Leitfaden zum AI Model Catalog: Provider, Endpunkte, Gruppen und Preise richtig lesen

Ein AI model catalog ist nur dann nützlich, wenn er einem Team hilft, eine Produktionsentscheidung zu treffen. Eine Seite voller Modellnamen reicht nicht aus. Entwickler müssen wissen, welcher Provider das Modell betreibt, welche Endpunktfamilie die App aufruft, welche Gruppe oder Routenstufe den Traffic bedient, ob die Zeile aktuell verfügbar ist und wie der Preis gemessen wird, bevor die erste echte Nutzeranfrage darüber läuft.

Dieser Leitfaden zum AI model catalog wurde am June 24, 2026 anhand öffentlicher Flatkey-Seiten, der Live-Flatkey-Pricing-API, gespeicherter Ahrefs-Recherchen und offizieller Model-Catalog-Dokumentation von Microsoft, Google, Vercel und OpenAI geprüft. Behandeln Sie jede Kataloganzahl, jeden Status, jede Endpunktfamilie und jedes Preisfeld als Zeitpunktaufnahme. Öffnen Sie vor Produktionstraffic erneut Flatkey pricing, bestätigen Sie die genaue Modellzeile und führen Sie einen risikoarmen Routentest aus.

Das praktische Ziel ist einfach: Modell-Browsing in eine wiederholbare Prüfung verwandeln. Wenn Ihr Team Provider, Endpunkt, Gruppe, Status, Preis und Owner aus demselben AI model catalog-Datensatz lesen kann, wird die Modellentscheidung für Engineering, Finance, Support und Procurement leichter genehmigungsfähig.

Schnelle Antwort: So lesen Sie einen AI Model Catalog

Lesen Sie einen AI model catalog von links nach rechts: zuerst den Provider, dann den Endpunkt, danach die Gruppe, den Status, den Preis und zuletzt den Routentest. Diese Reihenfolge verhindert, dass Teams einen attraktiv wirkenden Modellnamen auswählen, der über den Endpunkt, die Gruppe oder die Budgetrichtlinie, die die Anwendung tatsächlich nutzt, nicht sicher aufgerufen werden kann.

Katalogfeld	Was es Ihnen zeigt	Zu treffende Entscheidung	Flatkey-Prüfung
Provider	Wer die Modellroute bereitstellt oder hostet.	Kann dieser Provider Ihre Anforderungen an Funktionen, Risiko und Support erfüllen?	Bestätigen Sie den Vendor-Datensatz und alle providerspezifischen Zeilenhinweise.
Model ID	Die exakte Zeichenfolge, die Ihre App anfordert.	Kann die App diese ID ohne Alias-Abweichungen oder veraltete Dokumentation verwenden?	Kopieren Sie die Modellzeile aus /pricing, nicht aus dem Gedächtnis.
Endpunktfamilie	Die Protokollform: Chat, Responses, Bildgenerierung, Video, Gemini, Anthropic oder eine andere Route.	Passen aktuelles SDK, Request-Body, Streaming-Modus und Response-Parser?	Prüfen Sie die unterstützte Endpunktfamilie, bevor Sie die Base URL ändern.
Gruppe	Die Routenstufe oder der Ressourcenpool, der die Anfrage bedient.	Welche Gruppe soll Staging, Produktion, Fallback oder kostensensitiven Traffic bedienen?	Vergleichen Sie das genaue Gruppenlabel und die Group Ratio vor dem Launch.
Status	Ob die neueste Katalogprüfung sauber, nicht unterstützt oder ungelöst ist.	Soll diese Zeile Produktionstraffic, einen Smoke-Test oder keinen Traffic erhalten?	Behandeln Sie eine sichtbare Zeile erst als verfügbar, wenn Status und Request-Test übereinstimmen.
Preiseinheit	Wie Nutzung abgerechnet wird: Input, Output, Cache, Bild, Video, Sekunde oder feste jobartige Einheit.	Welche Budgetformel und Quote sollen gelten?	Prüfen Sie tokenartige Felder und Nicht-Token-Preisfelder getrennt.
Routentest	Ob das Modell für den exakten Feature-Pfad funktioniert.	Können Engineering, Finance und Support das Ergebnis akzeptieren?	Führen Sie eine Staging-Anfrage aus und prüfen Sie anschließend Nutzung, Kosten, Status und Logs.

Aktuelle Momentaufnahme des Flatkey AI Model Catalog

Die für diesen Artikel verwendete Live-Momentaufnahme der Flatkey-Pricing-API lieferte am June 24, 2026 success: true zurück. Sie enthielt 637 Katalogzeilen, 23 Vendor-Datensätze, fünf nutzbare Gruppenlabels und sechs Endpunktfamilien. Die Pricing-Version auf oberster Ebene in der Antwort lautete a42d372ccf0b5dd13ecf71203521f9d2.

Snapshot-Feld	Wert am June 24, 2026	So nutzen Sie es
Katalogzeilen insgesamt	637	Nutzen Sie den AI model catalog als zeilengenaue Quelle, nicht als statische Provider-Liste.
Vendor-Datensätze	23	Die Provider-Identität ist wichtig für Support-, Compliance- und Fallback-Entscheidungen.
Endpunktfamilien	openai, gemini, image-generation, anthropic, openai-response, openai-video	Die Endpunktfamilie zeigt, ob das aktuelle Request-Format funktionieren kann.
Verfügbarkeitsstatus	available, official_unsupported, unknown_failure	Der Status sollte Traffic-Gating und Smoke-Test-Priorität steuern.
Verfügbare Zeilen	132	Erfordern trotzdem einen Routentest für Ihren Endpunkt, Ihre Gruppe, Ihren Prompt und Ihre Quote.
Offiziell nicht unterstützte Zeilen	37	Nutzen Sie diese nicht in Produktion ohne einen neueren verifizierten Status.
Zeilen mit unbekanntem Fehler	468	Behandeln Sie sie als ungelöst, bis Routen-, Account-, Upstream- oder Statusnachweise geprüft wurden.

Die öffentliche Homepage von Flatkey positioniert das Produkt rund um einen API Key, die OpenAI-kompatible Base URL https://router.flatkey.ai/v1, transparente Preise, einheitliche Abrechnung und ein Dashboard für Keys, Nutzung und Routing. Diese Aussagen machen den AI model catalog operativ nützlich, ersetzen aber nicht die Prüfung der spezifischen Zeile, die Ihr Produkt aufrufen wird.

Lesen Sie Provider, bevor Sie Modellnamen lesen

Modellnamen wandern über Vendors, Gateways, Dokumentationen und Aliasse hinweg. Die Provider-Identität ist das erste stabilisierende Feld. Sie zeigt, wer die Modellroute bereitstellt, welcher Account oder Upstream beteiligt sein kann, woher Support-Erwartungen kommen und ob das Modell in einen direkten Provider-Plan, eine Gateway-Route oder einen eingeschränkten Evaluierungspfad gehört.

Offizielle Cloud-Kataloge nehmen dasselbe Problem ernst. Microsoft Foundry Models trennt Modelle, die von Azure verkauft werden, von Partner- und Community-Modellen und fordert Kunden auf, Modellbeschreibungen, Model Cards, Dokumentation und rechtliche Bedingungen zu prüfen, bevor sie ein Modell auswählen. Google Model Garden lässt Teams nach Model Collections und Providern filtern und anschließend Model Cards für weitere Details öffnen. Die Lehre für jeden AI model catalog ist dieselbe: Provider ist keine Dekoration, sondern Teil des Betriebsvertrags.

Notieren Sie für die Flatkey-Evaluierung:

• Provider oder Vendor: der mit der Zeile verknüpfte Vendor-Datensatz.
• Modellzeile: die exakte Model ID, die in Flatkey pricing sichtbar ist.
• Owner: das Team, Feature, der Kunde oder Budgetverantwortliche, der das Modell anfordert.
• Auswahlgrund: Qualität, Kosten, Latenz, Modalität, Kontext, Tool-Nutzung, Bild, Video oder Fallback-Verhalten.
• Ersatzroute: was die App verwenden soll, wenn sich der Status der Provider-Zeile ändert.

Lesen Sie Endpunkte als Verträge, nicht als Labels

Eine Endpunktfamilie sagt Ihrer App, welche Request- und Response-Form sie erwarten soll. Ein Modell, das unter einer openai-Endpunktfamilie erscheint, kann zu einem OpenAI-kompatiblen SDK-Flow passen. Ein Modell, das unter anthropic, gemini, image-generation, openai-response oder openai-video erscheint, benötigt möglicherweise einen anderen Request-Body, Parser, ein anderes Streaming-Verhalten, einen anderen Dateiverarbeitungspfad oder eine andere Interpretation der Nutzung.

Darum sollte ein nützlicher AI model catalog zusammen mit dem Migrationsplan gelesen werden. Wenn Ihre App bereits einen OpenAI-kompatiblen Client nutzt, beginnen Sie mit dem Workflow zur OpenAI-compatible API migration: Ändern Sie die Base URL in Staging, halten Sie die Model ID explizit, führen Sie eine kleine Anfrage aus, prüfen Sie die Antwort und überprüfen Sie anschließend Logs und Kosten. Gehen Sie nicht davon aus, dass jede Modellzeile jeden Endpunktstil unterstützt.

Endpunktfamilie	Was zu prüfen ist	Häufiger Fehlermodus
openai	Base URL, Model ID, Nachrichtenformat, Streaming, Tool Calls, JSON-Modus, Nutzungsfelder.	Der SDK-Aufruf ist syntaktisch erfolgreich, nutzt aber eine Modellzeile, die das Feature nicht unterstützt.
openai-response	Request-Body im Responses-Stil, Output-Parsing, Tool-Verhalten, multimodaler Input.	Annahmen aus Chat Completions gelangen in einen Workflow im Responses-Stil.
anthropic	Messages-Request-Form, Umgang mit System-Prompts, Verhalten bei Bildeingaben, Nutzungsfelder.	Ein OpenAI-artiger Body wird ohne Anpassung an eine Anthropic-artige Route gesendet.
gemini	Gemini-Request-Form, multimodaler Input, Sicherheitseinstellungen, Response-Parsing.	Die Modellauswahl ignoriert providerspezifische Feature- oder Response-Unterschiede.
image-generation	Regeln für Eingabebilder, Ausgabegröße, Qualität, Moderation, Format und akzeptierte Ergebnisanzahl.	Budgetierung nach Request-Anzahl verdeckt Bildqualitäts- und Retry-Kosten.
openai-video	Dauer, Seitenverhältnis, asynchroner Jobstatus, Polling, Fehlerbehandlung und Nutzungseinheit.	Video-Jobs werden wie günstige synchrone Textaufrufe behandelt.

Lesen Sie Gruppen als Routen- und Kostenrichtlinie

In einem einheitlichen Gateway ist eine Gruppe nicht nur ein Label. Sie kann eine Routenstufe, einen Ressourcenpool, einen Account-Pfad oder eine Preisrichtlinie darstellen. Die Flatkey-Momentaufnahme vom June 24 zeigte nutzbare Gruppenlabels, darunter Economy, Standard, Claude Economy, Claude Official und Seedance2.0 Official. Die Antwort enthielt außerdem Gruppenbeschreibungen und Group Ratios.

Beim Lesen eines AI model catalog beantworten Gruppen Fragen, die ein Modellname nicht beantworten kann:

• Welche Gruppe soll Staging verwenden? Für Integrationstests kann eine risikoarme Route ausreichen.
• Welche Gruppe soll Produktion verwenden? Produktion benötigt möglicherweise einen anderen Provider-Pfad, ein anderes Kostenprofil oder eine andere Support-Erwartung.
• Welche Gruppe soll Fallback verwenden? Eine Fallback-Route muss mit Qualitäts-, Latenz- und Budgetanforderungen kompatibel sein.
• Welche Gruppe soll Finance prüfen? Gruppenbezogene Ratios können die effektiven Kosten für denselben Modellnamen verändern.
• Welche Gruppe soll Procurement genehmigen? Eine direkte oder offizielle Route kann andere Nachweise erfordern als eine Economy-Route.

Die sichere Gewohnheit ist, die Gruppe in der Modellentscheidung zu erfassen, nicht nur die Model ID. Eine Modellzeile, die in einer Gruppe vernünftig wirkte, kann in einer anderen Gruppe andere Kosten oder einen anderen Betriebspfad haben.

Lesen Sie Preise nach Einheit, bevor Sie Zeilen vergleichen

Preisfelder werden leicht missverstanden, weil unterschiedliche Modellfamilien unterschiedliche Einheiten ausweisen. Textmodelle trennen häufig Input, gecachten Input und Output. Bild- und Videozeilen können Qualitätseinstellungen, generierte Medieneinheiten, Jobdauer oder feste model-price-artige Felder hinzufügen. Die öffentliche Pricing-Seite von OpenAI trennt beispielsweise Input-, Cached-Input- und Output-Preise pro 1M Tokens für seine Modelle. Google Model Garden weist darauf hin, dass die Nutzung von Open-Source-Modellen Tuning- und Deployment-Compute-Kosten verursachen kann. Microsoft Foundry merkt an, dass serverlose Deployments typischerweise für API-Inputs und -Outputs abgerechnet werden, häufig in Tokens, während Managed Compute virtuelle Maschinenkernstunden nutzt.

Für eine Flatkey-AI model catalog-Prüfung sollten Sie Preisformen trennen, bevor Sie Zeilen vergleichen:

Preisform	Zu prüfende Felder	Budgetfrage
Tokenartiger Text	model_ratio, completion_ratio, cache_ratio	Wird das Feature mehr für Prompts, Outputs, gecachten Kontext oder Retries ausgeben?
Multimodaler Chat	Endpunktfamilie, Input-Tokens, Output-Tokens, Bild-/Video-Inputs, Cache-Verhalten.	Verändern Nicht-Text-Inputs die effektiven Kosten?
Bildgenerierung	Modellzeile, Endpunktfamilie, Ausgabeeinstellungen, Retry-Anzahl, Anzahl akzeptierter Bilder.	Was kostet ein akzeptiertes Bild nach Fehlern und Edits?
Videogenerierung	Modellzeile, Dauer, Qualität, Jobstatus, Retry-Richtlinie, model_price, falls vorhanden.	Kann eine Quote teure Jobs stoppen, bevor ein Budgetvorfall entsteht?
Gruppenangepasste Route	Gruppenlabel, Group Ratio, Produktionsroute, Fallback-Route.	Vergleicht das Team die Gruppe, die es tatsächlich nutzen wird?

Für einen tieferen Kostenworkflow nutzen Sie nach der Vorauswahl von Zeilen den Leitfaden zum AI model pricing comparison. Dieser Leitfaden zum AI model catalog hilft Ihnen zuerst zu entscheiden, welche Zeilen überhaupt eine Preisanalyse verdienen.

Lesen Sie den Status vor Produktionstraffic

Eine sichtbare Katalogzeile ist nicht dasselbe wie eine produktionsbereite Route. In der Flatkey-Momentaufnahme vom June 24 hatten nur 132 von 637 Zeilen available als neuesten Verfügbarkeitsstatus. Die übrigen Zeilen verteilten sich auf official_unsupported und unknown_failure. Das bedeutet nicht, dass jede ungelöste Zeile dauerhaft unbrauchbar ist; es bedeutet, dass die Zeile aktuelle Routennachweise braucht, bevor sie Nutzertraffic trägt.

Nutzen Sie den Status als Gate:

1. Available: Führen Sie einen Staging-Smoke-Test für Ihren exakten Endpunkt, Ihre Gruppe, Ihren Request-Body und Ihre Prompt-Form aus.
2. Official unsupported: Starten Sie keinen Produktionstraffic, sofern nicht eine neuere Quelle belegt, dass sich der Status geändert hat.
3. Unknown failure: Untersuchen Sie, ob das Problem beim Upstream-Status, bei Account-Berechtigungen, Routenkonfiguration, Region, Quote oder einem vorübergehenden Fehler liegt.
4. Kein klarer Status: Behandeln Sie die Zeile als nicht genehmigt, bis ein Dashboard- oder API-Test Nachweise schafft.
5. Status geändert: Aktualisieren Sie den Modellentscheidungsdatensatz und informieren Sie den Owner, bevor Sie Nutzer umleiten.

Das Statusfeld ist auch eine Finance-Kontrolle. Eine Fallback-Route, die sich stillschweigend von einer sauberen kostengünstigen Zeile zu einer ungelösten oder teureren Zeile verschiebt, kann ein Modellexperiment in einen Vorfall verwandeln. Halten Sie Status, Gruppe und Preis in jeder AI model catalog-Prüfung zusammen.

Ein Flatkey-Workflow für die Katalogprüfung

Nutzen Sie diesen Workflow, wenn ein Team darum bittet, ein Modell hinter einem Key hinzuzufügen oder zu ändern.

1. Aktuellen Katalog öffnen: Starten Sie bei Flatkey pricing und kopieren Sie die exakte Zeile.
2. Provider und Gruppe erfassen: Genehmigen Sie keine Zeile nur anhand des Modellnamens.
3. Endpunktfamilie bestätigen: Stimmen Sie die Route auf Ihr SDK, Ihren Request-Body, Ihren Streaming-Plan und Ihren Parser ab.
4. Status prüfen: Leiten Sie Produktionstraffic erst weiter, wenn Status und Live-Request übereinstimmen.
5. Preiseinheit klassifizieren: Token, Cache, Bild, Video, Dauer, Festpreis oder gruppenangepasste Route.
6. Risikoarmen Test ausführen: Senden Sie eine Staging-Anfrage über https://router.flatkey.ai/v1 oder die relevante Routenfamilie.
7. Nutzung und Kosten prüfen: Prüfen Sie im Dashboard Modell, Nutzung, Kosten, Status und Routing-Nachweise.
8. Quote und Owner festlegen: Verknüpfen Sie die Zeile mit einem Key, Budget Owner, Limit, Alert und einer Rollback-Route.
9. Entscheidung speichern: Halten Sie Katalogzeile, Datum, Status, Gruppe, Preisfelder, Testergebnis und Owner-Freigabe zusammen.

Das ist zugleich die saubere Übergabe zwischen Engineering und Finance. Engineering belegt, dass die Route funktioniert. Finance belegt, dass Einheit und Owner sinnvoll sind. Support belegt, dass die Modellentscheidung erklärt werden kann, wenn ein Kunde fragt, warum sich ein Feature geändert hat.

Vorlage: Prüfdatensatz für den AI Model Catalog

Führen Sie einen kompakten Datensatz für jede Modellzeile, die Staging oder Produktion erreicht. So wird das Browsing im AI model catalog zu einer Betriebsgewohnheit.

Prüfdatensatz für AI model catalog
Prüfdatum:
Anfragende Person:
Feature oder Workflow:
Umgebung: Entwicklung / Staging / Produktion / Batch / kundenorientiert

Modellzeile:
Provider oder Vendor:
Endpunktfamilie:
Gruppe:
Verfügbarkeitsstatus:
Preisfelder:
Erwartete Einheit: Input-Tokens / Output-Tokens / gecachter Input / Bild / Video / Dauer / fester Job

Routentest:
Request-Pfad:
SDK oder Client:
Response akzeptiert: ja / nein
Nutzung sichtbar: ja / nein
Kosten sichtbar: ja / nein
Quote hinterlegt: ja / nein

Owner:
Budget Owner:
Support Owner:
Fallback-Route:
Rollback-Bedingung:
Nächstes Prüfdatum:

Häufige Fehler im AI Model Catalog

Fehler	Warum daraus Risiko entsteht	Bessere Prüfung
Auswahl nur nach Modellname	Aliasse, Provider, Endpunktfamilien und Gruppen können sich unterscheiden.	Genehmigen Sie die exakte Zeile: Provider, Endpunkt, Gruppe, Status, Preis, Owner.
Annahme, dass OpenAI-kompatibel bedeutet, dass jedes Feature funktioniert	Tool-Nutzung, Streaming, Bilder, Video und Response-Formate können je nach Route variieren.	Führen Sie vor dem Launch einen Feature-bezogenen Smoke-Test aus.
Gruppenlabels ignorieren	Der gleiche Modellname kann je nach Gruppe andere Kosten oder anderes Routenverhalten haben.	Erfassen Sie die Produktionsgruppe und vergleichen Sie Group Ratios.
Ungelösten Status als harmlos behandeln	Unbekannte Fehler können Routen-, Berechtigungs-, Upstream- oder Account-Probleme verdecken.	Sperren Sie Traffic, bis Status und Request-Nachweise sauber sind.
Preise ohne Einheiten vergleichen	Input-Tokens, Output-Tokens, gecachte Tokens, Bilder und Video-Jobs werden nicht auf dieselbe Weise budgetiert.	Klassifizieren Sie die Preiseinheit, bevor Sie eine Vergleichstabelle nutzen.

Wann ein einheitlicher AI Model Catalog am meisten hilft

Ein einheitlicher AI model catalog hilft am meisten, wenn Ihr Produkt bereits mehr als einen Provider, eine Modalität oder einen betrieblichen Owner umfasst. Ein Single-Provider-Prototyp kann oft mit einer offiziellen Dokumentationsseite beginnen. Ein produktives AI-Produkt braucht in der Regel eine robustere Sicht: GPT, Claude, Gemini, DeepSeek, Qwen, Bildmodelle, Videomodelle, Routing-Gruppen, Status, Quotas, Nutzung und Kosten in einer gemeinsamen Prüfschleife.

Flatkey ist für Teams konzipiert, die einen API Key, eine kompatible Base URL, einheitliche Preise und Abrechnung sowie ein Dashboard für Keys, Nutzung und Routing wollen. In der Katalogprüfung wird dieser Wert konkret. Sie können Zeilen vergleichen, eine Route auswählen, den Endpunkt testen, eine Quote anhängen und Nutzungsnachweise in einem Betriebspfad halten, statt die Entscheidung über Provider-Portale und Tabellen zu verteilen.

Der richtige nächste Schritt ist nicht, einer Zeile blind zu vertrauen. Beginnen Sie mit der aktuellen model pricing page, kopieren Sie das exakte Modell und die Gruppe, testen Sie die Route in Staging und get a key, wenn Sie bereit sind, den Workflow in Ihrer eigenen Anwendung zu evaluieren.

FAQ

Was ist ein AI model catalog?

Ein AI model catalog ist eine durchsuchbare Liste von Modellzeilen mit genügend Kontext, um ein Modell auszuwählen, zu testen und zu betreiben. Ein nützlicher Katalog sollte Provider, Model ID, Endpunktfamilie, Gruppe oder Routenstufe, Verfügbarkeitsstatus, Preiseinheit sowie Dokumentations- oder Dashboard-Nachweise sichtbar machen.

Warum ist der Provider in einem AI model catalog wichtig?

Die Provider-Identität zeigt, wer die Route bereitstellt oder hostet, welche Bedingungen und Support-Erwartungen gelten können und welche Fallback- oder Procurement-Prüfung nötig ist. Der Modellname allein reicht für eine Produktionsfreigabe nicht aus.

Wie sollte ich Endpunktfamilien vergleichen?

Vergleichen Sie Endpunktfamilien nach Request-Form, SDK-Kompatibilität, Streaming-Verhalten, Tool-Unterstützung, multimodalem Input, Response-Parsing und Nutzungsfeldern. Eine Zeile, die für Chat funktioniert, funktioniert möglicherweise nicht für Bild, Video, Gemini, Anthropic oder Requests im Responses-Stil.

Was ist eine Modellgruppe?

Eine Modellgruppe ist ein Routen- oder Ressourcenlabel, das Kosten, Upstream-Pfad, Support-Erwartungen oder Fallback-Verhalten beeinflussen kann. In Flatkey sollten Sie die Gruppe zusammen mit der Model ID und den Preisfeldern lesen, bevor Sie eine Route genehmigen.

Wie oft sollten Teams einen AI model catalog erneut prüfen?

Prüfen Sie ihn erneut vor jedem Produktionslaunch, Modellwechsel, jeder Fallback-Änderung, größeren Preisprüfung oder Incident-Nachbereitung. AI model catalogs ändern sich schnell, daher sollten datierte Momentaufnahmen nicht als dauerhafte Verfügbarkeits- oder Preisgarantien behandelt werden.

Letzter Schritt der Katalogprüfung

Bevor eine Modellzeile Produktion erreicht, weisen Sie jedem Feld im AI model catalog-Datensatz einen Owner zu. Engineering verantwortet Endpunktpassung und Routentests. Finance verantwortet Preiseinheit und Budget. Support verantwortet kundenbezogene Auswirkungen. Platform verantwortet Quote, Fallback und Rollback. So wird ein Katalog zu Infrastruktur statt zu einem Modellmenü.

Um die Flatkey-Version der Prüfung auszuführen, öffnen Sie Flatkey pricing, wählen Sie eine Modellzeile aus, bestätigen Sie Provider, Endpunkt, Gruppe, Status und Preiseinheit, get a key und testen Sie die Route, bevor Sie Traffic skalieren.