Combien d'outils expose io.github.helphub369/model-ruler ?

io.github.helphub369/model-ruler expose 12 outil(s). Le coût de contexte pour les charger tous est d'environ 3680 tokens (coût unique au chargement, pas par appel).

accueil / serveurs / IA & Mémoire / io.github.helphub369/model-ruler

io.github.helphub369/model-ruler

serveur MCP (Model Context Protocol) · modelruler-inference-calculators 1.0.4

▸ IA & Mémoire

[ Non encore testé ]

Verdict MCP Hub
Référencé dans l'annuaire. Seul le pentest comportemental fait foi, et il n'a pas encore été exécuté sur ce serveur.

streamable-httpType / transport

directAccès

~3680 tokensCoût de contexte

12Outils

Est-ce que io.github.helphub369/model-ruler est sûr ?

Au dernier audit MCP Hub, le serveur MCP « io.github.helphub369/model-ruler » est classé « Non encore testé ». Référencé dans l'annuaire. Seul le pentest comportemental fait foi, et il n'a pas encore été exécuté sur ce serveur. Le verdict est réévalué en continu ; consultez la fiche pour l'état à jour.

Méthode : MCP Hub analyse la description de chaque outil (couche 1) et, pour le verdict fort, exécute le serveur dans une micro-VM isolée avec leurres et réseau bloqué (couche 2). On publie des noms et des compteurs, jamais le contenu brut renvoyé par un outil.

Les 12 outils

agent-loop-cost-calculator≈ 416 tokens
Use for LLM inference/reasoning cost per successful multi-step agent task, including failure overhead and context growth across turns. Use agent-workflow-cost-calculator for iPaaS/app-action/MCP orchestration fees. Use automation-cost-calculator for generic Zapier/Make/n8n workflow billing.
Paramètres, retour & exemple (9)
Paramètres
- model · string · optionnel
  LLM model (default claude-sonnet-4-6)
- provider · string · optionnel
  LLM provider (default anthropic)
- success_rate · number · optionnel
  Task success rate 0-1 (default 0.7)
- steps_per_task · number · optionnel
  Avg reasoning steps per task (default 5)
- tasks_per_month · number · requis
  Tasks attempted per month
- tool_calls_per_step · number · optionnel
  Avg tool invocations per step (default 2)
- context_growth_factor · number · optionnel
  Multiplier on input tokens as conversation grows (default 1.4)
- avg_tokens_in_per_turn · number · optionnel
  Avg input tokens per turn (default 3000)
- avg_tokens_out_per_turn · number · optionnel
  Avg output tokens per turn (default 400)
Exemple d'appel
```
{"name": "agent-loop-cost-calculator", "arguments": {"tasks_per_month": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
agent-workflow-cost-calculator≈ 308 tokens
Use for automation-platform/iPaaS cost of an AI agent workflow, including app-action fan-out and MCP tool-call accounting, explicitly excluding LLM token spend. Use automation-cost-calculator for generic non-agent workflow billing. Use agent-loop-cost-calculator for LLM inference/reasoning cost per successful multi-step agent task.
Paramètres, retour & exemple (4)
Paramètres
- app_actions_per_run · number · optionnel
  Downstream app actions per agent run (default 3)
- agent_runs_per_month · number · requis
  Agent workflow runs per month
- make_modules_per_run · number · optionnel
  Make modules per run; defaults to app actions + MCP calls
- mcp_tool_calls_per_run · number · optionnel
  MCP tool calls per agent run (default 1)
Exemple d'appel
```
{"name": "agent-workflow-cost-calculator", "arguments": {"agent_runs_per_month": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
automation-cost-calculator≈ 299 tokens
Use for generic or non-agent recurring workflow platform billing across Zapier task billing, Make credit billing, and n8n execution billing. Use agent-workflow-cost-calculator instead when the workflow is explicitly an AI agent with app actions or MCP tool calls. Use agent-loop-cost-calculator instead when the question is about LLM inference/reasoning cost per successful agent task.
Paramètres, retour & exemple (3)
Paramètres
- make_modules_per_run · number · optionnel
  Make module actions per scenario run; defaults to billable_steps_per_run
- billable_steps_per_run · number · optionnel
  Billable actions/modules per run (default 5)
- workflow_runs_per_month · number · requis
  Workflow/scenario runs per month
Exemple d'appel
```
{"name": "automation-cost-calculator", "arguments": {"workflow_runs_per_month": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
context-window-planner≈ 289 tokens
Use when a user needs to know whether a document plus prompt plus output fits within a model's context window, or wants a strategy recommendation (truncate/summarize/rag/chunk).
Paramètres, retour & exemple (5)
Paramètres
- doc_tokens · number · requis
  Primary document/content tokens
- strategy_hint · string · optionnel · truncate | summarize | rag | chunk
  Preferred strategy (optional)
- overhead_tokens · number · optionnel
  System prompt + few-shot + history (default 2000)
- expected_out_tokens · number · optionnel
  Reserved output budget (default 1000)
- model_context_window · number · requis
  Target model context size
Exemple d'appel
```
{"name": "context-window-planner", "arguments": {"doc_tokens": 1, "model_context_window": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
eval-cost-calculator≈ 372 tokens
Use when a user needs to budget an LLM evaluation run. Given samples/models/trials, returns total cost, per-run cost, and parallel time estimate.
Paramètres, retour & exemple (10)
Paramètres
- model · string · optionnel
  Eval model (default claude-sonnet-4-6)
- models · number · optionnel
  Candidate models (default 1)
- samples · number · requis
  Number of eval samples
- provider · string · optionnel
  Eval provider (default anthropic)
- avg_tokens_in · number · optionnel
  Avg input tokens per sample (default 2000)
- judge_enabled · boolean · optionnel
  Enable LLM-as-judge second pass (default false)
- avg_tokens_out · number · optionnel
  Avg output tokens per sample (default 500)
- judge_tokens_in · number · optionnel
  Judge input tokens (default 1500)
- judge_tokens_out · number · optionnel
  Judge output tokens (default 200)
- trials_per_sample · number · optionnel
  Repeats per sample (default 1)
Exemple d'appel
```
{"name": "eval-cost-calculator", "arguments": {"samples": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
fine-tune-roi-calculator≈ 324 tokens
Use when a user is considering fine-tuning vs prompt engineering. Returns training cost, monthly inference savings, months-to-ROI, and breakeven volume.
Paramètres, retour & exemple (6)
Paramètres
- train_tokens · number · requis
  Training tokens (dataset × epochs)
- train_cost_per_1m · number · optionnel
  Training cost per 1M tokens
- prompt_reduction_pct · number · optionnel
  Prompt size reduction % from eliminating few-shot (default 0)
- base_inference_cost_1m · number · optionnel
  Baseline API output cost per 1M
- monthly_inference_tokens · number · requis
  Expected monthly inference volume (output tokens)
- finetuned_inference_cost_1m · number · optionnel
  Fine-tuned inference cost per 1M
Exemple d'appel
```
{"name": "fine-tune-roi-calculator", "arguments": {"train_tokens": 1, "monthly_inference_tokens": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
observability-cost-calculator≈ 259 tokens
Use when a user needs to budget LLM observability tooling. Returns monthly cost at given request volume with retention adjustment.
Paramètres, retour & exemple (4)
Paramètres
- provider · string · requis · langsmith | langfuse | helicone | portkey | arize | braintrust
  Observability provider
- avg_log_bytes · number · optionnel
  Avg payload bytes per traced request (default 4096)
- retention_days · number · optionnel
  Retention in days (default 30)
- requests_per_day · number · requis
  Average daily LLM requests
Exemple d'appel
```
{"name": "observability-cost-calculator", "arguments": {"provider": "langsmith", "requests_per_day": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
provider-cost-calculator≈ 298 tokens
Use when a user asks what an LLM workload costs on a specific provider/model, or wants to compare cost across providers. Given tokens per call and call volume, returns monthly cost plus a tier comparison table.
Paramètres, retour & exemple (6)
Paramètres
- model · string · optionnel
  Target model (e.g. claude-sonnet-4-6)
- provider · string · optionnel
  Target provider (e.g. anthropic, openai, together)
- tokens_in · number · requis
  Input tokens per call
- tokens_out · number · requis
  Output tokens per call
- calls_per_month · number · optionnel
  Monthly call volume
- include_comparison · boolean · optionnel
  Include tier comparison table (default true)
Exemple d'appel
```
{"name": "provider-cost-calculator", "arguments": {"tokens_in": 1, "tokens_out": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
quantization-calculator≈ 310 tokens
Use when a user is planning to quantize an LLM to fit on smaller hardware. Given parameter count and precision transition, returns VRAM requirement, speedup estimate, and approximate quality delta.
Paramètres, retour & exemple (5)
Paramètres
- batch_size · number · optionnel
  Serving batch size (default 1)
- precision_to · string · optionnel · fp32 | fp16 | bf16 | fp8 | int8 | int6 | int5 | int4
  Target precision (default int4)
- precision_from · string · optionnel · fp32 | fp16 | bf16 | fp8 | int8 | int6 | int5 | int4
  Starting precision (default bf16)
- kv_cache_tokens · number · optionnel
  Max KV cache tokens (default 8192)
- params_billions · number · requis
  Model parameter count in billions
Exemple d'appel
```
{"name": "quantization-calculator", "arguments": {"params_billions": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
rag-pipeline-cost-calculator≈ 471 tokens
Use when a user needs end-to-end RAG cost estimation (embedding + vector store + generation). Returns monthly cost with breakdown and dominant-component identification.
Paramètres, retour & exemple (11)
Paramètres
- vector_store · string · optionnel · pinecone | weaviate | qdrant | chroma | turbopuffer
  Vector store
- answer_tokens · number · optionnel
  Avg answer tokens (default 400)
- corpus_tokens · number · requis
  Indexed corpus size in tokens
- generator_model · string · optionnel
  Generator model (default claude-sonnet-4-6)
- queries_per_day · number · requis
  User query volume per day
- question_tokens · number · optionnel
  Avg question tokens (default 100)
- chunks_retrieved · number · optionnel
  Chunks per query (default 5)
- chunk_size_tokens · number · optionnel
  Avg chunk size (default 512)
- embedding_provider · string · optionnel · openai-3-small | openai-3-large | voyage-3 | voyage-3-lite | cohere-embed-v3 | google-text-embed-004
  Embedding model
- generator_provider · string · optionnel
  Generator LLM provider (default anthropic)
- reindex_fraction_per_month · number · optionnel
  Fraction of corpus re-embedded per month (default 0.1)
Exemple d'appel
```
{"name": "rag-pipeline-cost-calculator", "arguments": {"corpus_tokens": 1, "queries_per_day": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
self-host-breakeven-calculator≈ 299 tokens
Use when a user is deciding between API usage and self-hosted GPU inference at a given volume. Returns breakeven token volume, monthly cost comparison, and go/no-go recommendation.
Paramètres, retour & exemple (6)
Paramètres
- gpu_type · string · optionnel
  GPU type (e.g. h100, a100-80gb)
- gpu_provider · string · optionnel
  GPU provider (e.g. runpod, modal)
- monthly_tokens · number · requis
  Monthly output token volume
- utilization_pct · number · optionnel
  Expected GPU utilization % (default 60)
- api_cost_per_1m_out · number · optionnel
  Current API output cost per 1M tokens
- operational_overhead_pct · number · optionnel
  Ops overhead % on GPU cost (default 40)
Exemple d'appel
```
{"name": "self-host-breakeven-calculator", "arguments": {"monthly_tokens": 1}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
token-counter≈ 244 tokens
Use when a user asks how many tokens a given text will consume, or needs to estimate prompt size before pricing a workload. Given text and tokenizer family, returns low/high token range and byte-level measurements.
Paramètres, retour & exemple (3)
Paramètres
- text · string · requis
  Text content to count tokens for
- tokenizer · string · optionnel · cl100k_base | o200k_base | claude | gemini | llama3 | mistral | default
  Tokenizer family (default: default)
- expected_out_tokens · number · optionnel
  Expected output token budget (optional)
Exemple d'appel
```
{"name": "token-counter", "arguments": {"text": "texte"}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```

C'est votre serveur ?

Revendiquez-le sur l'espace créateur (preuve GitHub, domaine ou npm) pour afficher le badge « propriétaire vérifié » et lancer un pentest comportemental à la demande afin d'obtenir le badge « Vérifié ».

Créer un compte / revendiquer →

Source

https://modelruler.dev/mcp?dist=model_everywhere_registry_native_official_registry