Model ID Cheatsheet

模型 ID 速查表

阻止你的 AI 编码 Agent 幻觉出过时的模型名称。 这个 MCP 服务让任何 AI 助手都能即时获取准确、最新的 API 模型 ID、定价和规格，涵盖 19 家提供商的 107 个模型。

使用 Go 构建。单个 10 MB 二进制文件。零外部调用。亚毫秒级响应。每日自动更新。

- model = "gpt-4-turbo"           # Hallucinated - doesn't exist anymore
+ model = "gpt-5.3-codex"         # Correct - verified against official docs

- model = "claude-3-opus-20240229" # Deprecated
+ model = "claude-opus-4-6"        # Current - latest Anthropic flagship

---

快速开始

从下方选择一个选项。不到一分钟即可完成设置。

选项 A：Claude Code（一条命令）

claude mcp add --transport sse --scope user model-id-cheatsheet \
  https://universal-model-registry-production.up.railway.app/sse

验证是否正常运行：

claude mcp list
# Should show: model-id-cheatsheet ... Connected

然后启动新的 Claude Code 会话并询问：“最新的 OpenAI 模型是什么？”——它会自动使用这些工具。

选项 B：Cursor

添加到 ~/.cursor/mcp.json：

{
  "mcpServers": {
    "model-id-cheatsheet": {
      "url": "https://universal-model-registry-production.up.railway.app/sse"
    }
  }
}

重启 Cursor 以应用更改。

选项 C：Windsurf

添加到 Settings > MCP Servers（或编辑 ~/.codeium/windsurf/mcp_config.json）：

{
  "mcpServers": {
    "model-id-cheatsheet": {
      "serverUrl": "https://universal-model-registry-production.up.railway.app/sse"
    }
  }
}

选项 D：Codex CLI

添加到 ~/.codex/config.toml：

[mcp_servers.model-id-cheatsheet]
command = "uvx"
args = ["mcp-proxy", "--transport", "sse", "https://universal-model-registry-production.up.railway.app/sse"]

选项 E：OpenCode

添加到 ~/.config/opencode/opencode.json：

{
  "$schema": "https://opencode.ai/config.json",
  "mcp": {
    "model-id-cheatsheet": {
      "type": "remote",
      "url": "https://universal-model-registry-production.up.railway.app/sse"
    }
  }
}

选项 F：任意 MCP 客户端

直接连接到 SSE 端点（无需 API 密钥，无需身份验证）：

https://universal-model-registry-production.up.railway.app/sse

或者使用 Streamable HTTP 传输：

https://universal-model-registry-production.up.railway.app/mcp

验证设置

连接后，尝试向 AI 助手询问以下任意问题：

• “Claude Opus 4.6 的正确模型 ID 是什么？”
• “gpt-4o 还能用吗？”
• “比较 gpt-5.2 和 claude-opus-4-6”
• “支持视觉能力的最便宜模型是什么？”

如果 Agent 在回答前调用了 get_model_info 或 check_model_status 之类的工具，说明运行正常。

---

工作原理

你的 AI Agent 将获得 6 个工具，在写入任何模型 ID 之前会自动调用：

工具	功能	提示词示例
get_model_info(model_id)	完整规格：API ID、定价、上下文窗口、能力	“Claude Sonnet 的模型 ID 是什么？”
list_models(provider?, status?, capability?)	浏览和筛选注册表	“列出所有当前的 Google 模型”
recommend_model(task, budget?)	针对任务的排名推荐	“适合编码且预算较低的最佳模型”
check_model_status(model_id)	验证模型是否为当前、旧版或已弃用	“gpt-4o 还能用吗？”
compare_models(model_ids)	并排对比表	“比较 gpt-5.2 和 claude-opus-4-6”
search_models(query)	跨所有字段进行自由文本搜索	“搜索推理模型”

资源

URI	描述
model://registry/all	全部 107 个模型的完整 JSON 数据
model://registry/current	仅包含当前（未弃用）模型的 JSON 数据
model://registry/pricing	按价格从低到高排序的定价表（markdown）

底层运行过程

1. 你让 Agent 编写代码或回答模型相关问题
2. Agent 自动调用适当的工具（例如 get_model_info）
3. 服务以亚毫秒级速度返回经过验证的数据（不调用外部 API）
4. Agent 使用正确、当前的模型 ID 编写代码

服务指令会告诉 Agent：“绝不要未经验证就使用训练数据中的模型 ID。” 这意味着 Agent 每次写入前都会先检查。

---

实际示例

编写 API 调用：

# You: "Call the OpenAI API with their best coding model"
# Agent calls: get_model_info("gpt-5.4")
response = client.chat.completions.create(
    model="gpt-5.4",  # Verified via model registry
    messages=[...]
)

发现已弃用模型：

# You: "Use gpt-4o for this task"
# Agent calls: check_model_status("gpt-4o")
# Agent: "gpt-4o is deprecated. I'll use gpt-5 instead."
response = client.chat.completions.create(
    model="gpt-5",  # Updated automatically
    messages=[...]
)

寻找最便宜的选项：

# You: "Use the cheapest model that supports vision"
# Agent calls: list_models(capability="vision", status="current")
response = client.chat.completions.create(
    model="gpt-5-nano",  # $0.05/$0.40 per 1M tokens
    messages=[...]
)

比较选项：

# You: "Should I use Claude or GPT for this?"
# Agent calls: compare_models(["claude-opus-4-6", "gpt-5.2"])
# Agent gets a side-by-side table and makes a recommendation

---

资源占用

常见疑问：“这会拖慢我的 Agent 或消耗很多令牌吗？”

指标	数值
二进制文件大小	约 10MB
运行时内存	极少（静态内存映射，无数据库）
外部 API 调用	0（所有数据都已内置）
响应时间	不到 1 毫秒
每次工具调用的令牌成本	约 200-500 个令牌（简短文本响应）
工具架构在系统提示词中的开销	约 500-800 个令牌

相比之下，单次网页搜索消耗的令牌就比全部 6 个工具架构的总和还多。

---

支持的模型（共 107 款）

当前模型（79 款）

提供商	模型	API ID
OpenAI（15 款）	GPT-5.4、GPT-5.4 Pro、GPT-5.3 Instant、GPT-5.2、GPT-5.2 Pro、GPT-5.1、GPT-5.1 Codex、GPT-5.1 Mini、GPT-5、GPT-5 Mini、GPT-5 Nano、GPT-4.1 Mini、GPT-4.1 Nano、o3、o4-mini	gpt-5.4、gpt-5.4-pro、gpt-5.3-chat-latest、gpt-5.2、gpt-5.2-pro、gpt-5.1、gpt-5.1-codex、gpt-5.1-mini、gpt-5、gpt-5-mini、gpt-5-nano、gpt-4.1-mini、gpt-4.1-nano、o3、o4-mini
Anthropic（4 款）	Claude Opus 4.6、Claude Sonnet 4.6、Claude Sonnet 4.5、Claude Haiku 4.5	claude-opus-4-6、claude-sonnet-4-6、claude-sonnet-4-5-20250929、claude-haiku-4-5-20251001
Mistral（11 款）	Mistral Large 3、Mistral Medium 3、Mistral Small 3.2、Mistral Saba、Ministral 3B、Ministral 8B、Ministral 14B、Magistral Small 1.2、Magistral Medium 1.2、Devstral 2、Devstral Small 2	mistral-large-2512、mistral-medium-2505、mistral-small-2506、mistral-saba-2502、ministral-3b-2512、ministral-8b-2512、ministral-14b-2512、magistral-small-2509、magistral-medium-2509、devstral-2512、devstral-small-2512
Amazon（6 款）	Nova Micro、Nova Lite、Nova Pro、Nova Premier、Nova 2 Lite、Nova 2 Pro	amazon-nova-micro、amazon-nova-lite、amazon-nova-pro、amazon-nova-premier、amazon-nova-2-lite、amazon-nova-2-pro
Google（5 款）	Gemini 3.1 Pro、Gemini 3.1 Flash Lite、Gemini 3 Flash、Gemini 2.5 Pro、Gemini 2.5 Flash	gemini-3.1-pro-preview、gemini-3.1-flash-lite-preview、gemini-3-flash-preview、gemini-2.5-pro、gemini-2.5-flash
Cohere（5 款）	Command A、Command A Reasoning、Command A Vision、Command A Translate、Command R7B	command-a-03-2025、command-a-reasoning-08-2025、command-a-vision-07-2025、command-a-translate-08-2025、command-r7b-12-2024
xAI（4 款）	Grok 4、Grok 4.1 Fast、Grok 4 Fast、Grok Code Fast 1	grok-4、grok-4.1-fast、grok-4-fast、grok-code-fast-1
Microsoft（4 款）	Phi-4、Phi-4 Multimodal、Phi-4 Reasoning、Phi-4 Reasoning Plus	phi-4、phi-4-multimodal-instruct、phi-4-reasoning、phi-4-reasoning-plus
Perplexity（4 款）	Sonar、Sonar Pro、Sonar Reasoning Pro、Sonar Deep Research	sonar、sonar-pro、sonar-reasoning-pro、sonar-deep-research
Moonshot（3 款）	Kimi K2.5、Kimi K2 Thinking、Kimi K2 (0905)	kimi-k2.5、kimi-k2-thinking、kimi-k2-0905-preview
Tencent（3 款）	Hunyuan TurboS、Hunyuan T1、Hunyuan A13B	hunyuan-turbos、hunyuan-t1、hunyuan-a13b
Zhipu（3 款）	GLM-5、GLM-4.7、GLM-4.7 FlashX	glm-5、glm-4.7、glm-4.7-flashx
Meta（2 款）	Llama 4 Maverick、Llama 4 Scout	llama-4-maverick、llama-4-scout
DeepSeek（2 款）	DeepSeek Reasoner、DeepSeek Chat	deepseek-reasoner、deepseek-chat
NVIDIA（2 款）	Nemotron 3 Nano 30B、Nemotron Ultra 253B	nvidia/nemotron-3-nano-30b-a3b、nvidia/llama-3.1-nemotron-ultra-253b-v1
AI21（2 款）	Jamba Large 1.7、Jamba Mini 1.7	jamba-large-1.7、jamba-mini-1.7
MiniMax（2 款）	MiniMax M2.5、MiniMax M2.5 Lightning	minimax-m2.5、minimax-m2.5-lightning
Kuaishou（1 款）	KAT-Coder Pro	kat-coder-pro
Xiaomi（1 款）	MiMo V2 Flash	mimo-v2-flash

旧版与已弃用的模型（30）

跟踪这些模型，以便你的 Agent 能检测过时的模型 ID 并推荐当前的替代模型：

• OpenAI：gpt-5.3-codex（已弃用）、gpt-5.2-codex（已弃用）、gpt-5.1-codex-mini（已弃用）、o3-pro（已弃用）、o3-deep-research（已弃用）、o3-mini（旧版）、gpt-4.1（已弃用）、gpt-4o（已弃用）、gpt-4o-mini（已弃用）
• Anthropic：claude-opus-4-5（旧版）、claude-opus-4-1（旧版）、claude-opus-4-0（旧版）、claude-sonnet-4-0（旧版）、claude-3-7-sonnet-20250219（已弃用）
• Google：gemini-3-pro-preview（已弃用）、gemini-3-pro-image-preview（已弃用）、gemini-2.5-flash-lite（已弃用）、gemini-2.0-flash-lite（已弃用）、gemini-2.0-flash（已弃用）
• xAI：grok-4.1（已弃用）、grok-3（旧版）、grok-3-mini（旧版）
• Mistral：mistral-small-2503（旧版）、codestral-2508（旧版）
• MiniMax：minimax-m2.1（旧版）、minimax-01（已弃用）
• Meta：llama-3.3-70b（旧版）
• DeepSeek：deepseek-r1（旧版）、deepseek-v3（已弃用）
• Zhipu：glm-4.6v（已弃用）

---

自托管

如果你更愿意在本地运行服务，而不是使用托管端点：

选项 1：从源代码构建（推荐本地使用）

需要 Go 1.23+。

git clone https://github.com/aezizhu/universal-model-registry.git
cd universal-model-registry/go-server
go build -o model-id-cheatsheet ./cmd/server

然后将其添加到 Claude Code，作为本地 stdio 服务（零延迟，无需网络）：

claude mcp add --scope user model-id-cheatsheet -- /path/to/model-id-cheatsheet

或者以 SSE 模式运行，供其他客户端使用：

MCP_TRANSPORT=sse PORT=8000 ./model-id-cheatsheet
# Endpoint: http://localhost:8000/sse

选项 2：Docker

git clone https://github.com/aezizhu/universal-model-registry.git
cd universal-model-registry
docker build -t model-id-cheatsheet .
docker run -p 8000:8000 model-id-cheatsheet

你的 SSE 端点将位于 http://localhost:8000/sse。

选项 3：部署到 Railway

或者手动部署：

railway login
railway init
railway up

---

保持更新

模型数据每天太平洋时间晚上 7 点自动检查和更新，无需人工干预。

工作原理：

1. Railway cron 每天运行更新程序，抓取 6 家提供商的公开文档页面（无需 API 密钥）
2. 从文档中移除的模型 --> 通过 PR 自动标记为已弃用（代码中的状态改为 "deprecated"）
3. 检测到新模型 --> 创建 GitHub issue 供审核
4. CI 在自动生成的 PR 上运行 --> 如果测试通过 --> 自动合并到 main
5. Railway 从 main 自动部署

无需提供商 API 密钥。 更新程序会读取公开可用的文档页面，以检测模型变更。创建 PR 和 issue 只需 GITHUB_TOKEN 和 GITHUB_REPO。

自动更新流水线详情

Railway Cron（主要方式） -- 托管实例使用 Railway cron 服务每天运行更新程序。配置请参阅 configs/railway-updater.toml。

所需环境变量（在 Railway 控制面板中设置）：

• GITHUB_TOKEN -- 具有 repo 权限范围的 GitHub 个人访问令牌
• GITHUB_REPO -- 使用 "owner/repo" 格式的仓库（例如 "aezizhu/universal-model-registry"）

检查的提供商（通过公开文档）：

• OpenAI（通过 GitHub SDK 源代码）、Anthropic、Google、Mistral、xAI、DeepSeek

CI/CD 工作流：

• .github/workflows/ci.yml -- 在每个 PR 上运行测试
• .github/workflows/auto-merge.yml -- CI 通过后自动合并带有 auto-update 标签的机器人 PR

GitHub Actions（替代方式） -- .github/workflows/auto-update.yml 中也包含 GitHub Actions 工作流，供未使用 Railway 的自托管用户使用。无需 API 密钥，只需 GITHUB_TOKEN（由 GitHub Actions 自动提供）。

---

安全性

• 速率限制：每个 IP 每分钟 60 次请求
• 连接限制：每个 IP 最多 5 个 SSE 连接，总计最多 100 个
• 请求正文限制：最大 64KB
• 输入净化：所有字符串输入都会截断至安全长度
• HTTP 加固：ReadTimeout 15s、ReadHeaderTimeout 5s、IdleTimeout 120s、请求头最大 64KB
• 非 root Docker：容器以非特权用户身份运行
• 平滑关闭：收到 SIGINT/SIGTERM 时妥善排空连接

技术栈

• 语言：Go 1.23
• MCP SDK：github.com/modelcontextprotocol/go-sdk v1.3.0（官方）
• 传输方式：stdio、SSE、Streamable HTTP
• 二进制文件大小：约 10MB
• 测试：156 个单元测试
• 安全性：按 IP 限流、连接数限制、输入清理
• 部署：Docker（alpine）、Railway

参与贡献

欢迎贡献！无论是添加新模型、修正数据，还是改进服务：

1. Fork 仓库并克隆到本地
2. 在 go-server/internal/models/data.go 中编辑模型数据
3. 在 go-server/internal/models/data_test.go 中更新测试数量
4. 运行测试：

   cd go-server && go test ./... -v
   

5. 提交 PR —— 我们会尽快审核

如果你发现模型信息过时或定价有误，提交 issue 同样很有帮助。

许可证

MIT