当前位置: 首页 > news >正文

一夜涨价60倍,有人冲到3000美元/月!Copilot今日起改按Token收费,开发者晒账单、喊“退订”

整理 | 郑丽媛

出品 | CSDN(ID:CSDNnews)

过去两年,AI 编程工具最大的卖点之一,就是“花几十美元,获得近乎无限的智能助手”。然而,这种看似美好的模式,似乎正在走向终结。

今年 4 月,微软旗下 GitHub 宣布了一项可能影响数百万开发者的重大调整:从 2026 年 6 月 1 日起,GitHub Copilot 将全面告别现有的 Premium Request(高级请求)计费体系,转而采用基于 Token 消耗的按量计费模式。

消息公布后,开发者社区迅速炸开了锅。有人计算发现,自己原本每月不到 30 美元的使用成本,在新规则下可能暴涨到 746 美元;还有用户晒出账单预估截图,称月费用将从约 50 美元直接飙升至接近 3000 美元。

一时间,“Bye Bye Copilot(再见了,Copilot)”之类的帖子开始在 Reddit、X 等社交平台大量出现。

Copilot 变了,计费方式也跟着变了

在官方公告中,GitHub 给出的理由很直接:Copilot 已经不是一年前的 Copilot。

最初的 Copilot,本质上是一个代码补全工具:用户输入几行代码,模型预测下一段内容,计算成本相对可控;但过去一年里,随着 Agent 模式兴起,Copilot 的定位发生了明显变化:它不再只是补全代码,而是开始承担越来越复杂的开发任务。

它可以调用 GPT、Claude 等最新模型,分析整个代码仓库,自主执行多步骤开发任务,在多个文件之间来回修改代码,长时间运行并持续迭代解决问题。换句话说,Copilot 正从一个 IDE 插件,逐渐演变成一个具备自主执行能力的 AI Agent 平台。

对此 GitHub 表示,这种使用方式带来的推理成本远高于传统代码补全场景。

一个简单问答可能只消耗几秒钟算力,而一个自主运行数小时的 Agent 任务,却可能持续调用模型成千上万次——而在旧收费体系下,两者支付的费用可能几乎相同。

在 GitHub 看来,这种模式已经难以持续。因此,微软决定将 Copilot 的收费方式与实际计算资源消耗直接挂钩。

从“包月无限用”到“按 Token 付费”

根据新规则,从 6 月 1 日开始,Copilot 将正式启用名为 GitHub AI Credits 的新体系。未来用户不再按照 Premium Request 数量计算额度,而是按照实际消耗的 Token 扣费。

计费范围包括:

● 输入 Token(Input Tokens)

● 输出 Token(Output Tokens)

● 缓存 Token(Cached Tokens)

GitHub 表示,每种模型都会对应公开的 API 费率,最终费用将根据 Token 使用量自动计算。值得注意的是,Copilot 的基础订阅价格并没有变化:

套餐

月费

Copilot Pro

10 美元

Copilot Pro+

39 美元

Copilot Business

19 美元/用户

Copilot Enterprise

39 美元/用户

但问题在于,这些月费未来不再意味着“无限使用”,它们实际上会转换成等额的 AI Credits。

例如:Pro 用户获得 10 美元 Credits、Pro+ 用户获得 39 美元 Credits,而 Credits 用完之后,如果用户仍想继续使用,就必须额外付费购买新的额度。

与此同时,过去存在的“降级兜底机制”也将被取消:此前,当用户耗尽高级请求额度后,Copilot 会自动切换到成本更低的模型继续工作;而在新的体系下,一旦额度耗尽,要么停止使用,要么继续产生费用。

对于许多重度用户来说,这无疑是最难以接受的变化之一。

开发者开始算账,然后被吓到了

真正引爆社区讨论的,并不是 GitHub 的公告,而是用户们自己算出来的结果。

在 Reddit 上,一位开发者发布了一篇题为《Bye Bye Copilot》的帖子。他根据自己 4 月份的实际使用情况进行了测算:

● 当前计费金额:28.12 美元

● 新体系预计费用:746.01 美元

显而易见,涨幅超过 25 倍。这位开发者直接写道:“简直像个笑话。”他表示,已决定取消订阅——因为在这样的价格水平下,Copilot 已经失去了成本优势。

更让他难以接受的是,即使支付了高额订阅费用,自己平时也经常遭遇速率限制(Rate Limit)。他甚至吐槽:“按照这个价格,我还不如自己租云服务器跑模型。”

另一位开发者晒出的账单截图则更加夸张。根据他分享的信息,其 Copilot 使用成本将从每月约 50 美元直接暴涨至 3000 美元,直接翻了 60 倍——“哇,没想到新的定价模式竟离谱到这种程度。”

这类截图很快在社交媒体上引发广泛传播,也让不少开发者第一次认真审视自己未来的 AI 成本。

月费涨几十倍,真的合理吗?

乍看之下,这些数字确实相当夸张。不过,也有部分 Copilot 用户站出来进行反驳。

他们认为,如果开发者真正理解软件开发流程,并合理使用 AI 工具,根本不可能消耗如此夸张的 Token 数量。那些账单暴涨的人,可能大多都属于所谓的“Vibe Coding(氛围编程)”用户——严重依赖 AI 生成代码,但自身缺乏足够开发经验。

一位开发者评论道:“有些人整天都在工作,却几乎没有产生额外费用;有些人晒出的账单却高得惊人。我很难相信这只是因为工作内容复杂度不同造成的。”

他随后补充说:“费用变得这么离谱,唯一合理的解释就是你完全在进行 Vibe Coding,并且反复让 AI 执行大量低效、冗余的迭代。”

在他看来,如果把 Copilot 当作辅助工具,而不是全权代理,即使是小团队也完全能够承担相关成本:“无论使用哪家 AI 服务商,只要把它当工具来用,其实价格都还算合理。”

开发者:问题不在用户,而在微软

不过,也有开发者认为,将责任全部推给用户并不公平。因为过去两年,恰恰是 GitHub 和微软一直在推动用户向 Agent 化方向发展。

“那些指责用户的人忽略了一点——用户只是按照微软设计和鼓励的方式在使用系统。”

从最初的代码补全工具,近年来 Copilot 不断演变为 Copilot Chat、Workspace、Agent Mode、多步骤任务执行、自动生成和修改代码等,而这些功能的宣传重点一直都是“让 AI 替你完成更多工作”。

在部分开发者看来,真正的问题不是用户过度使用,而是微软此前通过低价策略培养了用户习惯,如今却突然切换规则:

“微软不断让用户更容易发起复杂任务,让一个请求持续运行数小时甚至数天,并自动创建几十个、上百个子 Agent。现在却告诉用户这种使用方式太贵了,这显然说不过去。”

一位开发者愤怒表示:“说到底,唯一应该为这件事负责的就是微软。”

除了讨论新计费模式是否合理之外,还有不少开发者把关注点放到了另一个更有意思的问题上:如果现在的价格才接近真实成本,那么 GitHub Copilot 过去究竟亏了多少钱?

事实上,自 Copilot 诞生以来,其商业模式就一直让外界感到有些费解。尤其是在生成式 AI 爆发之后,大模型推理成本、GPU 算力开销以及长期运营成本都十分高昂。而大量用户进行长时间、多轮次的 AI 编程交互,到底消耗了多少计算资源,外界始终难以得知。

但不论如何,至少从今天开始,很多开发者打开 Copilot 时,除了关注 Token 消耗,可能还得顺手看看自己的账单了。

参考链接:https://techcrunch.com/2026/05/30/what-a-joke-github-copilots-new-token-based-billing-spurs-consternation-among-devs/

http://www.jsqmd.com/news/940524/

相关文章:

  • Excel快速填充(Flash Fill)原理与应用:智能数据清洗实战指南
  • STM32CUBEMX项目实战:用广和通L610 Cat.1模块,把路灯数据上报到腾讯云IoT
  • 别只盯着.php后缀:利用.htaccess文件在ElefantCMS漏洞中绕过限制的两种思路
  • CDGA数据治理工程师认证:数据治理领域的权威“入场券”
  • 异构计算、存算一体与云原生:前沿计算技术实践与演进
  • 别再乱切了!3DsMax展UV新手必看:用‘边颜色’和‘松弛’搞定贴图拉伸
  • 保姆级教程:在Hi3519DV500开发板上从零跑通PQTools调参(含Python环境、板端配置全流程)
  • Python2.7轻量Web图书管理系统:含MySQL数据库、HTML界面与毕业论文文档
  • 3个简单方法让普通鼠标在Mac上超越触控板体验
  • Godot4动画踩坑实录:从精灵表导入到循环播放,我的10个避坑点总结
  • STM32F103ZET6驱动TFTLCD保姆级教程:从CubeMX配置到点亮第一抹蓝
  • 从零到一:用Godot 4.2打造你的第一个2D横版动作游戏(附完整源码)
  • “我经历过最糟糕的一次求职面试”
  • 【AI工具与深度学习整合实战指南】:20年架构师亲授5大不可绕过的融合陷阱与3步落地框架
  • 面试官追问CyclicBarrier源码?别慌,这份带调试截图的‘破局’指南帮你讲清楚(基于JDK 11)
  • Mina Meeting Assistant 新手极速上手指南
  • Revizor:自动化挖掘CPU推测执行漏洞的硬件安全测试框架
  • AI×Figma/Adobe生态融合指南:7步实现设计流程自动化,效率提升300%(附2024兼容性矩阵)
  • 缅甸工业园实地现荒弃地块,低价承租厂房暗藏千万规模诈骗陷阱
  • Hive SQL数据处理:用lateral view + explode搞定一行变多行的所有场景
  • 联想领像M100/M100W打印机加粉后,手机APP和按键清零到底怎么选?保姆级图文教程
  • YOLOv8模型瘦身与加速:用CSPStage和四检测头优化推理速度,兼顾GC10-DET精度
  • Kotlin Flow实战:从冷流到热流,手把手教你构建Android实时数据流(附避坑指南)
  • 别只抄数据手册!STM32电源设计中的0欧电阻、磁珠与电容布局实战心得
  • 云赋能移动应用开发:Project Hawaii挑战赛实战指南
  • 如何解读顶尖实验室年度报告:从技术趋势识别到个人学习规划
  • TEE与机密LLM推理:硬件级安全与性能优化
  • MQTTX脚本功能进阶:手把手教你用JavaScript处理MQTT消息(含Payload加密解密实战)
  • 从RS到SR:博图里这两个触发器指令到底啥区别?一张图帮你彻底分清不踩坑
  • 别再只盯着GPU了!CXL三种设备类型(Type1/2/3)详解与应用场景全解析