হোম / গাইড / RAG-এর জন্য বিনামূল্যের LLM API

RAG-এর জন্য বিনামূল্যের LLM API

Retrieval-augmented generation (RAG)-এর জন্য দুটি API লাগে: প্রাসঙ্গিক টেক্সট খুঁজে বের করতে একটি embedding মডেল, আর উত্তর লিখতে একটি চ্যাট মডেল। দুটিই বিনামূল্যের টিয়ারে পাওয়া যায়। FreeLLMAPI 41টি বিনামূল্যের embedding মডেল ও 487টি বিনামূল্যের চ্যাট মডেলের জন্য একটি OpenAI-compatible কী দেয়, প্রোভাইডারদের মধ্যে ফেইলওভার সহ। এই গাইডে প্রতিটি ধাপের বিনামূল্যের মডেল এবং একটি সম্পূর্ণ Python পাইপলাইন দেখানো হয়েছে।

কোড, মডেলের নাম এবং লাইভ ক্যাটালগের লেবেল ইংরেজিতে দেখানো হয়।

বিনামূল্যের টিয়ারে RAG পাইপলাইন

ধাপAPIবিনামূল্যের টিয়ারের উদ্বেগ
1. ডকুমেন্টগুলো চাঙ্কে ভাগ করুনকিছু নেই (লোকাল কোড)কিছু নেই
2. প্রতিটি চাঙ্ক embed করুন/v1/embeddingsশুরুতে অনেক অনুরোধ। কিছু বিনামূল্যের embedding টিয়ার প্রতি মিনিটে 10টি অনুরোধ দেয়।
3. প্রশ্নটি embed করুন/v1/embeddingsপ্রতি প্রশ্নে একটি অনুরোধ
4. সেরা চাঙ্কগুলো খুঁজুনকিছু নেই (লোকাল vector search)কিছু নেই
5. চাঙ্কগুলো রি-র‍্যাংক করুন (ঐচ্ছিক)/v1/chat/completionsপ্রতি প্রশ্নে একটি অতিরিক্ত চ্যাট অনুরোধ
6. উত্তর লিখুন/v1/chat/completionsবড় প্রম্পট। প্রতি মিনিটের টোকেন সীমা প্রযোজ্য।

ধাপ 2 সবচেয়ে ব্যয়বহুল। প্রতিটি ডকুমেন্টের জন্য এটি একবার করুন। ভেক্টরগুলো সংরক্ষণ করুন, এবং পরে শুধু নতুন বা বদলানো ডকুমেন্ট embed করুন।

FreeLLMAPI ও Python প্যাকেজ ইনস্টল করুন

curl -fsSL https://freellmapi.co/install.sh | bash

python3 -m pip install -U openai numpy
export FREELLMAPI_API_KEY=<unified-key>

একটি বিনামূল্যের embedding মডেল বেছে নিন

একটি embedding পরিবার বেছে নিন এবং পুরো ইনডেক্সের জন্য সেটি রাখুন। দুটি মডেলের ভেক্টর সামঞ্জস্যপূর্ণ নয়। FreeLLMAPI মিশ্র ভেক্টর থেকে আপনাকে রক্ষা করে: embedding ফেইলওভার কখনও মডেল বদলায় না। এটি শুধু একই পরিবার সরবরাহকারী প্রোভাইডারদের মধ্যে যায়।

মডেলপ্রোভাইডারডাইমেনশনসর্বোচ্চ ইনপুটবিনামূল্যের সীমা
Gemini Embedding
gemini-embedding-001
Google AI Studio30722048100 rpm · 1K req/day
Nemotron Embed VL 1B
nvidia/llama-nemotron-embed-vl-1b-v2
NVIDIA NIM20488192~40 rpm
Nemotron 3 Embed 1B (OR free)
nvidia/nemotron-3-embed-1b:free
OpenRouter20483276820 rpm · shared free daily cap
SEA-LION E5 Embedding 600M
aisingapore/SEA-LION-E5-Embedding-600M
SEA-LION10248192free · 10 rpm
SEA-LION ModernBERT Embedding 300M
aisingapore/SEA-LION-ModernBERT-Embedding-300M
SEA-LION10248192free · 10 rpm
SEA-LION ModernBERT Embedding 600M
aisingapore/SEA-LION-ModernBERT-Embedding-600M
SEA-LION10248192free · 10 rpm
BGE-M3
@cf/baai/bge-m3
Cloudflare Workers AI1024819210K neurons/day (shared)
EmbeddingGemma 300M
@cf/google/embeddinggemma-300m
Cloudflare Workers AI768204810K neurons/day (shared)
Qwen3 Embedding 0.6B
@cf/qwen/qwen3-embedding-0.6b
Cloudflare Workers AI1024819210K neurons/day (shared)
Cohere Embed v4
embed-v4.0
Cohere15361280001K calls/mo (shared w/ chat)
Gemini Embedding 2
gemini-embedding-2
Google AI Studio30728192free-tier rate limited
Nemotron 3 Embed 1B
nvidia/nemotron-3-embed-1b
NVIDIA NIM20484096~40 rpm
PLaMo Embedding 1B (CF)
@cf/pfnet/plamo-embedding-1b
Cloudflare Workers AI2048409610K neurons/day (shared)
BGE Small EN v1.5 (CF)
@cf/baai/bge-small-en-v1.5
Cloudflare Workers AI38451210K neurons/day (shared)
BGE Base EN v1.5 (CF)
@cf/baai/bge-base-en-v1.5
Cloudflare Workers AI76851210K neurons/day (shared)
BGE Large EN v1.5 (CF)
@cf/baai/bge-large-en-v1.5
Cloudflare Workers AI102451210K neurons/day (shared)
Mistral Embed
mistral-embed
Mistral10248192free mode · monthly cap (shared)
Codestral Embed
codestral-embed
Mistral15368192free mode · monthly cap (shared)
Llama Text Embed v2 (Pinecone)
llama-text-embed-v2
Pinecone102420485M tokens/mo per model
Multilingual E5 Large (Pinecone)
multilingual-e5-large
Pinecone10245075M tokens/mo per model
Nemotron 3 Embed 1B (Speka)
nvidia/nemotron-3-embed-1b
Speka20488192$1/month shared across Speka models
OpenAI: Text Embedding 3 Small (ElectronHub)
text-embedding-3-small
ElectronHub15368192$0.25/week shared free credits
OpenAI: Text Embedding 3 Large (ElectronHub)
text-embedding-3-large
ElectronHub30728192$0.25/week shared free credits
Nemotron 3 Embed 8B (Inferbase)
nvidia-nemotron-3-embed-8b
Inferbase409681925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 0.6B (Inferbase)
qwen3-embedding-0-6b
Inferbase102481925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 4B (Inferbase)
qwen3-embedding-4b
Inferbase256081925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 8B (Inferbase)
qwen3-embedding-8b
Inferbase409681925,000 requests/month; 100 requests and $0.50 usage/day shared
LFM2.5 Embedding 350M (LLMTR)
liquid/lfm-2.5-embedding-350m-free
LLMTR1024512Ongoing zero-price route; provider terms apply
BGE-M3 (SEA-LION)
BAAI/bge-m3
SEA-LION10248192free · 10 rpm
Cohere Embed English v3
embed-english-v3.0
Cohere10245121K calls/mo (shared w/ chat)
Qwen3 Embedding 8B (OVH)
Qwen3-Embedding-8B
OVH AI Endpoints409632768free · anonymous 2 req/min per IP
BGE-M3 (OVH)
bge-m3
OVH AI Endpoints10248192free · anonymous 2 req/min per IP
BGE Multilingual Gemma2 (OVH)
bge-multilingual-gemma2
OVH AI Endpoints35848192free · anonymous 2 req/min per IP
Mistral: Codestral Embed (ElectronHub)
codestral-embed
ElectronHub15368192$0.25/week shared free credits
Mistral: Mistral Embed (ElectronHub)
mistral-embed
ElectronHub10248192$0.25/week shared free credits
Google: Gemini Embedding 2 (ElectronHub)
gemini-embedding-2
ElectronHub30728192$0.25/week shared free credits
Google: Gemini Embedding 001 (ElectronHub)
gemini-embedding-001
ElectronHub30722048$0.25/week shared free credits
OpenAI: Text Embedding Ada 002 (ElectronHub)
text-embedding-ada-002
ElectronHub15368192$0.25/week shared free credits
Cohere Embed English Light v3
embed-english-light-v3.0
Cohere3845121K calls/mo (shared w/ chat)
Cohere Embed Multilingual v3
embed-multilingual-v3.0
Cohere10245121K calls/mo (shared w/ chat)
Cohere Embed Multilingual Light v3
embed-multilingual-light-v3.0
Cohere3845121K calls/mo (shared w/ chat)

FreeLLMAPI ক্যাটালগের লাইভ ডেটা (সংস্করণ 2026.11.19, যাচাই: 2026-11-19)। বিনামূল্যের সীমা প্রায়ই বদলায়। ক্যাটালগ প্রতিদিন যাচাই করা হয়।

  • একটি পরিবারের জন্য একাধিক প্রোভাইডার: bge-m3-এর মতো একটি পরিবার একাধিক প্রোভাইডারে বিনামূল্যে। তাহলে ফেইলওভারের যাওয়ার জায়গা থাকে।
  • সর্বোচ্চ ইনপুট: সর্বোচ্চ ইনপুটের চেয়ে লম্বা চাঙ্ক কেটে যায় বা প্রত্যাখ্যাত হয়। চাঙ্ক এই মানের চেয়ে ছোট করুন।
  • ভাষা: ইংরেজি ছাড়া টেক্সটের জন্য bge-m3-এর মতো বহুভাষিক পরিবার ব্যবহার করুন। নামে -en- থাকা পরিবারগুলো ইংরেজির জন্য।
  • মাত্রা: বড় ভেক্টর বেশি স্টোরেজ নেয়। ছোট ইনডেক্সের জন্য এটি সমস্যা নয়।

Python-এ সম্পূর্ণ RAG কোড

স্ক্রিপ্টটি টেক্সট ফাইলগুলো চাঙ্কে ভাগ করে, ব্যাচে embed করে এবং NumPy দিয়ে ভেক্টর সংরক্ষণ করে। তারপর সেরা চাঙ্কগুলো দিয়ে একটি প্রশ্নের উত্তর দেয় এবং সূত্র দেখায়। কোনো সীমা অনুরোধ থামালে এটি আবার চেষ্টা করে।

rag.py

import json
import os
import pathlib
import time

import numpy as np
import openai
from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:3001/v1",
    api_key=os.environ["FREELLMAPI_API_KEY"],
    max_retries=3,
    timeout=90,
)
EMBED_MODEL = "bge-m3"   # keep one family for the whole index
CHAT_MODEL = "auto"      # or a long-context profile: auto:<profile>
INDEX = pathlib.Path("index")

def with_retry(fn, *args, **kwargs):
    for attempt in range(6):
        try:
            return fn(*args, **kwargs)
        except openai.RateLimitError as err:
            header = err.response.headers.get("retry-after", "")
            time.sleep(min(int(header) if header.isdigit() else 2 ** attempt, 120))
    raise RuntimeError("Rate limited on every provider")

def chunk(text: str, size: int = 1500, overlap: int = 200) -> list[str]:
    step = size - overlap
    return [text[i:i + size] for i in range(0, max(len(text), 1), step)]

def embed(texts: list[str], batch: int = 32) -> np.ndarray:
    out = []
    for i in range(0, len(texts), batch):
        resp = with_retry(client.embeddings.create, model=EMBED_MODEL, input=texts[i:i + batch])
        out.extend(d.embedding for d in resp.data)
    vecs = np.array(out, dtype=np.float32)
    return vecs / np.linalg.norm(vecs, axis=1, keepdims=True)

def build(folder: str) -> None:
    chunks = []
    for path in sorted(pathlib.Path(folder).rglob("*.md")):
        for part in chunk(path.read_text(encoding="utf-8")):
            if part.strip():
                chunks.append({"source": str(path), "text": part})
    INDEX.mkdir(exist_ok=True)
    np.save(INDEX / "vectors.npy", embed([c["text"] for c in chunks]))
    (INDEX / "chunks.json").write_text(json.dumps(chunks))

def answer(question: str, k: int = 5) -> str:
    vecs = np.load(INDEX / "vectors.npy")
    chunks = json.loads((INDEX / "chunks.json").read_text())
    q = embed([question])[0]
    top = np.argsort(vecs @ q)[::-1][:k]
    context = "\n\n".join(f"[{n + 1}] ({chunks[i]['source']})\n{chunks[i]['text']}" for n, i in enumerate(top))
    resp = with_retry(
        client.chat.completions.create,
        model=CHAT_MODEL,
        temperature=0,
        messages=[
            {"role": "system", "content": "Answer only from the sources. Cite them as [1], [2]. If the sources do not answer, say so."},
            {"role": "user", "content": f"Sources:\n{context}\n\nQuestion: {question}"},
        ],
    )
    return resp.choices[0].message.content

if __name__ == "__main__":
    if not (INDEX / "vectors.npy").exists():
        build("docs")
    print(answer("How do I rotate the API keys?"))

কয়েক হাজারের বেশি চাঙ্কের জন্য NumPy অনুসন্ধানের জায়গায় একটি vector database ব্যবহার করুন। embedding ও চ্যাট কল একই থাকে।

ব্যবহারকারীরা প্রায়ই একই প্রশ্ন আবার করেন। FreeLLMAPI একই অনুরোধের জন্য একটি opt-in রেসপন্স ক্যাশ দেয়। ক্যাশ হিট কোনো প্রোভাইডার কোটা ব্যবহার করে না। X-FreeLLM-Cache: on বা off হেডার দিয়ে একটি অনুরোধের জন্য ক্যাশ চালু বা বন্ধ করতে পারেন। temperature=0 ব্যবহার করুন, যাতে একই প্রশ্ন একই অনুরোধ তৈরি করে।

একটি rerank ধাপ যোগ করুন

ভেক্টর অনুসন্ধান অনুরূপ টেক্সট খোঁজে, কিন্তু সেরা চাঙ্কটি সবসময় সেরা উত্তর হয় না। একটি rerank ধাপ প্রার্থীদের আবার সাজায়। FreeLLMAPI ডকুমেন্টে কোনো নির্দিষ্ট rerank এন্ডপয়েন্ট বর্ণনা করা নেই। reranker হিসেবে আপনি একটি দ্রুত চ্যাট মডেল ব্যবহার করতে পারেন। 15টি প্রার্থী আনুন এবং সেরা 5টি রাখুন।

auto:fast দিয়ে LLM রি-র‍্যাংক

def rerank(question: str, candidates: list[str], keep: int = 5) -> list[int]:
    listing = "\n".join(f"{n}: {c[:400]}" for n, c in enumerate(candidates))
    resp = with_retry(
        client.chat.completions.create,
        model="auto:fast",
        temperature=0,
        messages=[{
            "role": "user",
            "content": (
                f"Question: {question}\n\nPassages:\n{listing}\n\n"
                f"Return the numbers of the {keep} most useful passages, best first, "
                "as a JSON list of integers. Return only the list."
            ),
        }],
    )
    try:
        ids = json.loads(resp.choices[0].message.content.strip())
        return [i for i in ids if isinstance(i, int) and 0 <= i < len(candidates)][:keep]
    except (json.JSONDecodeError, AttributeError):
        return list(range(min(keep, len(candidates))))  # fall back to vector order


# Use it in answer(): take 15 candidates, keep the best 5
# top = np.argsort(vecs @ q)[::-1][:15]
# best = rerank(question, [chunks[i]["text"] for i in top])
# top = [top[i] for i in best]

rerank ধাপ প্রতি প্রশ্নে একটি চ্যাট অনুরোধ যোগ করে। আপনার বিনামূল্যের সীমা কম হলে এটি বাদ দিন। ভালো চাঙ্কিং প্রায়ই rerank ধাপের চেয়ে বেশি সাহায্য করে।

দীর্ঘ কনটেক্সট: কখন retrieval লাগে না

আজ 56টি বিনামূল্যের মডেল অফারে 1 মিলিয়ন টোকেন বা তার বেশি কনটেক্সট উইন্ডো আছে। আপনার ডকুমেন্ট ছোট হলে সবগুলো প্রম্পটে পাঠাতে পারেন, এবং vector ইনডেক্স বাদ দিতে পারেন। এটি সহজ, কিন্তু প্রতিটি প্রশ্নে তখন অনেক টোকেন যায়।

সবচেয়ে বড় কনটেক্সট উইন্ডোসহ বিনামূল্যের মডেল
মডেলবিনামূল্যেকনটেক্সটবিনামূল্যের সীমা (সেরা অফার)টুলভিশন
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsনানা
Gemini 3.8 FlashAPINex, Google AI Studio1M5 অনুরোধ/মিনিট
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
হ্যাঁহ্যাঁ
Gemini 3.7 FlashGoogle AI Studio1M10 অনুরোধ/মিনিট
20 অনুরোধ/দিন
250,000 টোকেন/মিনিট
~3M
হ্যাঁহ্যাঁ
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 অনুরোধ/মিনিট
50 অনুরোধ/দিন
Shared rate limit
হ্যাঁনা
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetনানা
Gemini 3.6 FlashGoogle AI Studio1M10 অনুরোধ/মিনিট
20 অনুরোধ/দিন
250,000 টোকেন/মিনিট
~3M
হ্যাঁহ্যাঁ
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary resetনানা
Gemini 3.5 FlashGoogle AI Studio1M10 অনুরোধ/মিনিট
20 অনুরোধ/দিন
250,000 টোকেন/মিনিট
~3M
হ্যাঁহ্যাঁ
DeepSeek V4 ProAPINex, Router91M5 অনুরোধ/মিনিট
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
নানা
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR +আরও 31M200 অনুরোধ/দিন
200 rpd
হ্যাঁনা

মিলে যাওয়া 35টি বিনামূল্যের মডেলের মধ্যে 10টি দেখানো হচ্ছে। সব মডেল দেখুন.

FreeLLMAPI ক্যাটালগের লাইভ ডেটা (সংস্করণ 2026.11.19, যাচাই: 2026-11-19)। বিনামূল্যের সীমা প্রায়ই বদলায়। ক্যাটালগ প্রতিদিন যাচাই করা হয়।

  • দীর্ঘ কনটেক্সট ব্যবহার করুন কয়েকটি ডকুমেন্টের জন্য, পুরো টেক্সট দরকার এমন প্রশ্নের জন্য, অথবা একটি একক প্রতিবেদনের জন্য।
  • retrieval ব্যবহার করুন অনেক ডকুমেন্টের জন্য, ঘন ঘন প্রশ্নের জন্য, অথবা যখন বিনামূল্যের প্রতি মিনিটের টোকেন সীমা কম।
  • দুটো মেলান: 20 বা তার বেশি চাঙ্ক আনুন এবং সেগুলো একটি দীর্ঘ-কনটেক্সট মডেলে পাঠান।

একটি বড় প্রম্পট কম প্রতি-মিনিটের টোকেন সীমার প্রোভাইডারে ব্যর্থ হতে পারে। তখন FreeLLMAPI পরের প্রোভাইডারটি চেষ্টা করে। কোন মডেল বড় প্রম্পট পাবে তা নিয়ন্ত্রণ করতে শুধু দীর্ঘ-কনটেক্সট মডেল নিয়ে একটি ফলব্যাক চেইন প্রোফাইল বানান। এটি auto:<profile> হিসেবে ব্যবহার করুন।

সীমা ও সমস্যা সমাধান

সমস্যাকারণসমাধান
ইনজেস্ট 429-তে থেমে যায়embedding পরিবার সব প্রোভাইডারে সীমায় পৌঁছেছেবড় ব্যাচ ব্যবহার করুন, Retry-After-এর জন্য অপেক্ষা করুন, অংশে অংশে ইনজেস্ট করুন
একটি পরিবর্তনের পর খারাপ ফলইনডেক্সে দুটি পরিবারের ভেক্টর আছেএকটি পরিবার দিয়ে সব চাঙ্ক আবার embed করুন
ইনপুট দৈর্ঘ্য নিয়ে ত্রুটিএকটি চাঙ্ক পরিবারের সর্বোচ্চ ইনপুটের চেয়ে লম্বাছোট চাঙ্ক ব্যবহার করুন
উত্তর সূত্র উপেক্ষা করেমডেল নিজের জ্ঞান থেকে উত্তর দেয়temperature=0 ও একটি কঠোর সিস্টেম প্রম্পট ব্যবহার করুন
উত্তরে কনটেক্সট দৈর্ঘ্যের ত্রুটিঅনেক বা খুব লম্বা চাঙ্কk কমান, অথবা একটি দীর্ঘ-কনটেক্সট প্রোফাইল ব্যবহার করুন
উত্তরের ধরন বদলায়রাউটার অন্য মডেল বেছে নিয়েছেএকটি X-Session-Id হেডার পাঠান, অথবা একটি মডেল স্থির করুন

বিনামূল্যের টিয়ারে কোনো SLA নেই। সবচেয়ে শক্তিশালী মডেলগুলো আগে তাদের দৈনিক সীমায় পৌঁছায়, এবং অনেক সীমা মধ্যরাত UTC-তে রিসেট হয়। আপনার চেইন আসলে যেসব মডেল ব্যবহার করবে, সেগুলো দিয়ে আপনার পাইপলাইন পরীক্ষা করুন।

একটি কী দিয়ে এর প্রতিটি ব্যবহার করুন। FreeLLMAPI একটি ওপেন-সোর্স, নিজের সার্ভারে চালানো রাউটার। এটি এই সব বিনামূল্যের টিয়ার একটি মাত্র OpenAI-সামঞ্জস্যপূর্ণ এন্ডপয়েন্টের পেছনে রাখে এবং কোনো একটির সীমা শেষ হলে অন্যটিতে সরে যায়। ক্যাটালগ ব্রাউজ করুন অথবা শুরু করুন.

সাধারণ প্রশ্ন

RAG-এর জন্য কি বিনামূল্যের API আছে?

হ্যাঁ। কয়েকটি প্রোভাইডারের বিনামূল্যের embedding ও চ্যাট টিয়ার আছে। FreeLLMAPI প্রোভাইডারদের মধ্যে ফেইলওভার সহ একটি OpenAI-compatible কী দিয়ে দুটিই সরবরাহ করে।

RAG-এর জন্য কোন বিনামূল্যের embedding মডেল সবচেয়ে ভালো?

এমন একটি পরিবার বেছে নিন যা একাধিক প্রোভাইডারে বিনামূল্যে এবং আপনার ভাষার সাথে মেলে। বহুভাষিক টেক্সটের জন্য bge-m3 একটি সাধারণ পছন্দ। পুরো ইনডেক্সের জন্য একটি পরিবার রাখুন।

বিনামূল্যের কোনো rerank API কি আছে?

FreeLLMAPI ডকুমেন্টে কোনো rerank এন্ডপয়েন্ট বর্ণনা করা নেই। এই পৃষ্ঠায় দেখানো মতো একটি দ্রুত চ্যাট মডেল দিয়ে rerank করতে পারেন, অথবা rerank ধাপ বাদ দিতে পারেন।

একটি বিনামূল্যের মডেলে 1 মিলিয়ন টোকেন কনটেক্সট থাকলে কি আমার RAG লাগবে?

কয়েকটি ছোট ডকুমেন্টের জন্য লাগবে না। অনেক ডকুমেন্ট বা ঘন ঘন প্রশ্নের জন্য retrieval প্রতি অনুরোধে কম টোকেন পাঠায় এবং বিনামূল্যের সীমার ভেতরে থাকে।

পরে কি embedding মডেল বদলানো যায়?

হ্যাঁ, তবে সব চাঙ্ক আবার embed করতে হবে। দুটি মডেলের ভেক্টর সামঞ্জস্যপূর্ণ নয়, তাই একটি ইনডেক্সে সেগুলো মেশাবেন না।

সম্পর্কিত গাইড

উৎস

সব গাইড · সব বিনামূল্যের মডেল দেখুন