big-AGI 通义千问模型目录维护指南：基于官方定价与实时探测的 Alibaba 模型定义更新工作流-平芜编程栈

big-AGI 通义千问模型目录维护指南：基于官方定价与实时探测的 Alibaba 模型定义更新工作流

【免费下载链接】big-AGIAI suite powered by state-of-the-art models and providing advanced AI/AGI functions. Includes AI personas, AGI functions, world-class Beam multi-model chats, text-to-image, voice, response streaming, code highlighting and execution, PDF import, presets for developers, much more. Deploy on-prem or in the cloud.项目地址: https://gitcode.com/GitHub_Trending/bi/big-AGI

导读

big-AGI 通过 src/modules/llms/server/openai/models/alibaba.models.ts 维护阿里云 Model Studio（DashScope 国际版）全量聊天模型的手工目录：每个模型的上下文窗口、输出上限、思考（thinking）控制、能力接口与分层定价都沉淀在该文件中，供服务端模型列表接口与客户端模型选择器共用。本文基于仓库中的维护命令文档，完整还原"从官方文档取证 → 交叉校验 → 实时端点探测 → 落库为源码定义"的更新工作流，并深入剖析alibaba.models.ts的代码骨架，使读者既能照单执行一次完整的模型目录巡检，也能理解每一条价格、每一个开关背后的证据链与源码语义。

一、任务定位：这条维护命令在做什么

在.claude/commands/llms/命令家族中，update-models-alibaba.md对应阿里云（通义千问 / Qwen）厂商的模型目录更新。命令的核心动作非常聚焦：

唯一写入目标：src/modules/llms/server/openai/models/alibaba.models.ts（模型定义文件）；
只读上下文：src/modules/llms/server/llm.server.types.ts（模型描述 Schema）与src/modules/llms/server/models.mappings.ts（手工映射工具函数），仅用于理解字段含义与映射语义，不允许擅自修改；
纪律约束：不在模型文件之外做无关改动，最小化空白与注释变动，保留注释便于 diff 评审，并对坏链或异常内容打标记。

从仓库现状看，该文件是 660 行的手工策展（curated）清单，注释里逐次记录了 2026-08-06 至 2026-09-02 的多轮巡检结论，是"官方文档 + OpenRouter 端点 + 实时探测"三方交叉验证的产物，本文即以此证据链为纲展开。

二、数据来源体系：五层官方证据

命令文档要求以阿里云 Model Studio 官方文档为第一证据源，共五个页面，各自承担不同角色：

数据源	提供的信息	局限
模型列表页	在售模型全集、推荐模型	滞后新发布数周，新模型可能已在 API 上线但列表缺席
国际/新加坡价格表（USD / 百万 token）	各地区、各模型的输入/输出单价与分层价格	不含 max input / max output / 最大 CoT 与按模型缓存命中价
单模型详情页（模型 id 中的`.`换为`-`）	唯一的 max input / max output / 最大 CoT 来源，以及该模型专属的缓存命中价	可能整体缺失某些地区章节
上下文缓存计费规则页	缓存命中（cache-hit）计费规则	是规则而非单模型数字
计费指南页	计费总体框架、区域差异	与价格表互为补充

命令文档特别提醒两个容易误判的坑：

文档永远滞后于 API：一个新模型可以已经在 API 上真实可用，却同时缺席"模型列表"与"价格表"两张页面；
地区缺失 ≠ 不可用：例如 qwen3.7-max / qwen3.7-flash 的模型页没有新加坡章节，但价格表在新加坡区给出了定价，因此"某模型页缺某地区"不能当作该地区不提供该模型的证据。

alibaba.models.ts的头部注释印证了这一证据体系——"Sources (verified 2026-09-02 against the live /v1/models list + docs)"，并明确说明每个模型页是 caps（容量上限）与缓存命中价的唯一权威来源，而价格表会遗漏这两项。

三、抓取官方文档：curl 命令行实操

命令文档给出了无浏览器抓取方法：使用curl -L -A "Mozilla/5.0 ..."即可拿到完整的服务端渲染 HTML（表格直接内嵌在 HTML 中），随后剥离<script>标签并把<tr>/<td>转换为纯文本即可得到可比较的表格数据。

实操要点（命令示意，具体 URL 从官方文档入口获取，此处以占位符表示）：

# 抓取模型列表 / 价格表等官方文档页，伪造 UA 以获得完整服务端渲染内容 curl -L -A "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36" -o models.html "<MODEL_STUDIO_MODELS_URL>" curl -L -A "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36" -o pricing.html "<MODEL_STUDIO_PRICING_URL>" # 剥离 <script> 块，并将表格行转换为纯文本，便于 diff 与对照 sed -E 's/<script[^>]*>[^<]*<\/script>//g' models.html \ | sed -E 's/<\/tr>/\n/g; s/<\/t[dh]>/\t/g; s/<[^>]+>//g'

这套流程的价值在于可重复、可 diff：把每一次巡检的解析结果留存下来，就能用diff精确看出价格表/模型列表在两周窗口内的新增行、下架行与调价行，与源码注释中"row added by 2026-09-02""no price drift"这类结论一一对应。

四、OpenRouter 作为决胜手段：无需密钥的交叉验证

当官方文档滞后或缺失时，命令文档指定 OpenRouter 的 Alibaba 端点作为决胜证据源——不需要任何 API Key：

curl -s "https://openrouter.ai/api/v1/models/qwen/<id>/endpoints"

该响应中的Alibaba端点正是阿里云自营的 passthrough 通道，携带的信息包括：

精确的国际版分层边界：pricing.overrides[].min_prompt_tokens即各输入 token 层级的边界值；
input_cache_read（缓存命中输入价）；
max_completion_tokens、max_prompt_tokens；
模态（modality）字符串。

它往往是刚发布模型唯一公开的国际版价格。源码中大量模型正是先由 OpenRouter 端点确认价格与容量、后续再由官方模型页反向确认的——例如 qwen3.8-2.4t-a95b 的注释写道："its model page (published 2026-08-13), the Intl price table (row added by 2026-09-02) and Alibaba's OpenRouter endpoint agree: $2/$6..."。

使用 OpenRouter 时有一个必须警惕的差异：pricing.discount/ promo 折扣可能导致 OpenRouter 展示促销价，而alibaba.models.ts记录的是列表价（官方价格表会用 "List price $X Limited-time N% off" 标注此类促销）。因此当两者不一致时，以官方价格表标记的列表价为准。

回退方案：若上述渠道均被拦截，命令文档允许退而求其次——搜索 "alibaba model studio latest pricing"、"alibaba latest models"、"qwen models pricing"，或在 GitHub 上搜索最新模型价格与上下文窗口数据，但这类二手证据应标记为低置信度，待官方页面更新后复核。

五、实时端点探测：以 DashScope 线上 API 为准绳

除了文档与 OpenRouter，命令文档还定义了一条"活体证据"链路：本地.env.api-keys文件中的ALIBABA_API_KEY（DashScope 密钥），用于直连国际版 DashScope 的 OpenAI 兼容端点，扫描模型列表作为"什么新上线/什么可用"的地面真相：

curl "https://dashscope-intl.aliyuncs.com/compatible-mode/v1/models" \ -H "Authorization: Bearer $ALIBABA_API_KEY"

⚠️ 密钥纪律：ALIBABA_API_KEY只允许在本地 shell 变量中使用，绝不提交、不回显。

该列表只携带id / created / owned_by，没有定价与容量，因此两个关键上限需要低成本探测/chat/completions：

输出上限探测：发送max_tokens: 999999，服务端会返回形如Range of max_tokens should be [1, N]的错误，N即为该参数接受的上界；注意enable_thinking开/关时N可能不同；
输入上限探测：发送一个超长 prompt，服务端返回Range of input length should be [1, N]。

命令文档对探测结果给出了一条重要方法论警告：探测到的N是被接受的参数范围，不是真实输出上限，它是"宽松"的。典型例子是 qwen3.7-flash——探测接受 131072（128K），但模型页与 OpenRouter 都将其真实上限标为 65536（64K）。因此决策规则是：当文档/OpenRouter 与探测结果不一致时，优先采纳相互一致的文档/OpenRouter 值，探测仅作为新模型的廉价初筛信号。

探测还有两个实操陷阱：

免费额度（free-tier quota）按模型逐项消耗，耗尽后会掩盖探测结果（返回配额错误而非范围错误），需要甄别错误类型；
某些模型对enable_thinking有限制，如 qwen3.8-2.4t-a95b 拒绝enable_thinking: false（源码注释记录："the value of the enable_thinking parameter is restricted to True"），此时必须按"思考常开"建模。

六、源码骨架：`alibaba.models.ts`的结构与字段语义

6.1 三个导出函数与一个常量清单

该文件的核心资产是_knownAlibabaChatModels——一个由llmsDefineManualMappings()定义的编译期类型追踪的手工映射数组（models.mappings.ts 中llmsDefineManualMappings = llmsDefineModels<ManualMappings[number]>()，其const推断使typeof _knownAlibabaChatModels[number]['idPrefix']可以直接派生模型 id 联合类型LlmsAlibabaModelId）。三个导出函数各自承担职责：

alibabaModelFilter(modelId)：列表入口过滤器，决定哪些线上 id 可以进入目录；
alibabaModelToModelDescription(id, created?)：把线上 id 转换为完整模型描述，优先命中手工映射，否则走 fallback；
alibabaModelSort(a, b)：列表排序，保证策展模型在前、同族快照按日期倒序。

6.2 模型描述 Schema 的字段语义

手工映射的每个条目最终都会落入 llm.server.types.ts 中ModelDescription_schema的字段体系，alibaba.models.ts实际用到的主要字段：

字段	类型	语义（结合源码注释）
`idPrefix`	string	模型 id 前缀，`fromManualMapping`会做精确匹配 → 最长前缀匹配 → fallback 三级解析
`label`	string	展示名
`description`	string	模型能力简介（模态、上下文、思考、定位）
`contextWindow`	int	上下文窗口（token），来自模型页/探测
`maxCompletionTokens`	int	输出上限，亦是客户端`llmResponseTokens`的初始值
`interfaces`	enum[]	`LLM_IF_OAI_Chat`（对话）/`_Fn`（工具）/`_Vision`（视觉）/`_Reasoning`（思考）等能力位
`parameterSpecs`	array	厂商参数规格，见下节"思考控制"
`chatPrice`	object	定价结构：常量价或`[{upTo, price}]`分层价 +`cache.read`缓存命中价
`pubDate`	'YYYYMMDD'	官方公开发布日期（编辑字段）
`benchmark.cbaElo`	int	LMArena 竞技场 ELO（编辑字段，来源为公开榜单）
`hidden`	boolean	默认隐藏（不入选推荐/快速选择，仍可在管理列表中勾选）

6.3 分层定价：输入 token 数驱动

源码注释明确：阿里云采用按请求输入 token 数分层定价，输入价与输出价都会随层上浮（"Alibaba uses tiered pricing keyed on the request's INPUT token count (both input and output prices step up)"）。典型如 qwen3.7-plus：

chatPrice: { input: [{ upTo: 256000, price: 0.40 }, { upTo: null, price: 1.20 }], output: [{ upTo: 256000, price: 1.60 }, { upTo: null, price: 4.80 }], },

qwen3.7-flash 则是三层的例子（32K / 256K / 无上限），且其分层边界（min_prompt_tokens）与 OpenRouter 端点的pricing.overrides逐一对齐。而 qwen3.8-flash 是扁平定价、无分层的代表——注释特意强调 "Flat pricing - no input-length tiers, unlike qwen3.7-flash"。

6.4 缓存命中价：不可套用统一比例的例外处理

命令文档给出的通用规则是：缓存命中率是"每模型族"对输入价的固定比例，跨地区稳定——Qwen/Kimi 为 20%、GLM 为 25%、deepseek-v4-pro 约 8%。实操方法：从任意地区的模型页读取命中价，套用到新加坡输入价上。

但源码注释显示规则存在大量例外，必须在模型页逐项确认而非机械套用：

qwen3.8-max 的缓存命中价是模型页专属值cache.read: 0.25（"cache-hit input per the model page (not the 20% rule)"）；
glm-5.2 的隐式命中率在 2026-09-02 巡检中被修正为 20%（原 25%），且 Global 区仍打印 25%（基于旧价 1.10）；
kimi-k3 的新加坡命中价为 0.30，是输入价 3.00 的 10%——"not the usual Kimi 20%"；
deepseek-v4-pro-0813 走"高峰/低谷"（peak/off-peak）计费，源码携带高峰卡（峰值 1.32/3.96、命中 0.132；低谷减半），这是 2026-08-17 起与 DeepSeek 直连一致的新计费模式。

6.5 转售模型：清晰标注"经 Model Studio 提供"

文件末尾专门划分"Alibaba 转售的第三方模型"区块（DeepSeek V4 Pro/Flash、GLM-5.2/5.2-Fast/5.1、Kimi K3/K2.7 Code、DeepSeek V3.2），label 统一带(Alibaba)后缀与官方原生厂商（deepseek.models.ts、zai.models.ts、moonshot.models.ts）区分，并注明"Alibaba 自己的定价"。此类模型还承载了一个阿里云特有的语义差异：DashScope 上带日期的快照与无日期 id 并列存在，而无日期 id 实际服务哪个 checkpoint 并无文档可查（Alibaba 不像对 Qwen 那样打印 "Currently equivalent to" 备注），因此 deepseek-v4-pro-0813 作为唯一可固定的 GA 路由被策展为可见。

七、思考（Thinking）控制：`parameterSpecs`与 Alibaba 方言

这是本文件最具技术含量的部分。big-AGI 通过parameterSpecs的llmVndMiscEffort枚举把"思考强度"抽象为统一 UI，再在alibaba方言层翻译为 DashScope 的实际请求参数（enable_thinking与reasoning_effort，实现于 OpenAI 方言的 chatCompletions 转换层，源码注释可证）。

文件中共有 6 组参数规格，每一组都经过实机消融（live-ablated）验证：

规格常量	枚举值	适用对象与依据
`_PS_Thinking`	`['none', 'high']`	二进制`enable_thinking`开关：Off（none）/ On（high）/ 默认不传；用于 qwen3.7/3.6 系、DeepSeek V3.2、GLM-5.2-fast 等
`_PS_DeepSeekEffort`	`['none', 'low', 'high', 'max']`	DashScope 托管的 DeepSeek V4：`reasoning_effort`有与 DeepSeek 直连相同的 3 档模板（隐藏前导指纹验证），flash 档把 max 折叠到 high
`_PS_GlmEffort`	`['none', 'low', 'max']`	GLM-5.2：native 映射 low=medium=high（约 550-660 token 缩减档）、xhigh=max=默认（约 1.0-1.1K），“high”会退化为纯`enable_thinking:true`，故剔除
`_PS_Qwen38Effort`	`['none', 'low', 'max']`	Qwen3.8 系首个真`reasoning_effort`阶梯（默认 xhigh）：hidden-preamble 指纹分组为 off{none} / {medium} / reduced{low,minimal} / top{high,xhigh,max,unset}；'medium' 无法表达、'high' 重复默认，故只留三值
`_PS_Qwen38EffortAlwaysOn`	`['low', 'max']`	qwen3.8-2.4t-a95b：开放权重 id 拒绝`enable_thinking:false`，提供 Off 会直接 400
`_PS_KimiEffort`	`['none', 'low', 'max']`	DashScope 托管的 Kimi K3：指纹分组 off{none,minimal} / reduced{low,medium,high} / top{xhigh,max,unset}

与之对应的模型接口位LLM_IF_OAI_Reasoning只在模型支持思考时出现；Kimi K2.7 Code 则是"思考常开"的特例——只有 Reasoning 标志、无思考开关。

八、过滤、隐藏与排序：目录的守门策略

8.1 拒绝列表：退役老线直接清除

_ALIBABA_DENY_LIST把 2025 时代的退役聊天线（qwq-plus、qvq-max、qwen-coder-plus、qwen2.5 时代 VL 线、2025 开放权重密集/MoE 模型、qwen3-next-80b-a3b 预览对等）整体剔除，匹配规则为"完全相等或deny + '-'前缀"，被拒 id 永远不会进入列表。

8.2 过滤器：只留聊天/文本生成

alibabaModelFilter在拒绝列表之后，用一组子串模式排除非聊天服务：text-embedding（嵌入）、image/wan（图像生成/编辑）、omni/qwen3-tts/asr/s2s（音视频）、livetranslate/qwen-mt-（翻译）、ocr/captioner、character（角色扮演变体）、cosyvoice/-vc-/-vd-/-slp（语音）、ccai/tingwu（客服/转写服务）、以及qwen2-7b等遗留小模型。

8.3 隐藏策略：未策展模型一律隐藏

alibabaModelToModelDescription的 fallback 分支对未入册 id 生成 "Alibaba model (not yet curated)" 的占位描述，并默认hidden: true；随后用正则二次拦截日期快照（-\d{4}-\d{2}-\d{2}或-\d{4}结尾）与-preview/-latest别名。唯一例外是逐字策展的快照（如deepseek-v4-pro-0813、qwen3.8-max-0902）——它们是显式的编辑选择，保留自己的hidden位。隐藏模型的 label 也会被_alibabaFormatNewLabel统一转成 Title Case（如qwen3-coder-flash→Qwen3 Coder Flash），保证即便未来某处误显示也保持整洁。

8.4 排序：策展优先、族内基模型优先

alibabaModelSort的四级排序逻辑：先保证策展模型排在未知模型前；同族按文件内的编辑顺序；同一家族内精确基 id 排最前，其后是带日期的快照按日期倒序（id 内嵌日期）；双方都未知时按pubDate倒序再按 id 倒序——因为阿里云列表 API 的created字段不可靠。

九、供应商接入面：`alibaba.vendor.ts`与配置要点

模型目录最终由 src/modules/llms/vendors/alibaba/alibaba.vendor.ts 接入运行时。该厂商定义为ModelVendorAlibaba，关键属性：

id: 'alibaba'，展示分组cloud，instanceLimit: 1（每实例一个配置）；
dialect: 'alibaba'——OpenAI 兼容传输之上的定制方言，负责enable_thinking/reasoning_effort的翻译（源码注释指向 openai.chatCompletions.ts）；
服务设置项：alibabaOaiKey（DashScope 密钥，validateSetup要求长度 ≥ 32）、alibabaOaiHost（自定义端点，默认走官方国际版）、csf（是否启用客户端直连）；
模型列表刷新复用ModelVendorOpenAI.rpcUpdateModelsOrThrow，即"拉取 → 过滤 → 手工映射 → 排序"的整条流水线。

因此本次更新工作流结束后，不需要改动 vendor 层：只要alibaba.models.ts中的映射、过滤与排序正确，模型选择器、价格展示与请求构造会自动获得新目录。

十、维护纪律与交付自检清单

综合命令文档的 "Important" 部分与源码中可见的策展规范，一次合格的更新应满足：

全量审查：完整比对模型列表，覆盖新增（additions）、下架（removals）与调价（price changes）三类变化，不只看"最近火的模型"；
最小 diff：聚焦内容本身，避免无谓的空白与注释重排，让评审者能一眼看到事实变化；
保留注释：每条价格/容量变化都应留下"来源 + 验证日期 + 方法"的注释（如 "live-probed 2026-08-31"、"model page + OR's Alibaba endpoint agree"），这是整个文件的信任根基；
多源一致优先：文档与 OpenRouter 一致时优先生效，探测值只作初筛，且明确区分"参数接受范围"与"真实上限"；
标记异常：坏链（如 404 的模型页）、配额耗尽导致的探测失败、文档区域缺失等，都应显式写入注释而非静默忽略；
密钥纪律：ALIBABA_API_KEY只存在于本地环境变量，任何步骤不得将其写入文件或回显。

对照源码注释中 "verified 2026-09-02 against the live /v1/models list + docs""lmarena unreachable (301), ELOs left as-is" 这类记录，可以清晰地看到上述纪律在真实巡检中的执行痕迹——这也是本项目模型目录能够长期保持高可信度的根本原因。

结语

update-models-alibaba.md所定义的并不是一次性的"改文件"任务，而是一套以官方文档为骨架、OpenRouter 端点与实时探测为裁判、源码注释为审计日志的可重复证据链。理解这条链路，就等于同时掌握了阿里云 Model Studio 的定价/容量信号体系、big-AGI 模型目录的数据模型（ModelDescriptionSchema）与手工映射机制（fromManualMapping），以及"多层过滤 + 默认隐藏 + 编辑策展"的目录治理哲学。当你在模型选择器中看到一个带(Alibaba)后缀的 DeepSeek 或 GLM 条目时，其背后正是这样一条完整的取证与维护流水线。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

big-AGI 通义千问模型目录维护指南：基于官方定价与实时探测的 Alibaba 模型定义更新工作流