ariobarin/which-llm

Was macht which-llm?

Nutze diese Fähigkeit, wenn das Modellwissen veraltet sein könnte. Sie fragt einen eingecheckten Snapshot von Artificial Analysis und OpenRouter ab und kann diesen bei Bedarf aktualisieren.

Arbeitsablauf

1. Führe Befehle aus diesem Verzeichnis mit python aus.
2. Falls Aktualität wichtig ist, führe python query.py data status aus. Wenn der Snapshot veraltet ist, führe python query.py data refresh aus.
3. Verwende den spezifischsten Befehl:
   • python query.py models [pattern] [filters] für Kurzlisten.
   • python query.py compare <model>... für Seitenvergleiche.
   • python query.py slug <model> für OpenRouter-Endpunktnamen.
   • python query.py show <model> vor der Empfehlung eines bestimmten Modells.
4. Erkläre Kostenfelder korrekt:
   • idx-run$ sind die geschätzten Kosten, um die AA-Benchmark-Suite auszuführen.
   • idx-tok ist der gesamte Tokenverbrauch der Benchmark-Suite.
   • in$/1m und out$/1m sind API-Preise pro Million Token.
5. Bevorzuge openrouter_slug für die Produktion. Erwähne openrouter_free_slug nur als Prototyp-Option, da :free-Endpunkte ratenbegrenzt oder andersartig ausgeliefert werden können.

Schnelle Rezepte

python query.py models --intel-min 50 --reasoning --sort cost --top 8
python query.py models --modality text,image --max-cost 500 --sort intel --top 8
python query.py models --no-reasoning --max-latency 6 --sort intel --top 8
python query.py models --context-min 256000 --sort cost --top 8
python query.py models --open-weights --sort intel --top 8
python query.py models --free --sort cost --top 20
python query.py compare claude-opus-4-7 gpt-5 gemini-3-1-pro
python query.py slug claude-opus-4-7

Verwende python query.py models --help für alle Filter, einschließlich --json.

Nicht verwenden für

• Domain-Evaluierungen oder private Benchmarks, die AA nicht verfolgt.
• Modelle, die so neu sind, dass AA sie noch nicht indexiert hat.
• Verbindliche Preise von Nicht-OpenRouter-Anbietern. Überprüfe diese Preise beim Anbieter.