Beobachtetes Signal · 13. Apr. 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Positiv
Offener Datensatz verfolgt monatliche LLM-Preise von 22 KI-Modellen
Ein Autor bei AIscending hat einen offenen Datensatz veröffentlicht, der die monatliche Preisgestaltung und Metadaten für 22 LLM- und KI-Modelle in vier Kategorien (Frontier, Efficiency, Reasoning, Open Source) erfasst. Jeder Datensatz enthält Preise pro 1 Million Token für Prompt, Completion sowie einen gemischten Wert, dazu Kontextfenstergrößen und Anbieterinformationen. Der Datensatz wird jeweils am Ersten des Monats über die OpenRouter-API aktualisiert und speichert historische Snapshots. Das Projekt stellt zwei Indizes bereit: den AI CPI (Cost Pressure Index) und einen Budget Index, welche marktweite Kostentrends und Einsparpotenziale abbilden. Die Daten im JSON- und CSV-Format sowie das Repository stehen unter github.com/AIscending/llm-pricing-index zur Verfügung, wobei der initiale Stand den April 2026 abbildet. Diese Ressource bietet wertvolle Einblicke für Unternehmen, die KI-Modelle evaluieren und Budgetierungsprozesse optimieren wollen.
Liefert einen offenen, standardisierten monatlichen Datensatz sowie Kostenindizes für LLM-Preise, was Teams bei der Modellauswahl und Budgetplanung unterstützt, wenngleich es sich um keine plattformübergreifende Richtlinienänderung handelt.
Marktsignale zu GitHub in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Offener Datensatz erfasst Preise von 22 LLM- und KI-Modellen in vier Kategorien: Frontier, Efficiency, Reasoning, Open Source.
- Jeder Modelleintrag umfasst Kosten pro 1 Million Token (Prompt, Completion, gemischt), Kontextfenster und Anbieter.
- Zwei zusammengesetzte Indizes veröffentlicht: AI CPI (Cost Pressure Index) und Budget Index für Preisvergleiche.
- Monatliche Datenaktualisierung am 1. über die OpenRouter-API mit automatisierter Sicherung historischer Snapshots.
- Repository und Datendateien sind via GitHub frei zugänglich; der initiale Datensatz stammt aus April 2026.
Verknüpfte Unternehmen
4 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Entwickler startet KI-Agenten-kompatible Preisanpassungs-API für LLMs
Der Entwickler hat LLM Price Watch ins Leben gerufen, einen Token-basierten Preisrechner für verschiedene Large Language Models, dessen Funktionalität nun über eine öffentliche API bereitgestellt wird. Die API bietet Endpunkte zur Modellauflistung, zum Abrufen von Modelldetails, zur Berechnung von Aufrufkosten sowie einen /v1/recommend-Endpunkt, der maßgeschneiderte Modell-Empfehlungen inklusive Begründung für spezifische Anwendungsfälle liefert. Zu den architektonischen Designentscheidungen gehören extrem offene CORS-Einstellungen und der Verzicht auf API-Schlüssel, um direkte Aufrufe durch automatisierte KI-Agenten nahtlos zu ermöglichen. Die Preisdaten werden manuell mit den offiziellen Anbieterseiten abgeglichen, während automatisierte Aktualisierungen bei steigendem Nutzungsaufkommen geplant sind. Die Schnittstelle versorgt zudem den Kostenrechner der StackIndex AI-Webseite des Autors mit Daten.
Open-Source-Modelle senken KI-API-Preise drastisch
Ein Entwickler hat KI-API-Preise normalisiert und verglichen, basierend auf Daten von Global API (Stand Mai 2026), und ein Ranking von 30 Modellen veröffentlicht. Die Analyse zeigt, dass die kostengünstigsten Modelle überwiegend Apache-2.0- oder MIT-lizenzierte Open-Source-Familien sind – viele davon aus China stammend –, die über Global API geroutet werden können. Die Modelle werden in fünf Preiskategorien unterteilt (von 0,01 $ bis über 3,50 $ pro Million Output-Tokens), ergänzt um technische Metriken wie Kontextfenster und Lizenzen. Als praxistauglichen Stack nennt der Autor GLM-4.5-Air für Klassifizierung, DeepSeek V4 Flash für Chat/RAG und Qwen3-Omni-30B für multimodale Aufgaben, während Flaggschiff-Modelle für High-Reasoning reserviert bleiben. Ein Python-Beispiel demonstriert den OpenAI-kompatiblen Endpunkt. Der Bericht hebt Self-Hosting als essenziellen Schutz vor Vendor-Lock-in und unerwarteten Token-Kosten hervor.
LLM-Gateway-Aufschläge mit 17 Zeilen Python messen
Der Artikel beleuchtet, dass LLM-Gateways – Dienste, die OpenAI-kompatible APIs bereitstellen und Anfragen an Anbieter wie Anthropic, Google, OpenAI und xAI leiten – oft deutlich von den offiziellen Listenpreisen abweichen. Es wird ein 17-zeiliges Python-Skript vorgestellt, das die Preisdaten über den Models-Endpoint eines Gateways ausliest (sofern veröffentlicht) und die effektiven Kosten pro 1 Million Token für ein spezifisches Input-Output-Verhältnis berechnet, um sie mit den Herstellerpreisen zu vergleichen. Bei intransparenten Preisen empfiehlt der Autor die Ermittlung aus Rechnungen. Vor einem Gateway-Wechsel sollten vier Kriterien geprüft werden: tatsächliche Kosten für den individuellen Token-Mix, API-Kompatibilität, Ausfallverhalten und Wechselaufwand. Der Autor legt offen, dass er bei altrouter.ai tätig ist, und weist darauf hin, dass das Skript ausschließlich Kosten misst, jedoch keine Latenzen oder SLAs berücksichtigt.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.