这一组是这几年才长出来的

2023 年之前我的书签栏里根本没有 AI 这个文件夹，现在它反而是更新最快的一组。原因不是追新，而是这类站点承担了三种完全不同的活：查模型能力参数、找可复现的权重和评测、以及临时跑一个不需要登录的对话或绘图。把它们混在一堆通用工具站里，找起来反而慢，所以单独分组，并且每三个月清一次，点不开或者转收费的就删掉。

常驻的有 Hugging Face、Ollama 的模型库、公开评测与论文代码页，以及各家官方的 API 文档和控制台。还有一两个纯网页的对话入口，用来在没带自己电脑时应急。这一组我从不塞满，因为信息衰减太快，塞满等于给自己制造一堆死链。

具体站点、用途和留下的理由

  • Hugging Face：找模型权重、数据集和 Space 演示页。留下它是因为模型卡片里会写清许可证、训练数据、量化版本和已知限制，这比任何二手介绍都可靠；下载前先看一眼文件列表里的体积，能避免拉到一半才发现是几十 GB 的全精度权重。
  • Ollama 模型库：本地跑模型时查标签名和量化后缀。模型名后面不带量化后缀时默认给的是 Q4_K_M，这种细节只在官方库里写得最清楚，照着抄标签名也能少踩一次拉错版本的坑。
  • 论文代码页与公开排行榜：用来判断某能力到底到没到可用线，但我只当参考，不拿来选型，榜单刷得太快，今天的第一名下周可能就换了。
  • 各家官方 API 文档与控制台：查价格、上下文长度、限流和弃用时间表。价格页我单独存了一份，因为调接口时最常查的就是它，其次是弃用公告。
  • 在线 Demo 与托管推理站：不想本地装环境时，先看别人跑出来的效果再决定要不要自己部署，纯做门槛判断用。

留在书签栏的核心理由是可核查。AI 领域二手信息衰减极快，一个模型支不支持函数调用、上下文是 8K 还是 128K，只有官方文档和模型卡片能给出确定答案。凡是只写很强、效果惊艳的聚合站，我一律不收，它们既不给版本号也不给出处。

我实际怎么用它

习惯是先去 Hugging Face 看模型卡片里的许可证一列，商用项目里这一栏比跑分重要得多；再对照官方 API 文档的定价页估算调用成本，最后才在本地用 Ollama 拉一个小量化版本试效果。这个顺序能挡掉八成看着热闹但用不上的模型。真要落地时我还会把当时核对到的上下文长度和价格记进笔记，隔几个月回来复查一次，免得按过期信息估算预算。

另一个技巧是给控制台单独建一个书签文件夹，并按厂商分开。查账单、查用量、轮换密钥这三件事发生得比写代码频繁，入口藏深了很浪费时间。模型库页面则尽量用标签页组保存，一次打开多个候选模型的卡片并排比较，比来回后退快得多。我还会把候选模型的卡片标题前加上厂商缩写，关掉几个标签后仍能认出谁是谁。

这一组我给自己定的规矩：只留一手来源，转载、盘点、十大神器类的一概不进书签栏。信息源越靠近原始发布方，越不容易被过时结论带偏。