inference — with one line of code, or package your own model with Cog and put it behind a production-ready API.

**定价与套餐:** Paid, usage-based — you only pay for what you use. Most public models are billed by runtime at per-second hardware rates; some models are billed per input and output (for example, $0.04 per output image on Flux 1.1 Pro, $3.75 per million input tokens on DeepSeek R1). Published GPU hardware ranges from about $0.81/hr for a T4 up to roughly $43.92/hr for 8x H100. Private deployments bill for setup, idle, and active time on dedicated hardware, and you can start for free. Enterprise and volume discounts available.

- **Thousands of models behind one API:** Run image, video, audio, speech, and language models through a uniform API surface, with official models for FLUX, Nano Banana, Seedream, Grok Imagine, MiniMax, Wan, Seedance, and more.
- **One-line-of-code inference:** Set up a model in minutes and make an API call in Python, Node, or plain HTTP after authenticating with an API token.
- **Cog packaging and custom deployments:** Package your own model with Cog, an open-source tool for packaging machine learning models, and deploy it on dedicated hardware that scales up and down with demand.
- **Model fine-tuning:** Fine-tune models on your own data, including fast-booting fine-tunes that are billed only while actively processing requests rather than for idle time.
- **Published hardware and inference rates:** Transparent per-second hardware rates across CPU, T4, L40S, A100, H100, and H200 configurations, with committed-spend options for multi-GPU capacity.

**优势:** Very broad model catalog spanning image, video, audio, speech, and LLMs behind one consistent API; Usage-based billing with openly published per-second hardware and per-output model rates; Cog makes it straightforward to package and deploy your own private models; Automatic scaling handles traffic spikes without manual capacity planning

**局限:** Costs are consumption-based and can rise quickly with heavy traffic or always-on private deployments; Private models bill for idle and setup time, not just request processing, unless they are fast-booting fine-tunes; Long-running GPU models can queue on shared public capacity during peak periods; It is an infrastructure layer, so you still need your own prompts, pipelines, and application code

[工具详情（Markdown）](https://openaitools.app/zh/tool/replicate-ai.md)

## 常见问题

### Models.dev 和 Replicate AI 在月流量上如何比较？

Models.dev 有 200,451 月访问量，而 Replicate AI 有 904,038。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？

Models.dev 的月度环比增长率为 -3.9%；Replicate AI 为 -8.4%。

### 价格如何比较？

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。 Replicate AI: 付费。Paid, usage-based — you only pay for what you use. Most public models are billed by runtime at per-second hardware rates; some models are billed per input and output (for example, $0.04 per output image on Flux 1.1 Pro, $3.75 per million input tokens on DeepSeek R1). Published GPU hardware ranges from about $0.81/hr for a T4 up to roughly $43.92/hr for 8x H100. Private deployments bill for setup, idle, and active time on dedicated hardware, and you can start for free. Enterprise and volume discounts available.

## 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 | [OpenRouter](https://openaitools.app/zh/tool/openrouter-ai) | 19,941,437 | -6.2% | 付费 | 擅长跨多个提供商路由文本和多模态提示词，但缺乏 Replicate 专属的自定义 ML 部署功能。 | [.md](https://openaitools.app/zh/tool/openrouter-ai.md) |
| 2 | [fal.ai](https://openaitools.app/zh/tool/fal-ai) | 3,093,684 | -3.7% | Paid, pay-as-you-go usage-based pricing | 图片和视频模型的无服务器执行速度更快，但相比 Replicate，通用自定义模型部署能力稍弱。 | [.md](https://openaitools.app/zh/tool/fal-ai.md) |
| 3 | [Together AI](https://openaitools.app/zh/tool/together-ai) | 1,645,930 | +64.9% | 免费增值，付费 | 更专注于 LLM 推理和微调，但缺乏 Replicate 那样由社区策划的多样化媒体模型目录。 | [.md](https://openaitools.app/zh/tool/together-ai.md) |
| 4 | [Unsloth AI](https://openaitools.app/zh/tool/unsloth-ai) | 887,457 | -17.6% | 免费 | Specializes specifically in ultra-efficient model fine-tuning, rather than providing a general-purpose model hosting API. | [.md](https://openaitools.app/zh/tool/unsloth-ai.md) |
| 5 | [Atlas Cloud](https://openaitools.app/zh/tool/atlas-cloud) | 777,031 | -16.4% | 付费 | Offers a broad mix of generative media models via API, but lacks Replicate's massive community deployment ecosystem. | [.md](https://openaitools.app/zh/tool/atlas-cloud.md) |
| 6 | [Fireworks](https://openaitools.app/zh/tool/fireworks-ai) | 659,687 | +6% | 定价请咨询 | 为开源模型提供极快的推理速度，但模型选择比 Replicate 窄。 | [.md](https://openaitools.app/zh/tool/fireworks-ai.md) |
| 7 | [DeepInfra](https://openaitools.app/zh/tool/deep-infra) | 457,810 | -8.9% | 付费 | 运行开源权重模型的定价显著更便宜，但提供的先进自定义训练和部署功能较少。 | [.md](https://openaitools.app/zh/tool/deep-infra.md) |
| 8 | [Pollinations](https://openaitools.app/zh/tool/pollinations) | 316,875 | +22.8% | 免费 | 面向生成式 AI 开发者的开放基础设施与统一 API | [.md](https://openaitools.app/zh/tool/pollinations.md) |
| 9 | [Novita AI](https://openaitools.app/zh/tool/novita-ai) | 271,371 | -10.4% | 付费 | 提供实惠的无服务器 GPU 执行和多样化的模型 API，但开发者生态系统不够成熟。 | [.md](https://openaitools.app/zh/tool/novita-ai.md) |
| 10 | [Chutes](https://openaitools.app/zh/tool/chutes) | 250,187 | -15.2% | 付费 | 为开源 AI 模型提供无服务器去中心化推理 | [.md](https://openaitools.app/zh/tool/chutes.md) |

---
来源：https://openaitools.app/zh/compare/models-dev-vs-replicate-ai

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)