Anthropic公司周三调整了Claude客户的使用限制策略,在高峰需求时段降低服务功率,以平衡用户需求与其服务交付能力。
Anthropic技术团队成员Thariq Shihipar在社交媒体上发布消息称:"为了管理Claude日益增长的需求,我们正在调整免费/Pro/Max订阅用户在高峰时段的五小时会话限制。您的每周限制保持不变。"
这一变化意味着在高峰时段(太平洋时间05:00-11:00或格林尼治时间13:00-19:00),Claude用户可能在不到五小时内就耗尽五小时的使用时间。在一天中的其他时间,五小时访问配额将允许用户使用五小时。这种奇特的计时使用定义是可能的,因为Anthropic将每小时使用与Token消耗绑定,但没有透露具体将多少Token与计时使用绑定。
根据Shihipar的说法,"约7%的用户将遇到他们之前不会遇到的会话限制,特别是Pro级别用户。如果您运行Token密集型后台作业,将它们转移到非高峰时段将进一步延长您的会话限制。"
Anthropic在需求较低的其他时段扩大了容量,因此在使用限制方面没有净损失。
Shihipar解释说:"整体每周限制保持不变,只是它们在一周内的分布正在发生变化。我知道这令人沮丧。我们将继续投资于高效扩展。我会及时向您汇报进展。"
Anthropic以两种形式销售其AI服务:API和订阅。API客户按各种Token使用形式的公布费率付费,包括基础输入Token、5分钟缓存写入、1小时缓存写入、缓存命中和刷新,以及输出Token。
订阅客户包括免费用户、Pro用户(每月20美元)、Max 5x用户(每月100美元)和Max 20x用户(每月200美元),可以在未公布的使用限制下使用Claude。
Anthropic没有明确说明如何计算这些限制,用户也无法为Token使用进行规划。
Anthropic在文档中解释:"您的使用受多种因素影响,包括对话的长度和复杂性、您使用的功能以及您正在与哪个Claude模型聊天。不同的订阅计划(Pro、Max、团队等)具有不同的使用配额,付费计划提供更高的限制。"
Claude客户可以访问仪表板,查看他们消耗五小时每日会话限制和每周使用限制的进度。如果用户超过限制,Claude将锁定他们的访问权限,除非他们为额外使用付费。
在这种新的Token分配机制下,开发人员可以预期在非工作时间完成更多工作,而在其他时间完成较少工作。不过,说真的,什么样的加州人会在凌晨5点醒着敲代码呢?
Q&A
Q1:Anthropic为什么要调整Claude的使用限制?
A:为了管理Claude日益增长的用户需求,平衡用户需求与服务交付能力。公司在高峰时段降低服务功率,同时在需求较低的其他时段扩大了容量。
Q2:新的使用限制政策会影响哪些用户?
A:约7%的用户将遇到他们之前不会遇到的会话限制,特别是Pro级别用户。在高峰时段(太平洋时间05:00-11:00或格林尼治时间13:00-19:00),用户可能在不到五小时内就耗尽五小时的使用时间。
Q3:用户如何应对新的使用限制策略?
A:Anthropic建议用户将Token密集型后台作业转移到非高峰时段,这样可以延长会话限制。整体每周限制保持不变,只是在一周内的分布发生变化。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。