Google API 每分钟狂跑 320 亿 Token：谁在消耗这些算力？

作者注：本文解读 Alphabet 2026 年第三季度财报中“第一方模型 API 每分钟处理近 320 亿 Token”的披露，并区分哪些结论已有数据支撑，哪些目前仍属未知。

2026 年 10 月 28 日（美国时间），Alphabet 发布第三季度财报。CEO Sundar Pichai 在讲话中给出一个数字：Google 第一方模型 API 每分钟处理近 320 亿 Token，比上一季度披露值增长约 40%，是一年前的 4 倍以上。

这不是坊间估算，原话来自 Google 官方博客的 CEO 财报讲话：“Our first-party model APIs are now processing nearly 32 billion tokens per minute”。不过这个数字很容易被误读，比如当成 320 亿次调用，或者当成 Gemini App 的用量，这两种理解都不对。

核心价值：3 分钟看懂 Google API 320 亿 Token 的统计口径、增长曲线，以及开发者、企业客户和 Agent 场景各自在哪里消耗这些算力。

Google API 320 亿 Token 核心信息速览

先把新闻事实放在一张表里，后面的分析都从这些已披露的信息出发。

Google API 320 亿 Token 的统计口径边界

理解这条新闻，首先要分清几个经常被混在一起的指标。320 亿是 Token 数量，不是 API 请求次数，一次长文档分析请求就可能包含几十万 Token。它也是 10 月 28 日描述的当前处理速率，并不是整个第三季度的平均值。

财报和电话会还提到了开发者人数、企业席位、Gemini Enterprise 用量等数据。这些指标口径各不相同，不能相加，也不能互相推算。

还有一点要特别说明：这一数字不能用来声称 Gemini App 每分钟消耗 320 亿 Token。App、Search、企业席位和 API Token 是不同的业务线和指标。

Google API Token 吞吐量增长时间线

把过去几次公开披露串起来，曲线的陡峭程度比单个数字更能说明问题。

如果直接用 220 亿和 320 亿计算，增幅约为 45.5%。但两个数值都是近似值（“约”“近”），所以应以 Google 官方表述的“约 40%”为准，这并不代表官方算错了。

320 亿 Token/分钟 的数量级换算

为了直观感受规模，下面按恒定速率做一次数学换算。需要强调，日、月数据只是假设条件下的计算结果，不是 Google 披露的实际用量。

• 每秒：约 5.33 亿 Token
• 每小时：约 1.92 万亿 Token
• 假设持续 24 小时：约 46.08 万亿 Token
• 假设持续 30 天：约 1382.4 万亿 Token

谁在消耗 Google API 320 亿 Token

这正是标题提出的问题。根据 Google 已公开的信息，可以确认三类重要使用者，但没有任何一类的精确占比被公开。

第一类：Google API 开发者生态

Q2 财报显示，每月超过 900 万名开发者通过 Google 模型 API 及主要开发者产品构建应用。这个数字说明潜在开发群体非常庞大，但它不等于 900 万付费客户，也不意味着每位开发者都直接调用 Gemini API。

同一时期，Antigravity 智能体开发平台已有超过 240 万周活跃用户。开发者消耗 Token 的场景大致包括：

• 编程与软件开发：阅读代码仓库、重构代码、生成测试、定位错误，以及编程 Agent 的循环调用
• AI 应用开发：网站和 App 里的聊天机器人、客服自动化、企业内部搜索、PDF 与长文档分析
• 智能体工作流：任务规划、调用外部工具、读取工具结果、修正错误、执行后续步骤

第二类：Gemini Enterprise 企业客户

Google Cloud CEO Thomas Kurian 在 Q3 电话会上给出了企业端数据。过去 12 个月，超过 2600 家客户在 Gemini Enterprise 上使用至少 1000 亿 Token，其中约 75 家使用至少 10 万亿 Token；接近 90% 的财富 100 强企业在使用 Gemini Enterprise。

另一个值得注意的信号是支出增长：2025 年 Q3 就已使用 Gemini Enterprise 的客户，在 2026 年 Q3 的支出同比增长超过 4 倍。这说明企业 AI 正在从小规模试用走向规模化部署。不过 Gemini Enterprise 用量与第一方模型 API 的 320 亿 Token 属于不同口径，不能假定这 2600 家客户贡献了其中大部分。

第三类：行业 Agent 与复杂业务流程

Google 在电话会和 Cloud 博客中披露了多个行业部署案例。以下效果数据均来自 Google 官方披露，并非独立第三方验证，Google 也没有公开这些企业各自消耗了多少 Token。

这些案例的共同点是：模型不再只用于聊天，而是嵌入生产安全、供应链、购物决策和数据分析等真实流程。Ulta Beauty 的 3 倍是购物助手的转化率，不能理解为整体销售额增长 3 倍。

多模态：Google API Token 的另一个放大器

文本问答、合同审查、整个代码仓库分析、图片和视频理解、语音转写，这些场景的 Token 消耗结构差别很大。图片数量、视频时长和文件大小，都不能直接按普通文本字数换算 Token。

Google 没有公开 320 亿 Token 在文本、图像、视频、音频之间的分配，也没有说明其中多少是输入、多少是输出、多少来自模型的内部思考过程。

为什么 Agent 会放大 Google API Token 消耗

一次普通聊天可能只有一轮输入输出。编程 Agent 完成一个任务，则可能依次经历读取文件、分析问题、修改代码、执行测试、读取报错、再次修改、再次测试。每一步都可能调用模型，而且通常要把前面积累的上下文重新带入。

所以“Agent 是重要的潜在需求来源”是有依据的机制分析，但“Agent 贡献了 320 亿 Token 中的大部分”没有公开数据支持。写作和决策时，需要把这两种说法分开。

用代码观察 Agent 的 Token 累积

想直观理解这一点，最简单的方法是记录每一轮调用返回的 usage 字段。下面的例子模拟一个多轮修正流程，并打印每一步的输入、输出 Token：

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

messages = [{"role": "user", "content": "写一个计算斐波那契数列的 Python 函数"}]
resp = client.chat.completions.create(model="YOUR_GEMINI_MODEL", messages=messages)
print(resp.usage.prompt_tokens, resp.usage.completion_tokens)

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

MODEL = "YOUR_GEMINI_MODEL"  # 替换为平台模型列表中的 Gemini 模型名称

steps = [
    "写一个计算斐波那契数列的 Python 函数",
    "为这个函数补充单元测试",
    "测试报错：输入负数时没有处理，请修复",
    "再检查一遍边界条件并给出最终版本",
]

messages = [{"role": "system", "content": "你是一个严谨的编程助手"}]
total_in, total_out = 0, 0

for i, step in enumerate(steps, 1):
    messages.append({"role": "user", "content": step})
    resp = client.chat.completions.create(model=MODEL, messages=messages)
    reply = resp.choices[0].message.content
    messages.append({"role": "assistant", "content": reply})

    usage = resp.usage
    total_in += usage.prompt_tokens
    total_out += usage.completion_tokens
    print(f"第 {i} 步：输入 {usage.prompt_tokens}，输出 {usage.completion_tokens}")

print(f"累计输入 {total_in}，累计输出 {total_out}")

运行后会发现，每一轮的输入 Token 都会因为历史上下文而增加。这就是 Agent 工作流 Token 结构比单次问答复杂得多的原因。

🚀 快速上手建议：想亲自测量不同模型在 Agent 循环中的 Token 曲线，可以在 API易 apiyi.com 注册获取免费测试额度，用同一个 API Key 切换 Gemini、Claude、GPT 等模型，对比相同任务的 Token 消耗。

Google API 320 亿 Token 的影响分析

对开发者的影响

• 成本结构从“按次”转向“按链路”：Agent 任务的成本取决于循环轮数和上下文长度，开发者需要在设计阶段就做 Token 预算，比如裁剪历史上下文、缓存不变内容
• 模型梯度选择更重要：高性能模型和经济型模型并存，复杂规划交给强模型、批量分类交给经济模型，是控制费用的常见做法
• 多模态计费需单独评估：图片、视频、音频的 Token 计算方式与文本不同，上线前应先用真实样本测量

💡 选择建议：同一任务在不同模型上的 Token 消耗和效果差异可能很大。建议通过 API易 apiyi.com 用统一接口跑一遍真实样本，再决定生产环境的模型组合。

对行业与 Google Cloud 的影响

Kurian 在电话会上特别解释：企业建设 Agent 时，除了调用模型，往往还需要计算资源、存储 Agent 记忆的服务，以及为 Agent 提供上下文的数据库。因此模型采用也可能带动云业务其他产品增长。

需要强调两点。307 亿美元是整个 Google Cloud 的收入，不是 Gemini API 收入。也不能用 320 亿 Token 乘以公开 API 价格去估算 Google 的 API 收入，因为模型分布未公开，各模型价格不同，企业客户还可能享有批处理、缓存、专属合同和折扣。

一个容易踩的时间陷阱

Alphabet Q3 的财务统计周期是 2026 年 7 月 1 日到 9 月 30 日；Gemini 4 Argon 于 2026 年 10 月 13 日正式推出；320 亿 Token/分钟 在 10 月 28 日披露。所以不能把 320 亿视为第三季度平均速率，更不能说整个 Q3 的 API 增长主要由 10 月才发布的 Argon 驱动。比较稳妥的说法是：Argon 的发布与 320 亿 Token 里程碑，共同体现了 Google 在 2026 年 10 月的模型与商业进展。

常见问题 FAQ

Google API 320 亿 Token 核心要点 Key Takeaways

• 核心数字：第一方模型 API 每分钟处理近 320 亿 Token，同比 4 倍以上
• 增长曲线：从约 100 亿到近 320 亿，用了大约一年时间
• 三类使用者：开发者生态、Gemini Enterprise 企业客户、行业 Agent 部署
• Agent 机制：多轮循环和上下文累积，让单个任务的 Token 消耗成倍放大
• 口径边界：Token、请求数、席位、开发者人数、Cloud 收入不能混用或相加
• 最大未知：Google 尚未披露 320 亿 Token 的客户与场景构成比例
• 实测建议：用 API易 apiyi.com 的统一接口测量自身业务的真实 Token 曲线

总结

Google API 320 亿 Token/分钟 这条新闻的核心要点：

1. 规模在快速扩大：一年 4 倍以上的增长，说明模型调用正在从试用走向规模化
2. 需求来源已可识别：开发者、企业客户和行业 Agent 都是真实存在的高用量群体
3. 占比仍然未知：Google 没有公开分项数据，这是对数据边界的准确认识，而不是信息缺失
4. 商业价值待观察：真正值得持续关注的，是这些调用中有多少能变成持续、可盈利的企业应用

对开发者来说，这条新闻最直接的启示是：Agent 和多模态会让 Token 预算变得更重要，模型选择和上下文管理需要尽早纳入架构设计。推荐通过 API易 apiyi.com 用一个 API Key 对比多个主流模型的效果和消耗，再决定适合自己的方案。

📚 参考资料

1. Alphabet Q3 2026 财报（SEC）：财务数据原始来源
2. 链接： sec.gov/Archives/edgar/data/1652044/000165204426000080/googexhibit991q32026.htm

3. 说明： 收入、Google Cloud 收入与营业利润

4. Google CEO Q3 2026 财报讲话：320 亿 Token/分钟 原始表述

5. 链接： blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q3-2026/

6. 说明： 核心数字与官方增长口径

7. Alphabet Q3 2026 电话会实录：企业客户数据与案例

8. 链接： fool.com/earnings/call-transcripts/2026/10/29/alphabet-googl-q3-2026-earnings-call-transcript/

9. 说明： Thomas Kurian 披露的 Gemini Enterprise 数据

10. Google CEO Q2 2026 财报讲话：开发者与 220 亿 Token 数据

11. 链接： blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q2-2026/

12. 说明： 900 万月活开发者、Antigravity 周活数据

13. Google CEO Q1 2026 财报讲话：160 亿 Token 数据

14. 链接： blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q1-2026/

15. 说明： 增长时间线节点

16. Google 2026 年 6 月投资者介绍材料：190 亿 Token 与开发者工具用量

17. 链接： blog.google/alphabet/investor-presentation-june-2026/

18. 说明： 开发者工具每天超过 3 万亿 Token

19. Google Cloud：Gemini at Work 2026：企业 Agent 客户案例

20. 链接： cloud.google.com/blog/products/ai-machine-learning/welcome-to-gemini-at-work-2026
21. 说明： Hitachi 等企业部署案例

作者: APIYI 技术团队
技术交流: 欢迎在 API易官网首页联系我们，更多接入资料可访问 docs.apiyi.com 文档中心

延伸阅读

• Gemini 缓存命中率低的 5 大原因：AI Studio 与 Vertex 缓存计费界定详解:为什么 Gemini 文本模型的缓存命中率远低于 OpenAI 和 Claude？本文基于官方文档，拆解隐式缓存与显式缓存、最低 token 门槛、Vertex 项目隔离，并讲清 AI Studio 与 Vertex 的缓存计费界定与核账方法。