বিনামূল্যের Vision API
একটি vision API LLM-কে ছবি পড়তে দেয়। আপনি এটিকে একটি ছবির বর্ণনা দিতে, একটি রসিদ পড়তে বা একটি চার্ট ব্যাখ্যা করতে বলতে পারেন। FreeLLMAPI ক্যাটালগে ছবি গ্রহণ করে এমন 78টি বিনামূল্যের মডেল অফার আছে। আপনি স্ট্যান্ডার্ড OpenAI ফরম্যাটে ছবি পাঠান, এবং রাউটার আপনার জন্য একটি vision মডেল বেছে নেয়। এই গাইড মডেল, প্রতিটি প্রোভাইডারের আকারের সীমা এবং কার্যকর কোড দেখায়।
কোড, মডেলের নাম এবং লাইভ ক্যাটালগের লেবেল ইংরেজিতে দেখানো হয়।
ছবি ইনপুট কীভাবে কাজ করে
messages array-তে image_url কনটেন্ট ব্লক হিসেবে ছবি পাঠান। URL হতে পারে base64 বাইটসহ একটি data: URL, অথবা একটি http(s) URL। /v1/chat/completions ব্যবহার করুন। /v1/responses endpoint এখনও ছবি গ্রহণ করে না।
- স্বয়ংক্রিয় রাউটিং: অনুরোধে ছবি থাকলে রাউটার শুধু vision মডেল ব্যবহার করে। ওই অনুরোধের জন্য এটি শুধু-লেখা মডেল বাদ দেয়।
- ফেইলওভার: একটি vision প্রোভাইডার সীমায় পৌঁছালে রাউটার আপনার চেইনের পরের vision মডেল চেষ্টা করে।
- স্পষ্ট ত্রুটি: কোনো vision মডেল সক্রিয় না থাকলে আপনি
code: "no_vision_model"সহ ত্রুটি 422 পান। ছবি কখনও নীরবে বাদ যায় না।
আজকের বিনামূল্যের Vision মডেল
টেবিলে আজকের ক্যাটালগের ছবি ইনপুটসহ সবচেয়ে শক্তিশালী বিনামূল্যের মডেলগুলো দেখানো হয়েছে। ডেটা লাইভ ক্যাটালগ থেকে আসে। একটি সারিতে একই মডেল সেবা দেয় এমন কয়েকটি প্রোভাইডার তালিকাভুক্ত থাকতে পারে।
| মডেল | বিনামূল্যে | কনটেক্সট | বিনামূল্যের সীমা (সেরা অফার) | টুল | ভিশন |
|---|---|---|---|---|---|
| GLM 5.3 Flash | UnoRouter | 1M | 1 অনুরোধ/মিনিট 1 req/min per model | হ্যাঁ | হ্যাঁ |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | হ্যাঁ | হ্যাঁ |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | হ্যাঁ | হ্যাঁ |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | হ্যাঁ | হ্যাঁ |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 অনুরোধ/মিনিট 50 অনুরোধ/দিন 50 req/day account-wide (1,000 after a $10 purchase) | হ্যাঁ | হ্যাঁ |
| Qwen3.8 27B | ElectronHub, Groq | 262K | 30 অনুরোধ/মিনিট 250 অনুরোধ/দিন 70,000 টোকেন/মিনিট ~6M | হ্যাঁ | হ্যাঁ |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | হ্যাঁ | হ্যাঁ |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| Gemini 3.8 Live | Google AI Studio | - | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| Gemini 3.8 Live Extended Thinking | Google AI Studio | - | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| Moondream 3.1 9B A2B | Cloudflare Workers AI, Moondream | 33K | ~10-20M | না | হ্যাঁ |
| Moondream 3 Preview | Moondream | - | $5/month shared workspace usage credits | না | হ্যাঁ |
মিলে যাওয়া 67টি বিনামূল্যের মডেলের মধ্যে 15টি 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।
Gemini মডেল সবচেয়ে বড় কনটেক্সট দেয় এবং অনেক ছবি গ্রহণ করে। Groq ও Cloudflare-এর Qwen 3.8 27B Google-এর বাইরে একটি দ্রুত পছন্দ। Moondream ছবির কাজের জন্য তৈরি, কিন্তু এর আউটপুট 4,096 টোকেনে সীমাবদ্ধ।
ধাপ 1: FreeLLMAPI ইনস্টল করুন এবং কী যোগ করুন
FreeLLMAPI ওপেন সোর্স। এটি Docker-এ আপনার কম্পিউটারে চলে। আপনার প্রোভাইডার কী আপনার কম্পিউটারেই থাকে।
ইনস্টল করুন (macOS বা Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001-এ ড্যাশবোর্ড খুলুন। Keys পেজে একটি Google AI Studio কী এবং আরও একটি কী যোগ করুন। Fallback Chain পেজে vision মডেলের পাশে Vision ব্যাজ থাকে। নিশ্চিত করুন যে কমপক্ষে একটি সক্রিয় আছে। Keys পেজ থেকে আপনার একীভূত কী কপি করুন।
ধাপ 2: একটি ছবি পাঠান
curl: URL থেকে ছবি
curl http://localhost:3001/v1/chat/completions \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{
"model": "auto",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "Describe this image in two sentences."},
{"type": "image_url", "image_url": {"url": "https://upload.wikimedia.org/wikipedia/commons/4/47/PNG_transparency_demonstration_1.png"}}
]
}]
}'Python: base64 হিসেবে স্থানীয় ফাইল
import base64
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
with open("receipt.jpg", "rb") as fh:
b64 = base64.b64encode(fh.read()).decode()
resp = client.chat.completions.with_raw_response.create(
model="auto", # the router selects a vision model
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "List each item and price on this receipt as JSON."},
{"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
],
}],
)
print("Routed via:", resp.headers.get("x-routed-via"))
print(resp.parse().choices[0].message.content)data URL-এ সঠিক MIME ধরন ব্যবহার করুন, উদাহরণস্বরূপ image/png বা image/jpeg। একাধিক ছবি পাঠাতে একই বার্তায় আরও image_url ব্লক যোগ করুন।
প্রোভাইডার অনুযায়ী ছবির সীমা
| প্রোভাইডার | সীমা (সরকারি) | কী করবেন |
|---|---|---|
| Google Gemini | inline ছবিসহ মোট অনুরোধের আকার: 20 MB। ফরম্যাট: PNG, JPEG, WEBP, HEIC, HEIF | পাঠানোর আগে বড় ছবি ছোট করুন |
| Google Gemini | 384x384 পিক্সেল পর্যন্ত একটি ছবির খরচ 258 টোকেন। বড় ছবি 768x768 টাইলে ভাগ হয়, প্রতিটি টাইলের খরচ 258 টোকেন | একটি 960x540 ছবি 6টি টাইল ব্যবহার করে, প্রায় 1,548 টোকেন |
| Groq (Qwen 3.8 27B) | প্রতি অনুরোধে সর্বোচ্চ 3টি ছবি। ছবির URL সহ অনুরোধে সর্বোচ্চ 20 MB | Groq মডেলে সর্বোচ্চ 3টি ছবি পাঠান |
| Moondream | শুধু Base64 data URL। রিমোট ছবির URL সমর্থিত নয় | লিংক নয়, ছবির বাইট পাঠান |
ছবির টোকেন বিনামূল্যের টিয়ারের প্রতি মিনিটের টোকেন সীমায় যোগ হয়। পাঁচটি বড় ছবির একটি অনুরোধ ছোট প্রোভাইডারের সীমার চেয়ে বড় হতে পারে। সূক্ষ্ম বিবরণের প্রয়োজন না থাকলে ছবি ছোট করুন, উদাহরণস্বরূপ দীর্ঘ দিক 1024 পিক্সেল।
ছবির কাজের জন্য কার্যকর প্রম্পট
- প্রতি অনুরোধে একটি কাজ: ছবি সম্পর্কে একটি স্পষ্ট প্রশ্ন করুন। একটি প্রম্পটে কয়েকটি প্রশ্ন দিলে উত্তর ছোট ও কম নির্ভুল হয়।
- কাঠামোযুক্ত আউটপুট: রসিদ ও ফর্মের জন্য আপনি যে ফিল্ড চান তার নাম দিন, উদাহরণস্বরূপ
item,priceওtotal। শুধু JSON চান। - পড়া না যাওয়া মান: মডেলকে বলুন, কোনো মান পড়তে না পারলে
nullলিখতে। তাহলে সে অনুমান করে না। - আগে ক্রপ করুন: ছবিটিকে আপনার প্রয়োজনীয় অংশে কাটুন। ছোট ছবি কম টোকেন ব্যবহার করে এবং ভালো বিবরণ দেয়।
- স্থির উত্তর: তথ্য বের করার কাজের জন্য
temperature0-তে সেট করুন। - সংখ্যা যাচাই করুন: মোট ও তারিখ ছবির সাথে মিলিয়ে দেখুন। Vision মডেল ছোট লেখা ও একই রকম অঙ্ক ভুল পড়তে পারে।
সমস্যা সমাধান
| সমস্যা | কারণ | সমাধান |
|---|---|---|
ত্রুটি 422 no_vision_model | আপনার চেইনে কোনো vision মডেল সক্রিয় নেই | Fallback Chain পেজে Vision ব্যাজসহ একটি মডেল সক্রিয় করুন |
| মডেল বলে যে সে ছবি দেখতে পাচ্ছে না | অনুরোধটি /v1/responses-এ গেছে | /v1/chat/completions ব্যবহার করুন |
| রিমোট URL-এ ত্রুটি 400 | প্রোভাইডার URL ডাউনলোড করতে পারে না | ছবিটি base64 data URL হিসেবে পাঠান |
| বড় ফাইলে ত্রুটি 413 বা 400 | ছবি বা অনুরোধ খুব বড় | ছবি ছোট করুন, অথবা কম ছবি পাঠান |
| ছবির অনুরোধে ত্রুটি 429 | ছবির টোকেন প্রতি মিনিটের টোকেন সীমা ব্যবহার করেছে | ছবি ছোট করুন, অথবা আরও vision প্রোভাইডার থেকে কী যোগ করুন |
সাধারণ প্রশ্ন
বিনামূল্যের কোনো vision API আছে কি?
হ্যাঁ। Google AI Studio, Groq, Cloudflare, NVIDIA, OpenRouter ও অন্য প্রোভাইডার ছবি ইনপুটসহ বিনামূল্যের মডেল দেয়। FreeLLMAPI একটি OpenAI-সামঞ্জস্যপূর্ণ কী-র পেছনে 78টি বিনামূল্যের vision মডেল অফার রাখে।
কীভাবে একটি বিনামূল্যের LLM API-তে ছবি পাঠাব?
ব্যবহারকারীর বার্তায় একটি image_url কনটেন্ট ব্লক যোগ করুন। একটি base64 data URL বা একটি https URL ব্যবহার করুন, এবং /v1/chat/completions-এ পাঠান।
একটি ছবি কত টোকেন ব্যবহার করে?
Gemini-তে 384x384 পিক্সেল বা তার ছোট ছবি 258 টোকেন ব্যবহার করে। বড় ছবি 768x768 টাইলে ভাগ হয়, এবং প্রতিটি টাইল 258 টোকেন ব্যবহার করে।
এক অনুরোধে কি কয়েকটি ছবি পাঠানো যায়?
হ্যাঁ। বার্তায় আরও image_url ব্লক যোগ করুন। কিছু প্রোভাইডার সংখ্যা সীমিত করে। উদাহরণস্বরূপ, Groq Qwen 3.8 27B-তে প্রতি অনুরোধে 3টি ছবি অনুমোদন দেয়।
নথি পড়ার জন্য কোন বিনামূল্যের vision মডেল সবচেয়ে ভালো?
রসিদ, চার্ট ও স্ক্যান করা পাতার জন্য একটি Gemini মডেল ব্যবহার করুন। এর বড় কনটেক্সট উইন্ডো আছে এবং অনেক ছবি গ্রহণ করে। সংখ্যার জন্য উত্তরটি ছবির সাথে মিলিয়ে দেখুন, কারণ vision মডেল ছোট লেখা ভুল পড়তে পারে।
সম্পর্কিত গাইড
উৎস
- FreeLLMAPI docs: Vision and image input (যাচাই: 20 November 2026)
- Google AI Studio docs: Image understanding (যাচাই: 20 November 2026)
- Groq docs: Vision (যাচাই: 20 November 2026)
- Moondream OpenAI-compatible API docs (যাচাই: 20 November 2026)