model-registry-maintainer

Name: model-registry-maintainer
Author: massgen

github.com/massgen開発1.1k89 回インストール20 週間前に更新

リポジトリ

model-registry-maintainer について

model-registry-maintainerは、MassGenのメンテナー向けにモデル能力、リリース日、料金、コンテキスト上限の更新手順を示します。能力レジストリと料金データを分け、検証やテスト、文書の再生成も案内します。

主な機能

01モデル能力とリリース日の管理
02LiteLLMの料金データ確認
03代替料金とトークン上限の更新
04レジストリとトークン管理の変更検証
05バックエンド文書の再生成

活用シーン

01新規リリースモデルの登録
02モデル料金やコンテキスト上限の改定
03モデル能力やプロバイダーの追加

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/massgen/massgen --skill model-registry-maintainer

インストール後、Claude Code で/model-registry-maintainerを入力して読み込まれたか確認します。

詳細

モデルレジストリメンテナー

このスキルでは、次の 2 つの主要ファイルにわたる MassGen のモデルレジストリのメンテナンス方法を説明します。

massgen/backend/capabilities.py - モデル、機能、リリース日
massgen/token_manager/token_manager.py - 料金、コンテキストウィンドウ

このスキルを使用するタイミング

プロバイダーが新しいモデルをリリースしたとき
モデルの料金が変更されたとき
コンテキストウィンドウの上限が更新されたとき
モデルの機能が変更されたとき
新しいプロバイダー／バックエンドが追加されたとき

メンテナンスする 2 つのファイル

ファイル 1：capabilities.py（モデルと機能）

含まれる内容：

プロバイダーごとの利用可能なモデル一覧
モデルの機能（ウェブ検索、コード実行、ビジョンなど）
リリース日
デフォルトモデル

使用される用途：

設定ビルダー（--quickstart、--generate-config）
ドキュメントの生成
バックエンドの検証

新しいモデルを追加する場合は、必ずこのファイルを更新してください。

ファイル 2：token_manager.py（料金と上限）

含まれる内容：

LiteLLM データベースにないモデルのハードコードされた料金／コンテキストウィンドウ
LiteLLM データベース（500 以上のモデル）からのオンデマンド読み込み

使用される用途：

コストの見積もり
トークン数のカウント
コンテキストの管理

料金の解決順序：

LiteLLM データベース（オンデマンドで取得し、1 時間キャッシュ）
ハードコードされた PROVIDER_PRICING（フォールバックのみ）
パターンマッチングによるヒューリスティック

次の場合にのみ PROVIDER_PRICING を更新してください：

モデルが LiteLLM データベースにない
LiteLLM の料金が誤っている／古くなっている
モデルが組織内専用またはカスタムである

新しいモデルについて収集する情報

1. リリース日

形式："YYYY-MM"
情報源：
- OpenAI：https://openai.com/index
- Anthropic：https://www.anthropic.com/news
- Google DeepMind：https://blog.google/technology/google-deepmind/
- xAI：https://x.ai/news

2. コンテキストウィンドウ

入力コンテキストサイズ（トークン数）
最大出力トークン数
「context window」、「max tokens」、「input/output limits」を確認してください

3. 料金

入力 1K トークンあたりの料金（USD）
出力 1K トークンあたりの料金（USD）
キャッシュ済み入力の料金（該当する場合）
情報源：
- OpenAI：https://openai.com/api/pricing/
- Anthropic：https://www.anthropic.com/pricing
- Google：https://ai.google.dev/pricing
- xAI：https://x.ai/api/pricing

4. 機能

ウェブ検索、コード実行、ビジョン、推論など
公式 API ドキュメントを確認してください

5. モデル名

API の正確な識別子（大文字と小文字を区別）
プロバイダーのモデルドキュメントを確認してください

新しいモデルの追加 - 完全なワークフロー

ステップ 1：capabilities.py に追加する

モデルを models リストと model_release_dates に追加します。

# massgen/backend/capabilities.py

"openai": BackendCapabilities(
    # ... existing fields ...
    models=[
        "new-model-name",  # Add here (newest first)
        "gpt-5.1",
        # ... existing models ...
    ],
    model_release_dates={
        "new-model-name": "2025-12",  # Add here
        "gpt-5.1": "2025-11",
        # ... existing dates ...
    },
)

ステップ 2：料金が LiteLLM にあるか確認する（通常はスキップ）

まず、モデルがすでに LiteLLM データベースにあるか確認してください。

import requests

url = "https://raw.githubusercontent.com/BerriAI/litellm/main/model_prices_and_context_window.json"
pricing_db = requests.get(url).json()

if "new-model-name" in pricing_db:
    print("✅ Model found in LiteLLM - no need to update token_manager.py")
    print(f"Pricing: ${pricing_db['new-model-name']['input_cost_per_token']*1000}/1K input")
else:
    print("❌ Model NOT in LiteLLM - need to add to PROVIDER_PRICING")

LiteLLM にない場合にのみ、PROVIDER_PRICING に追加します。

# massgen/token_manager/token_manager.py

PROVIDER_PRICING: Dict[str, Dict[str, ModelPricing]] = {
    "OpenAI": {
        # Format: ModelPricing(input_per_1k, output_per_1k, context_window, max_output)
        "new-model-name": ModelPricing(0.00125, 0.01, 300000, 150000),
        # ... existing models ...
    },
}

プロバイダー名の対応関係：

"OpenAI"（"openai" ではありません）
"Anthropic"（"claude" ではありません）
"Google"（"gemini" ではありません）
"xAI"（"grok" ではありません）

ステップ 3：機能を更新する（新機能がある場合）

モデルに新しい機能が導入されている場合：

supported_capabilities={
    "web_search",
    "code_execution",
    "new_capability",  # Add here
}

ステップ 4：デフォルトモデルを更新する（適切な場合）

新しいモデルを推奨デフォルトにする場合にのみ変更します。

default_model="new-model-name"

ステップ 5：検証とテスト

# Run capabilities tests
uv run pytest massgen/tests/test_backend_capabilities.py -v

# Test config generation with new model
massgen --generate-config ./test.yaml --config-backend openai --config-model new-model-name

# Verify the config was created successfully
cat ./test.yaml

ステップ 6：ドキュメントを再生成する

uv run python docs/scripts/generate_backend_tables.py
cd docs && make html

現在のモデルデータ

OpenAI モデル（2025 年 11 月時点）

capabilities.py 内：

models=[
    "gpt-5.1",        # 2025-11
    "gpt-5-codex",    # 2025-09
    "gpt-5",          # 2025-08
    "gpt-5-mini",     # 2025-08
    "gpt-5-nano",     # 2025-08
    "gpt-4.1",        # 2025-04
    "gpt-4.1-mini",   # 2025-04
    "gpt-4.1-nano",   # 2025-04
    "gpt-4o",         # 2024-05
    "gpt-4o-mini",    # 2024-07
    "o4-mini",        # 2025-04
]

token_manager.py 内（不足しているモデルを追加）：

"OpenAI": {
    "gpt-5": ModelPricing(0.00125, 0.01, 400000, 128000),
    "gpt-5-mini": ModelPricing(0.00025, 0.002, 400000, 128000),
    "gpt-5-nano": ModelPricing(0.00005, 0.0004, 400000, 128000),
    "gpt-4o": ModelPricing(0.0025, 0.01, 128000, 16384),
    "gpt-4o-mini": ModelPricing(0.00015, 0.0006, 128000, 16384),
    # Missing: gpt-5.1, gpt-5-codex, gpt-4.1 family, o4-mini
}

Claude モデル（2025 年 11 月時点）

capabilities.py 内：

models=[
    "claude-haiku-4-5-20251001",    # 2025-10
    "claude-sonnet-4-5-20250929",   # 2025-09
    "claude-opus-4-1-20250805",     # 2025-08
    "claude-sonnet-4-20250514",     # 2025-05
]

token_manager.py 内：

"Anthropic": {
    "claude-haiku-4-5": ModelPricing(0.001, 0.005, 200000, 65536),
    "claude-sonnet-4-5": ModelPricing(0.003, 0.015, 200000, 65536),
    "claude-opus-4.1": ModelPricing(0.015, 0.075, 200000, 32768),
    "claude-sonnet-4": ModelPricing(0.003, 0.015, 200000, 8192),
}

Gemini モデル（2025 年 11 月時点）

capabilities.py 内：

models=[
    "gemini-3-pro-preview",  # 2025-11
    "gemini-2.5-flash",      # 2025-06
    "gemini-2.5-pro",        # 2025-06
]

token_manager.py 内（gemini-2.5 と gemini-3 が不足）：

"Google": {
    "gemini-1.5-pro": ModelPricing(0.00125, 0.005, 2097152, 8192),
    "gemini-1.5-flash": ModelPricing(0.000075, 0.0003, 1048576, 8192),
    # Missing: gemini-2.5-pro, gemini-2.5-flash, gemini-3-pro-preview
}

Grok モデル（2025 年 11 月時点）

capabilities.py 内：

models=[
    "grok-4-1-fast-reasoning",      # 2025-11
    "grok-4-1-fast-non-reasoning",  # 2025-11
    "grok-code-fast-1",             # 2025-08
    "grok-4",                       # 2025-07
    "grok-4-fast",                  # 2025-09
    "grok-3",                       # 2025-02
    "grok-3-mini",                  # 2025-05
]

token_manager.py 内（grok-3、grok-4 ファミリーが不足）：

"xAI": {
    "grok-2-latest": ModelPricing(0.005, 0.015, 131072, 131072),
    "grok-2": ModelPricing(0.005, 0.015, 131072, 131072),
    "grok-2-mini": ModelPricing(0.001, 0.003, 131072, 65536),
    # Missing: grok-3, grok-4, grok-4-1 families
}

モデル名のマッチング

重要： PROVIDER_PRICING 内の名前には、簡略化されたパターンを使用します。

"gpt-5" は gpt-5、gpt-5-preview、gpt-5-* に一致します
"claude-sonnet-4-5" は claude-sonnet-4-5-*（日付のサフィックスを問わない）に一致します
"gemini-2.5-pro" は完全一致です

トークンマネージャーは柔軟に対応できるよう、プレフィックスマッチングを使用します。

よくあるタスク

タスク：新しい GPT-5.2 モデルを追加する

調査する：リリース日、価格、コンテキストウィンドウ、機能
capabilities.py のモデルリストと release_dates に追加する
token_manager.py の PROVIDER_PRICING["OpenAI"] に追加する
テストを実行する
ドキュメントを再生成する

タスク：既存モデルの価格を更新する

公式情報源で新しい価格を確認する
token_manager.py の PROVIDER_PRICING のみを更新する
capabilities.py を変更する必要はありません
重要な変更であれば、メモに記録する

タスク：モデルに新しい機能を追加する

capabilities.py の supported_capabilities を更新する
機能がいつ、どのように動作するかを説明する notes を追加する
必要に応じてバックエンドの実装を更新する
テストを実行する

検証コマンド

# Test capabilities registry
uv run pytest massgen/tests/test_backend_capabilities.py -v

# Test token manager
uv run pytest massgen/tests/test_token_manager.py -v

# Generate config with new model
massgen --generate-config ./test.yaml --config-backend openai --config-model new-model

# Build docs to verify tables
cd docs && make html

プログラムによるモデルの更新

LiteLLM 価格データベース（推奨）

モデルの価格とコンテキストウィンドウのデータを包括的に取得する最も簡単な方法です。

URL：https://raw.githubusercontent.com/BerriAI/litellm/main/model_prices_and_context_window.json

対象範囲：次を含む、30 以上のプロバイダーの 500 以上のモデル：

OpenAI、Anthropic、Google、xAI
Together AI、Groq、Cerebras、Fireworks
AWS Bedrock、Azure、Cohere など

利用可能なデータ：

{
  "gpt-4o": {
    "input_cost_per_token": 0.0000025,
    "output_cost_per_token": 0.00001,
    "max_input_tokens": 128000,
    "max_output_tokens": 16384,
    "supports_vision": true,
    "supports_function_calling": true,
    "supports_prompt_caching": true
  }
}

使用方法：

import requests

# Fetch latest pricing
url = "https://raw.githubusercontent.com/BerriAI/litellm/main/model_prices_and_context_window.json"
pricing_db = requests.get(url).json()

# Get info for a model
model_info = pricing_db.get("gpt-4o")
input_per_1k = model_info["input_cost_per_token"] * 1000
output_per_1k = model_info["output_cost_per_token"] * 1000

LiteLLM から token_manager.py を更新する：

トークンあたりのコストを 1,000 トークンあたりのコストに変換する
コンテキストウィンドウと最大出力トークン数を抽出する
モデルを新しい順に並べる

OpenRouter API（リアルタイム）

最新のモデルリストと現在の価格を確認するには、こちらを使用します。

エンドポイント：https://openrouter.ai/api/v1/models

利用可能なデータ：

リアルタイムの価格（プロンプト、補完、推論、キャッシュ）
コンテキストウィンドウと最大補完トークン数
モデルの機能とモダリティ
複数のプロバイダーによる 200 以上のモデル

使用方法：

import requests
import os

headers = {"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"}
response = requests.get("https://openrouter.ai/api/v1/models", headers=headers)
models = response.json()["data"]

for model in models:
    print(f"{model['id']}: ${model['pricing']['prompt']} input, ${model['pricing']['completion']} output")

プロバイダー固有の API

プロバイダー	モデル API	API に価格情報あり？	推奨事項
OpenAI	`https://api.openai.com/v1/models`	❌ いいえ	LiteLLM を使用
Claude	公開 API なし	❌ いいえ	LiteLLM を使用
Gemini	`https://generativelanguage.googleapis.com/v1beta/models`	❌ いいえ	API と LiteLLM を使用
Grok (xAI)	`https://api.x.ai/v1/models`	❌ いいえ	LiteLLM を使用
Together AI	`https://api.together.xyz/v1/models`	✅ はい	API を直接使用
Groq	`https://api.groq.com/openai/v1/models`	❌ いいえ	LiteLLM を使用
Cerebras	`https://api.cerebras.ai/v1/models`	❌ いいえ	LiteLLM を使用
Fireworks	`https://api.fireworks.ai/v1/accounts/{id}/models`	❌ いいえ	LiteLLM を使用
Azure OpenAI	Azure Management API	❌ 複雑	手動
Claude Code	API なし	❌ いいえ	手動

自動化スクリプト

更新を自動化する scripts/update_model_pricing.py を作成します。

#!/usr/bin/env python3
"""Update token_manager.py pricing from LiteLLM database."""

import requests

# Fetch LiteLLM database
url = "https://raw.githubusercontent.com/BerriAI/litellm/main/model_prices_and_context_window.json"
pricing_db = requests.get(url).json()

# Filter by provider
openai_models = {k: v for k, v in pricing_db.items()
                 if v.get("litellm_provider") == "openai"}
anthropic_models = {k: v for k, v in pricing_db.items()
                    if v.get("litellm_provider") == "anthropic"}

# Generate ModelPricing entries
for model_name, info in openai_models.items():
    input_per_1k = info["input_cost_per_token"] * 1000
    output_per_1k = info["output_cost_per_token"] * 1000
    context = info.get("max_input_tokens", 0)
    max_output = info.get("max_output_tokens", 0)

    print(f'    "{model_name}": ModelPricing({input_per_1k}, {output_per_1k}, {context}, {max_output}),')

価格を最新の状態に保つため、毎週実行します。

uv run python scripts/update_model_pricing.py

参照ファイル

機能レジストリ：massgen/backend/capabilities.py
トークン／価格管理：massgen/token_manager/token_manager.py
機能テスト：massgen/tests/test_backend_capabilities.py
設定ビルダー：massgen/config_builder.py
ドキュメント生成スクリプト：docs/scripts/generate_backend_tables.py
LiteLLM データベース：https://raw.githubusercontent.com/BerriAI/litellm/main/model_prices_and_context_window.json
OpenRouter API：https://openrouter.ai/docs/overview/models

重要なメンテナンス上の注意

モデルは新しい順に並べる - 最新のモデルを先頭にする
正確な API 名を使用する - プロバイダーのドキュメントと完全に一致させる
価格の単位を確認する - token_manager.py では常に 1,000 トークンあたりにする
不確かな情報を記録する - 情報が推定値または非公式の場合は、その旨を記載する
両方のファイルを更新する - モデル追加時は token_manager.py も忘れずに更新する
価格の確認には LiteLLM を使用する - 包括的で、頻繁に更新される
更新後にテストする - pytest を実行し、互換性を損なう変更がないことを確認する

Markdown 対応

ログインしてコメント

基本情報

作者: massgen
リポジトリ: massgen/massgen
カテゴリ: 開発
インストール数: 89
GitHub スター: 1,145

問題を報告