使用谷歌Antigravity智能体AI编程工具的开发者正在抱怨价格上涨,此前该公司昨日宣布正在调整其AI计划。
谷歌在X平台发布消息称,正在"优化谷歌AI计划,让用户更好地控制可以构建的内容"。
根据最新公告,AI积分现在可以用于Antigravity,订阅计划提供一些内置积分,同时可根据需要购买额外积分,价格为25美元购买2500个积分。但文档中并未说明在Antigravity中使用时,一个积分具体价值多少。
谷歌开发者AI论坛充满了抱怨声,尤其来自AI Pro订阅用户(每月20美元)。根据计划描述(在撰写本文时仍然有效),AI Pro计划提供"高额、慷慨的配额,每五小时刷新一次,直到达到周限制"。然而,用户报告这种情况似乎不再适用(除了最便宜的模型),刷新间隔变成了一周而非五小时,期间他们无法继续工作,除非购买积分或升级计划。
Antigravity支持五种大语言模型:Gemini 3.1 Pro(高配置和低配置选项)、Gemini 3 Flash、Anthropic Claude Sonnet 4.6或Claude Opus 4.6,以及OpenAI的GPT-OSS 120B。Flash是最便宜的模型,专为效率而调优。在最新公告中,谷歌表示Pro计划适合"爱好者、学生和在IDE中工作的开发者",而非依赖智能体的用户,这些用户可以将Flash作为更高级模型的"试用"。专业开发者被推荐使用AI Ultra计划(每月249.99美元),以获得"对我们最复杂模型的持续、大容量访问"。
在Reddit上,一位追踪token使用情况的AI Pro开发者发布说:"1月之前我每周可以使用超过3亿输入/100-200万输出的Gemini Pro模型",但"这周我在不到900万输入/20万输出token时就达到了周限制"。
Antigravity于2025年11月以预览版形式发布,当时尚未公布定价。该公司很快将用户指向其Google AI Pro和Ultra订阅,使用"高"、"慷慨"和"有意义"等模糊术语来描述配额限制。这种措辞使得很难了解实际限制以及它们可能如何变化。
尽管最新公告似乎表明了新定价,但关于意外配额下降和限制不足的抱怨并不新鲜。
"Gemini 3.1 Pro的Antigravity配额不可接受——工作流程完全被阻止",另一位开发者在上月底表示。"我们需要对这些Antigravity配额如何计算进行透明解释,并立即修复这些对我们限制的虚假消耗。"
AI处理需要大量计算资源,任何一个提示将使用多少资源都是不可预测的,这使得定价对用户和提供商都是一个难题。另一个未知因素是提供商在建立市场份额时愿意在多大程度上补贴用户,尽管我们之前见过价格突然大幅上涨的情况。
我们已要求谷歌澄清发生了什么变化,以及AI积分在Antigravity中使用时能买到什么。
Q&A
Q1:什么是Antigravity?它是做什么的?
A:Antigravity是谷歌推出的智能体AI编程工具,支持五种大语言模型,包括Gemini 3.1 Pro、Gemini 3 Flash、Anthropic Claude Sonnet 4.6、Claude Opus 4.6和OpenAI的GPT-OSS 120B,帮助开发者进行AI辅助编程。
Q2:谷歌AI Pro计划现在有什么变化?
A:原本AI Pro计划(每月20美元)提供每五小时刷新一次的高额配额,但现在刷新间隔变成了一周,用户在等待期间无法继续工作,除非购买额外的AI积分或升级到更高的计划。
Q3:谷歌AI积分的价格是多少?
A:谷歌现在推出AI积分系统,价格为25美元购买2500个积分。订阅计划提供一些内置积分,用户可根据需要购买额外积分,但文档中未明确说明一个积分在Antigravity中的具体价值。
好文章,需要你的鼓励
Google Messages近期对聊天界面进行了调整,在"默认"主题下,语音备忘录按钮的波形图标采用了动态颜色的第三强调色进行主题化显示,同时支持浅色与深色模式,更换系统主题或壁纸时背景色也会随之更新。此前该按钮与输入框颜色保持一致。目前该变化仅见于稳定版20260523_00_RC00,尚不确定是有意调整还是程序错误。
清华大学等机构提出LIMMT框架,通过三阶段数据筛选,用仅3%的动作数据训练人形机器人,追踪效果超越全量数据训练。
Telegram近期更新中悄然带回了对Wear OS智能手表的支持,距上次停用该应用已过去五年。新应用支持浏览聊天记录、发送和收听语音消息、静音及置顶对话等功能,首次将Telegram带到Pixel Watch和Galaxy Watch平台。目前Wear OS版暂不支持查看位置和发送贴纸,但官方表示将在下一次更新中补齐。此外,本次更新还改进了机器人文本格式、投票选项链接及Markdown文件支持等功能。
研究发现大语言模型反嵌入矩阵的"边缘频谱"是导致文本嵌入质量差的根源,提出无需训练的EmbedFilter方法,最高提升MTEB得分14.1%并同步实现维度压缩。