Gemini AI through Vertex AI 的付费与查询限制

2026-10-24支付小周

结论

通过 Vertex AI 调用 Gemini 模型时，通常可以按量付费（pay-as-you-go）。费用一般由所选模型及输入、输出的 token 数量决定，部分功能还会按图片、音频、视频或缓存用量计费。

“每分钟最多 60 次查询”并不是所有 Vertex AI Gemini 调用的统一上限。实际限制取决于以下因素：

Google Cloud 项目
模型及模型版本
调用区域
使用的 API 和部署方式
项目当前配额
模型使用固定配额还是 Dynamic Shared Quota
是否购买 Provisioned Throughput

因此，chatbot application 上线前，应以目标项目的 Quotas & System Limits 页面所显示的配额和 API 实际返回的限流信息为准。

付费方式

启用 Google Cloud Billing，并在项目中启用 Vertex AI API 后，通常可以直接按实际用量付费，无需预先购买固定调用套餐。

基本流程如下：

创建或选择 Google Cloud 项目。
为项目关联有效的 Billing Account。
启用 Vertex AI API。
创建具有适当权限的 Service Account，或使用 Application Default Credentials。
调用 Gemini 模型。
通过 Billing Budgets、Usage Reports 和 Cloud Monitoring 监控费用与调用量。

不同 Gemini 模型的价格可能不同，预览版、正式版和多模态能力的计费规则也可能变化。不能只根据模型名称判断费用。上线前，应在 Google Cloud 官方 Vertex AI pricing 页面核对相应模型、区域和输入类型的价格。

按量付费不等于没有容量限制。它表示费用按用量结算，但请求频率、token 吞吐量和共享服务容量仍可能受到限制。

如何确认查询限额

进入 Google Cloud Console，选择 chatbot 实际使用的项目，然后打开：

IAM & Admin → Quotas & System Limits

也可以从 Vertex AI 的相关配额页面进入。筛选时建议检查：

Service: Vertex AI API
Region: chatbot 实际调用的区域
Model: 实际使用的 Gemini 模型

不要只查看“每分钟请求数”。生成式模型常见的限制维度还包括：

Requests per minute
Input tokens per minute
Output tokens per minute
Concurrent requests
每个项目或每个区域的吞吐量
Batch prediction 或其他专项 API 的限制

某些 Gemini 模型使用 Dynamic Shared Quota。在这种模式下，Google 可能不会为项目提供一个简单、固定的“60 RPM”额度。请求能否立即处理还会受到所在区域共享容量的影响。即使控制台没有显示 60 RPM，也仍可能收到 429 Resource Exhausted。

如果业务需要稳定且可预测的吞吐量，可以评估 Provisioned Throughput。它的容量保障方式不同于普通的按量调用，更适合流量稳定或有明确服务等级要求的生产应用，但通常需要单独配置和付费。

Python 调用示例

下面的示例使用 Google Gen AI SDK，通过 Vertex AI 调用 Gemini。模型名称和区域应替换为项目当前实际可用的值：

from google import genai

client = genai.Client(
    vertexai=True,
    project="YOUR_PROJECT_ID",
    location="us-central1",
)

response = client.models.generate_content(
    model="YOUR_GEMINI_MODEL",
    contents="请简要介绍退款流程。",
)

print(response.text)

认证可以使用 Application Default Credentials：

gcloud auth application-default login

在 Cloud Run、GKE 或 Compute Engine 等生产环境中，更适合为运行服务绑定权限最小化的 Service Account，不要保存个人凭据或长期密钥文件。

处理限流和临时容量不足

chatbot 不能假设每次请求都会立即成功。遇到 HTTP 429、503 或短暂的网络错误时，可以采用指数退避并加入随机抖动，避免大量实例同时重试。

import random
import time
from google import genai
from google.api_core.exceptions import ResourceExhausted, ServiceUnavailable

client = genai.Client(
    vertexai=True,
    project="YOUR_PROJECT_ID",
    location="us-central1",
)

def generate_with_retry(prompt, max_attempts=5):
    for attempt in range(max_attempts):
        try:
            return client.models.generate_content(
                model="YOUR_GEMINI_MODEL",
                contents=prompt,
            )
        except (ResourceExhausted, ServiceUnavailable):
            if attempt == max_attempts - 1:
                raise

            delay = min(2 ** attempt, 16) + random.random()
            time.sleep(delay)

response = generate_with_retry("你好，请介绍一下你的功能。")
print(response.text)

具体异常类型取决于 SDK 版本和调用方式。如果使用 REST API，应根据 HTTP 状态码和响应中的错误详情判断是否重试。认证失败、参数错误等 4xx 问题通常不应盲目重试。

Chatbot 集成建议

生产环境至少应采取以下措施：

在应用侧设置每个用户和全局的速率限制。
控制对话历史长度，避免每次请求重复发送过多 token。
合理缓存可复用的系统提示词或结果。
为 429 和 503 设置有限次数的指数退避。
设置请求超时、并发上限和熔断策略。
记录请求次数、token 用量、延迟和错误码。
设置 Billing Budget 和费用告警。
压力测试时使用独立项目，或设置严格的预算保护。
流量较大时可以评估多个区域，但不要把跨区域切换当作绕过配额的方式。

还要区分 Google AI Studio / Gemini Developer API 与 Gemini on Vertex AI。两者可能提供相似的模型，但认证方式、计费账户、配额体系和速率限制并不相同。其他平台文档中的“60 requests per minute”不能直接套用于 Vertex AI 项目。

简而言之，Vertex AI 上的 Gemini 可以按量付费，但没有一个适用于所有项目和模型的统一 60 次/分钟上限。最终应以目标项目、模型和区域对应的配额控制台、官方定价信息及实际错误响应为准。