園丁的AI練習手記
回到首頁
[個人小記]2026-06-01閱讀時間 5 分鐘

【個人小記】GitHub Copilot 將於 26 年6月轉向「用量計費制」- AI要變貴了嗎?

#GitHub Copilot#AI計費#AI代理#早期紅利
【個人小記】GitHub Copilot 將於 26 年6月轉向「用量計費制」- AI要變貴了嗎?

Github「用量計費制」啟動:核心變動與個人觀察

GitHub 官方近期宣布,為了因應 AI 代理(Agentic)功能帶來的龐大算力需求,GitHub Copilot 全線方案將於 2026 年 6 月 1 日起,從現行的訂閱模式轉型為「按實際用量計費(Usage-based billing)」。

這項變動代表 Github 原本的訂閱AI 服務「俗又大碗」的時代即將告一段落,以下是一些調整摘要。

為什麼要改變計費模式?

隨著 Copilot 從單純的程式碼補全,演進為能執行多步驟任務的「AI 代理」,背後的運算與推理成本(Inference cost)大幅增加。

Githubt稱:由過去「簡單提問」與變成「長時間自主開發」,對成本難以持續。用量計費制能讓價格與實際消耗的資源精準掛鉤,解決定價不公的問題。

計費機制如何運作?

1. 引入「GitHub AI 點數(AI Credits)」:未來每月會發放固定額度的點數,用完後可選擇付費加購。

2. 依 Token 計算:點數消耗將根據不同模型的 API 費率,並依照輸入(Input)、輸出(Output)及快取(Cached)的數量計算。

(原則上就是按用量計費,並於 2025 年 5 月初有推出「帳單預覽」,讓用戶在正式過渡前先評估費用。)

方案調整細節(5月中宣布提供彈性額度)

雖然計費邏輯改變,但基礎訂閱月費暫時維持不變。也可能是社群的反應極度激烈,為了緩解用戶疑慮,GitHub 額外推出了「彈性加碼額度(Flex Allotments)」

* Pro 方案 ($10/月):內含 $10 基礎點數 + $5 彈性加碼 = 共 $15 額度

* Pro+ 方案 ($39/月):內含 $39 基礎點數 + $31 彈性加碼 = 共 $70 額度

* Max 方案 ($100/月):新推出的高階方案,總計可使用 $200 額度

基本的「程式碼自動補全(Code completions)」功能依然包含在所有方案中,且不會消耗任何 AI 點數

個人小記:AI 早期紅利的逐漸終結與必然

文章圖片

過去 GitHub Copilot 被視為極其划算的服務。以每月 10 美元的方案300個點數,就能使用當時最強大的模型,如兩個月前 Claude Opus 4.6 只花費3點就可以在所有方案使用,且不論任務長短、token的用量,費用都固定。這對懂得下指令的開發者來說,是極大的效率紅利。

4 月發布的新政策時我當下的感受是(5月中才宣布彈性方案):

顯然這種「低價使用高階模型」的模式顯然已讓 GitHub 感到壓力,又或是已經吸引了足夠的付費使用者、模型的能力已經到了甜蜜點?並且也限制了pro訂閱者高階模型的使用,這對使用者來說真的頗為失望。但實際上使用者付費其實是沒有錯的,只是早期紅利漸漸被收回去了。

我的幾點觀察:

1. 成本回歸真實:AI 算力並非無窮無盡,巨頭在吸引早期使用者後,勢必會回歸商業本質。按量計費是未來數年的必然趨勢。

2. 短期成本上升,長期效率優化:雖然短期內使用成本可能增加,但隨著模型迭代與硬體效率提升,單位價格能換取的產出長期來看仍會優化。

3. 普及率仍有空間:先前在社群看到數據顯示 AI 普及率依然偏低,僅約 1/4 的人接觸,付費者更少,這點對我個人來說其實很沒有實際感,因為個人算是高度使用者,常會想真的還那麼多人沒有接觸嗎?若是,在需求持續爆發但供應有限的情況下,使用成本短期內難以下降。

最後,也建議趁著現在AI服務還在可負擔的階段,鼓勵還在觀望的朋友實際投入體驗,累積 AI 協作的經驗。

原始文章連結:

  • [GitHub Copilot 轉向用量計費公告](https://github.blog/news-insights/company-news/github-copilot-is-moving-to-usage-based-billing/)
  • [個人方案彈性額度與 Max 方案說明](https://github.blog/news-insights/company-news/github-copilot-individual-plans-introducing-flex-allotments-in-pro-and-pro-and-a-new-max-plan/)

Read more

【個人小記】當 AI 開始學著感知世界:Anthropic 的物理代理實驗 Project Fetch 觀察
[個人小記]2026-06-215 分鐘

【個人小記】當 AI 開始學著感知世界:Anthropic 的物理代理實驗 Project Fetch 觀察

本文整理 Anthropic「Project Fetch」第二階段實驗報告,分析 Claude Opus 4.7 在操作機器狗任務中,如何達成比人類快 20 倍的速度與僅十分之一的程式碼量。作者提出「物理代理 AI」的概念,探討 AI 如何從數位邏輯跨越到物理感知,並分析 AI 像新生兒般學習物理世界的未來趨勢與挑戰。