Gemini 系列模型详细对比 及 Google AI Studio 免费使用说明

优质文章学习记录

— 7 min read
Gemini 系列模型详细对比 及 Google AI Studio 免费使用说明

Gemini 系列模型详细对比 (2.5 Pro Preview, 2.0 Flash, Flash Image Gen Exp, Flash-Lite, Flash Thinking Exp) 及 Google AI Studio 免费使用说明

以下是根据您提供的五张图片对各个模型的详细解释和归纳：

1. Gemini 2.5 Pro Preview 03-25 (gemini-2.5-pro-preview-03-25)

  • 定位: 功能最强大、上下文窗口最大的预览版模型。
  • API 定价 (每百万 Tokens):
    • 输入 <= 200K tokens: $1.25
    • 输出 <= 200K tokens: $10.00
    • 输入 > 200K tokens: $2.50
    • 输出 > 200K tokens: $15.00
    • (注：API 定价，通过 UI 使用免费)
  • 擅长领域: 编码 (Coding), 推理 (Reasoning), 多模态理解 (Multimodal understanding)。
  • 使用场景: 解决复杂问题，处理困难的代码、数学和 STEM 问题，利用长上下文分析大型数据集、代码库或文档。
  • 知识截止: 2025 年 1 月。
  • 速率限制 (Rate limits):
    • 付费/高配额: 150 RPM (每分钟请求数)
    • 免费 (Google AI Studio): 5 RPM, 25 req/day (每日请求数)
  • 延迟 (Latency): 中等。

2. Gemini 2.0 Flash (gemini-2.0-flash)

  • 定位: 速度快、成本效益高的多模态模型。
  • API 定价 (每百万 Tokens):
    • 输入: $0.10
    • 输出: $0.40
    • (适用于所有上下文长度，API 定价，通过 UI 使用免费)
  • 擅长领域: 多模态理解 (Multimodal understanding), 实时流式处理 (Realtime streaming), 原生工具使用 (Native tool use)。
  • 使用场景: 处理万行级别的代码，原生调用工具 (如搜索)，实时流式传输图像和视频。
  • 知识截止: 2024 年 8 月。
  • 速率限制 (Rate limits):
    • 付费/高配额: 2000 RPM
    • 免费 (Google AI Studio): 15 RPM, 1500 req/day
  • 延迟 (Latency): 中低（比 2.5 Pro 快）。

3. Gemini 2.0 Flash (Image Generation) Experimental (gemini-2.0-flash-exp-image-generation)

  • 定位: 实验性的、专注于图像生成的多模态模型。
  • API 定价 (每百万 Tokens):
    • 输入: $0.00
    • 输出: $0.00
    • (当前 API 免费，可能是实验性或促销性质。通过 UI 使用也免费)
  • 擅长领域: 多模态理解 (Multimodal understanding), 多模态生成 (Multimodal generation), 原生工具使用 (Native tool use)。
  • 使用场景: 处理万行级别的代码，原生调用工具 (如搜索)，生成穿插文本和图像的内容。
  • 知识截止: 2024 年 8 月。
  • 速率限制 (Rate limits):
    • 付费/高配额: 10 RPM
    • 免费 (Google AI Studio): 10 RPM, 1500 req/day
    • (注意：免费和付费 RPM 相同，反映其实验性质)
  • 延迟 (Latency): 中等。

4. Gemini 2.0 Flash-Lite (gemini-2.0-flash-lite)

  • 定位: 最轻量级、速度最快、成本最低的 Flash 版本。
  • API 定价 (每百万 Tokens):
    • 输入: $0.075
    • 输出: $0.30
    • (适用于所有上下文长度，API 定价，通过 UI 使用免费)
  • 擅长领域: 长上下文 (Long Context), 实时流式处理 (Realtime streaming), 原生工具使用 (Native tool use)。
  • 使用场景: 处理万行级别的代码，原生调用工具 (如搜索)，实时流式传输图像和视频。
  • 知识截止: 2024 年 8 月。
  • 速率限制 (Rate limits):
    • 付费/高配额: 4000 RPM
    • 免费 (Google AI Studio): 30 RPM, 1500 req/day
  • 延迟 (Latency): 低 (是这五个模型中最低的)。

5. Gemini 2.0 Flash Thinking Experimental 01-21 (gemini-2.0-flash-thinking-exp-01-21)

  • 定位: 实验性的、能展示思考过程的模型。
  • API 定价 (每百万 Tokens):
    • 输入: $0.00
    • 输出: $0.00
    • (当前 API 免费，可能是实验性或促销性质。通过 UI 使用也免费)
  • 擅长领域: 多模态理解 (Multimodal understanding), 推理 (Reasoning), 编码 (Coding)。
  • 使用场景: 对最复杂的问题进行推理，展示模型的思考过程 (Show the thinking process of the model)，处理困难的代码和数学问题。
  • 知识截止: 2024 年 8 月。
  • 速率限制 (Rate limits):
    • 付费/高配额: 10 RPM
    • 免费 (Google AI Studio): 10 RPM, 1500 req/day
    • (注意：免费和付费 RPM 相同，反映其实验性质)
  • 延迟 (Latency): 中等。

模型归纳总结:

  • 能力层级: Gemini 2.5 Pro Preview > Gemini 2.0 Flash ≈ Gemini 2.0 Flash Thinking Exp ≈ Gemini 2.0 Flash Image Gen Exp > Gemini 2.0 Flash-Lite。Pro 版本在推理、编码和长上下文处理上更强，但成本更高，免费额度最低。
  • Flash 系列: Flash 系列（包括 Flash, Flash-Lite, 和两个 Experimental 版本）旨在提供速度和成本效益。Flash-Lite 是其中最快、最便宜的版本。
  • Experimental 版本: 这两个实验性模型 (Image Generation 和 Thinking) 目前 API 免费，提供了独特的功能（图像生成、展示思考过程），但速率限制较低且可能不稳定或未来会收费。
  • 知识库: 2.5 Pro Preview 的知识更新到 2025 年 1 月，而其他 Flash 系列模型截止到 2024 年 8 月。
  • 延迟与吞吐量: Flash-Lite 延迟最低，免费 RPM 最高。2.5 Pro Preview 免费 RPM 和每日请求数最低。Flash (标准版) 在免费额度和延迟之间取得较好平衡。实验性模型免费 RPM 较低。

关于 Google AI Studio 免费使用的解释:

是的，您的问题理解是正确的。直接在 Google AI Studio 这个用户界面 (UI) 中使用这些 Gemini 模型是免费的。

这里的“免费”具体含义是：

  1. Google AI Studio 平台本身免费： 访问和使用 Google AI Studio 的网站界面不需要付费。
  2. 模型调用在免费配额内免费： 当您在 Google AI Studio 中与这些模型互动（例如，通过聊天界面提问、运行代码生成等）时，这些操作实际上是在调用相应的 Gemini API。只要您的调用频率和总量没有超过 Google 为每个模型设定的免费层级配额 (Free Tier Quota)，这些调用就是免费的。
  3. 超出配额会报错，而非收费： 如果您在 Google AI Studio 中的使用量超过了免费配额（例如，在一分钟内发送了过多请求 RPM，或一天内总请求数超过 RPD），您会收到错误提示，API 调用将暂时失败，直到您的使用频率回落到限制内。您不会因为在 Google AI Studio 中超出免费配额而被自动收取费用。 只有当您明确设置了结算账号，并将项目升级到付费计划，并通过 API（而不是 AI Studio UI）进行调用超出了免费额度时，才会产生费用。

各模型在 Google AI Studio 中的每日免费额度总结:

  • Gemini 2.5 Pro Preview 03-25:
    • 每分钟请求数 (RPM): 5
    • 每日请求数 (RPD): 25
  • Gemini 2.0 Flash:
    • 每分钟请求数 (RPM): 15
    • 每日请求数 (RPD): 1500
  • Gemini 2.0 Flash (Image Generation) Experimental:
    • 每分钟请求数 (RPM): 10
    • 每日请求数 (RPD): 1500
  • Gemini 2.0 Flash-Lite:
    • 每分钟请求数 (RPM): 30
    • 每日请求数 (RPD): 1500
  • Gemini 2.0 Flash Thinking Experimental 01-21:
    • 每分钟请求数 (RPM): 10
    • 每日请求数 (RPD): 1500

重要提示:

  • 这些免费配额是针对每个 Google Cloud 项目单独计算的。
  • 速率限制 (RPM 和 RPD) 是使用这些模型时需要注意的主要免费限制。
  • 虽然图片中显示两个实验性模型的 API 定价为 $0.00，但这通常是暂时的，未来可能会调整。但在 Google AI Studio 中使用它们始终遵循上述免费配额规则。

Read more

前端部署：从开发到生产的最后一公里

前端部署：从开发到生产的最后一公里 毒舌时刻 前端部署？这不是运维的事吗？ "我只负责写代码，部署交给运维"——结果部署失败，互相甩锅， "我直接把文件上传到服务器"——结果更新不及时，缓存问题频发， "我用FTP上传，多简单"——结果文件传丢，网站崩溃。 醒醒吧，前端部署是前端开发的重要环节，不是别人的事！ 为什么你需要这个？ * 快速上线：自动化部署，减少人工操作 * 环境一致性：确保开发、测试、生产环境一致 * 回滚能力：出现问题时可以快速回滚 * 监控和日志：实时监控网站状态和错误 反面教材 # 反面教材：手动部署 # 1. 本地构建 npm run build # 2. 手动上传文件 ftp ftp://example.

Web 服务与 I/O 模型

一、Web 服务介绍 1.1.1 Apache prefork 模型（预派生模式） * 核心机制：主控制进程派生多个独立子进程，使用select模型，最大并发 1024；每个子进程单线程响应用户请求 * 资源特性：占用内存较多，但稳定性极高 * 配置特点：可设置进程数的最大值和最小值 * 适用场景：访问量中等的场景 * 优缺点 * ✅ 优点：极致稳定，故障隔离性好 * ❌ 缺点：每个请求对应一个进程，资源占用高，并发能力弱，不适合高并发场景 1.1.2 Apache worker 模型（多进程 + 多线程混合模式） * 核心机制：主进程启动多个子进程，每个子进程包含固定线程数；线程处理请求，线程不足时新建子进程补充 * 资源特性：相比 prefork 内存占用更少，支持更高并发
一天一个开源项目（第47篇）：Cursor Chat Browser - 浏览和管理 Cursor AI 聊天历史的 Web 应用

一天一个开源项目（第47篇）：Cursor Chat Browser - 浏览和管理 Cursor AI 聊天历史的 Web 应用

引言 “View, search, and export your AI conversations in various formats.” 这是「一天一个开源项目」系列的第 47 篇文章。今天介绍的项目是 Cursor Chat Browser（GitHub）。 使用 Cursor 编辑器进行 AI 编程时，是否遇到过这些问题：想回顾之前的对话却找不到？想搜索某个技术问题的解决方案却无从下手？想导出聊天记录分享给团队却不知道如何操作？Cursor Chat Browser 是一个用于浏览和管理 Cursor 编辑器 AI 聊天历史的 Web 应用，支持查看、搜索和导出你的 AI 对话为 Markdown、HTML、PDF 等多种格式，让你轻松管理和回顾与 AI

Sentry错误上报：AI配置前端监控SDK参数

Sentry错误上报：AI配置前端监控SDK参数 在现代AI驱动的前端应用中，用户与语言模型的每一次交互都可能隐藏着潜在的异常。尤其是当部署像 VibeThinker-1.5B-APP 这类轻量级语言模型用于数学推理和代码生成任务时，看似简单的“提问—响应”流程背后，实则涉及提示词解析、上下文管理、网络通信与运行时环境等多个环节。一旦某个环节出错——比如系统提示词未正确设置、请求超时或输入格式异常——用户体验将直接受损，而开发团队若缺乏有效的可观测手段，则调试过程往往如同盲人摸象。 Sentry 作为业界领先的开源错误追踪平台，其价值不仅体现在捕获 JavaScript 异常上，更在于它能构建完整的上下文链路，帮助我们理解“错误是如何一步步发生的”。但在 AI 场景下，直接套用传统 Web 应用的监控配置已远远不够。如何在保障数据安全的前提下，精准捕获与模型行为强相关的运行时信息？这正是我们需要重新思考的问题。 初始化即防线：Sentry.init() 的智能配置策略 所有监控能力的起点，都始于 Sentry.init()。这个看似普通的初始化函数，实际上是整个前端可观测体系