TokenHub 已提供 Docker 镜像、Linux 安装包与离线安装包 立即下载

云端大模型与本地模型,一套 API 全部接入

TokenHub 兼容 OpenAI 接口规范,统一对接主流大厂模型与 Ollama、vLLM 等本地推理服务。业务方只需改一行 model,即可在不同模型之间切换;路由、容灾、计量与配额由网关统一完成。

  • 15+云端模型厂商
  • 7类本地推理框架
  • 1套统一 API

下载后部署在你自己的服务器上:单机 Docker、集群高可用或离线内网均可。云端模型使用你自己的厂商 API Key。

支持的模型

主流大厂模型 + 本地推理框架

填入你自己的厂商 API Key 或本地服务地址即可接入;云端模型费用由你直接与厂商结算,本地模型没有调用费用。厂商上新模型,通常无需升级 TokenHub。

部署方式
能力

共 22 个模型来源

大厂模型 云端 API

  • OpenAI
    GPT 系列对话、Embedding
    对话Embedding多模态
  • Anthropic Claude
    长文本理解与代码
    对话多模态
  • Google Gemini
    原生多模态模型
    对话Embedding多模态
  • DeepSeek
    通用对话与深度推理
    对话
  • 通义千问
    阿里云百炼模型服务
    对话Embedding重排序多模态
  • 文心
    百度千帆模型服务
    对话Embedding多模态
  • 智谱 GLM
    GLM 系列开放平台
    对话Embedding多模态
  • Kimi
    月之暗面长上下文模型
    对话多模态
  • 豆包
    火山方舟模型服务
    对话Embedding多模态
  • 腾讯混元
    腾讯云大模型服务
    对话Embedding多模态
  • MiniMax
    对话与文本向量
    对话Embedding
  • 讯飞星火
    科大讯飞认知大模型
    对话Embedding
  • Mistral
    欧洲模型厂商,开放权重与商用模型
    对话Embedding多模态
  • Azure OpenAI
    按区域部署的企业版
    对话Embedding多模态
  • AWS Bedrock
    一个账号调用多家厂商模型
    对话Embedding重排序多模态

本地模型 私有部署 · 数据不出内网

  • Ollama
    单机一键运行开放权重模型
    对话Embedding多模态
  • vLLM
    高吞吐 GPU 推理引擎
    对话Embedding重排序多模态
  • Xinference
    分布式模型推理平台
    对话Embedding重排序多模态
  • LM Studio
    桌面端本地模型服务
    对话Embedding多模态
  • LocalAI
    CPU 友好的本地推理
    对话Embedding重排序多模态
  • SGLang
    结构化生成推理框架
    对话Embedding多模态
  • 任意 OpenAI 兼容接口
    自研或第三方推理服务
    对话Embedding

能力标签为接入层面的典型支持情况,具体取决于厂商开放的模型,以管理后台自动发现结果为准。品牌名称归各自权利人所有。

统一 API

云端与本地,同一种调用方式

沿用 OpenAI 官方 SDK 与现有代码,只把 base_url 指向 TokenHub。云端模型与本地模型的差别,只是 model 字段里的一个名字。

auto
交给路由策略自动选择模型
deepseek-chat
直接使用云端厂商的模型名
ollama/qwen2.5:7b
本地渠道前缀 + 本地模型名
team-default
管理员定义的模型别名,可随时改指向
  • 兼容 Chat Completions、Embeddings、流式输出与函数调用
  • 厂商密钥加密保存在你部署的 TokenHub 中,业务方只持有 TokenHub Key
  • 不同厂商的参数差异与错误码由网关统一转换
from openai import OpenAI

client = OpenAI(
    # 替换为你部署的 TokenHub 地址
    base_url="http://localhost:8080/v1",
    api_key="th-your-api-key",
)
msgs = [{"role": "user", "content": "把这段需求整理成任务清单"}]

# 云端模型:使用厂商模型名
cloud = client.chat.completions.create(
    model="deepseek-chat", messages=msgs)

# 本地模型:只改 model,其余代码完全一致
local = client.chat.completions.create(
    model="ollama/qwen2.5:7b", messages=msgs)

# Embedding 同样走统一入口
vec = client.embeddings.create(
    model="ollama/bge-m3", input=["差旅报销流程"])
import OpenAI from "openai";

const client = new OpenAI({
  // 替换为你部署的 TokenHub 地址
  baseURL: "http://localhost:8080/v1",
  apiKey: process.env.TOKENHUB_API_KEY,
});
const messages = [{ role: "user", content: "把这段需求整理成任务清单" }];

// 云端与本地模型,调用方式完全一致
for (const model of ["qwen-plus", "ollama/qwen2.5:7b"]) {
  const stream = await client.chat.completions.create({
    model, messages, stream: true,
  });
  for await (const chunk of stream) {
    process.stdout.write(chunk.choices[0]?.delta?.content ?? "");
  }
}
# 地址替换为你部署的 TokenHub 地址
# 云端模型
curl http://localhost:8080/v1/chat/completions \
  -H "Authorization: Bearer $TOKENHUB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "deepseek-chat",
       "messages": [{"role": "user", "content": "你好"}]}'

# 本地模型:同一个地址、同一把 Key
curl http://localhost:8080/v1/chat/completions \
  -H "Authorization: Bearer $TOKENHUB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "ollama/qwen2.5:7b",
       "messages": [{"role": "user", "content": "你好"}]}'
智能路由

每一次请求,都交给最合适的模型

把模型选择从业务代码里拿出来,由网关按策略决策。策略在管理后台配置,修改后实时生效,无需改代码或发版。

  • 按成本路由:简单请求优先走本地(无调用费用)或低单价模型,复杂任务再调用高阶模型
  • 按延迟路由:根据各渠道近期响应时间动态分配流量,优先保证体验
  • 按能力路由:需要函数调用、多模态或长上下文时,只在具备该能力的模型中选择

右侧为交互示意:切换策略查看流量分配变化,或模拟主模型故障观察自动切换。

示例
POST/v1/chat/completionsmodel: "auto"
TokenHub 路由引擎

规则:单价最低的健康渠道优先,本地模型承接常规请求

  • 通义千问云端 · 主模型
    0%健康
  • DeepSeek云端 · 备用
    0%健康
  • 本地 QwenvLLM · 内网
    0%健康

全部渠道健康,按「成本优先」策略分配流量。

Fallback 主备切换

为每个模型配置有序备用链路,主模型超时、限流或报错时自动切换,业务侧无感知。

负载均衡

同一模型挂载多个 Key 或多个本地节点,按权重、轮询或最少连接分摊流量,突破单 Key 限额。

自动重试

对可恢复错误按指数退避重试,可设置最大次数与总超时,避免重试风暴放大故障。

熔断保护

渠道错误率超过阈值时自动熔断并定期探活,恢复后逐步放量,避免反复请求故障节点。

计量与配额

每一个 Token,都算得清、管得住

所有调用经过网关统一计量,Token 用量与费用实时归属到人、团队与项目,预算超支前就能收到提醒。

  • 按用户、团队、项目、API Key 四个维度统计 Token 与费用
  • 按各模型单价自动折算费用,本地模型可设置内部核算单价
  • 支持按日 / 按月设置额度上限,可分别限制 Token、费用与请求数
  • 额度达到阈值时通过邮件、Webhook 预警,超额后可告警、降级或拒绝
  • 用量明细可导出,与财务分摊、部门结算对接
成本中心 / 团队用量(厂商模型费用)
本月 Token2.46 亿
本月费用¥18,420
预算已用73%
  • 客服中心9,820 万 Token · ¥6,210
    82% 预警
  • 研发效能7,460 万 Token · ¥5,130
    64% 正常
  • 市场部3,980 万 Token · ¥3,870
    96% 将超限
  • 法务合规1,120 万 Token · ¥1,050
    35% 正常
≥ 80% 邮件预警 ≥ 100% 降级至本地模型 ≥ 120% 拒绝调用

示例数据 · 费用按厂商单价折算,由你直接向厂商支付

能力类型

不止对话,覆盖常用模型能力

不同类型的模型使用同一套鉴权、路由与计量体系,统一纳入权限与审计。

已支持

对话

多轮对话、流式输出、函数调用与 JSON 结构化输出。

/v1/chat/completions
已支持

Embedding

文本向量化,为语义检索、聚类与 RAG 知识库提供基础。

/v1/embeddings
已支持

重排序

对检索结果按相关性重新打分排序,显著提升问答准确度。

/v1/rerank
部分支持

图像

图像理解(图文输入)已支持;图像生成接口规划中。

/v1/images/*
规划中

语音

语音识别与语音合成,用于会议纪要、语音客服等场景。

/v1/audio/*
能力对比

常用模型来源能力一览

帮助你为不同场景挑选合适的模型;接入后均可通过同一套 API 调用。

常用模型来源能力对比
模型来源 部署方式 上下文长度 多模态输入 函数调用 流式输出 典型用途
云端大模型
OpenAI / Azure OpenAI云端长上下文通用助手、Agent
Anthropic Claude云端长上下文长文档分析、代码
Google Gemini云端超长上下文多模态理解
DeepSeek云端长上下文推理、代码、中文
通义千问 / 文心 / 智谱 GLM云端长上下文中文场景、国产化
Kimi / 豆包 / 腾讯混元云端长上下文长文本、对话应用
本地推理框架
Ollama / LM Studio本地取决于所部署模型开发测试、轻量私有化
vLLM / SGLang本地取决于所部署模型高并发生产推理
Xinference / LocalAI本地取决于所部署模型Embedding / 重排序服务
支持 部分模型支持 能力随厂商具体模型而不同,请以厂商官方文档与管理后台探测结果为准。
本地模型接入

三步接入内网模型,数据不出企业

已有 GPU 服务器?无需额外开发,几分钟即可让本地模型和云端模型一样被统一调用与管理。

启动本地推理服务

使用 Ollama、vLLM、Xinference 等任一框架启动模型服务,确认 TokenHub 所在网络可以访问。

ollama serve
ollama pull qwen2.5:7b

在 TokenHub 填写地址

在「模型渠道」中选择框架类型,填写服务地址与可选的访问密钥,平台会立即进行连通性检测。

类型:Ollama
地址:http://10.0.8.21:11434

自动发现模型

平台自动拉取该服务上的模型列表并识别类型,勾选后即可配置别名、权限、路由与内部单价。

✓ qwen2.5:7b      对话
✓ bge-m3          Embedding
模型渠道 / 新增本地渠道
框架类型Ollama
服务地址http://10.0.8.21:11434
连通性已连接 · 响应 38 ms(示例)
发现 4 个模型示例
  • qwen2.5:7b对话
  • llama3.1:8b对话
  • bge-m3Embedding
  • llava:7b多模态
常见问题

关于模型接入

现有基于 OpenAI SDK 的代码需要改动吗?

通常只需修改 base_url 与 api_key 两处配置。TokenHub 兼容 OpenAI 的请求与响应格式,其他厂商的参数差异由网关自动转换。

厂商的 API Key 存放在哪里,是否安全?

厂商密钥加密存储在你自己部署的 TokenHub 中,不经过任何第三方服务器;只有具备相应权限的管理员可以配置,业务方和开发者只会拿到 TokenHub 签发的 Key,可随时吊销、限额与审计。详见 权限与安全。

本地模型对服务器有什么要求?

TokenHub 网关本身不负责推理,对硬件要求很低;模型推理由你部署的 Ollama、vLLM 等服务完成,硬件需求取决于所选模型的规模。只要网关能通过网络访问到推理服务即可接入。

厂商发布了新模型,需要等 TokenHub 升级吗?

对于沿用原有接口协议的新模型,在管理后台刷新模型列表或手动添加模型名即可使用,无需等待 TokenHub 升级。涉及新接口协议的能力会在 更新日志 中说明。

调用云端模型的费用怎么结算?

TokenHub 不对模型调用加价或代收费用。云端模型使用你自己的厂商 API Key,费用由你直接向厂商支付;本地模型没有调用费用。TokenHub 只负责计量与配额,帮你把每一笔用量归属到人和项目。TokenHub 本身个人与非商业用途免费,商业用途请 咨询商业授权。

经过网关会增加多少延迟?

网关只做鉴权、路由与计量等轻量处理,附加延迟通常远小于模型本身的生成耗时。流式输出会逐段转发,首字时间基本不受影响。实际表现与部署环境相关,建议下载后在自己的环境中实测。

可以完全离线、只使用本地模型吗?

可以。TokenHub 支持离线内网部署,可在无外网环境运行,仅接入本地模型与本地向量库,数据全程不出内网。安装包获取见 下载页,场景说明见 政企私有化方案。

把企业的所有模型,接到一个入口

免费下载 TokenHub,部署在自己的服务器上,几分钟接入第一个云端或本地模型。个人与非商业用途免费;企业商业使用请咨询商业授权。