API LLM gratuita con contexto de 1 millón de tokens
Una ventana de contexto larga permite que un modelo lea un libro completo, una base de código grande o horas de transcripciones en una sola solicitud. El catálogo de FreeLLMAPI tiene 56 ofertas de modelos gratuitos con una ventana de contexto de 1 millón de tokens o más. Esta guía muestra estos modelos y los límites del nivel gratuito que determinan cuánto puede enviar realmente.
El código, los nombres de los modelos y las etiquetas del catálogo en vivo se muestran en inglés.
Modelos gratuitos con contexto de más de 1M de tokens hoy
La tabla enumera los modelos gratuitos con una ventana de contexto de al menos 1,000,000 de tokens, del más grande al más pequeño. Los datos proceden del catálogo en vivo. Revise también la columna "Free limits", además del tamaño del contexto.
| Modelo | Gratis en | Contexto | Límites gratuitos (mejor oferta) | Herramientas | Visión |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | No | No |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 solicitudes/min 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | Sí | Sí |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 solicitudes/min 50 solicitudes/día Shared rate limit | Sí | No |
| DeepSeek V4 Flash 0731 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | No | No |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
| GLM 5.2 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | No | No |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
| DeepSeek V4 Pro | APINex, Router9 | 1M | 5 solicitudes/min 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | No | No |
| Nemotron 3 Ultra 550B | Gizmo, Kilo Gateway, LLMTR +3 más | 1M | 200 solicitudes/día 200 rpd | Sí | No |
| Gemini 3.5 Flash Lite | ElectronHub, Google AI Studio | 1M | 15 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
| Gemini 3 Flash Preview | Google AI Studio | 1M | 10 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
| Gemini 3.1 Flash-Lite | DreamPrompting, Google AI Studio | 1M | 100 solicitudes/min 5,000 solicitudes/día 500,000 tokens/día 500K tokens/day · 5,000 req/day | Sí | Sí |
| Gemini 2.5 Flash | DreamPrompting, ElectronHub, Google AI Studio | 1M | 100 solicitudes/min 5,000 solicitudes/día 500,000 tokens/día 500K tokens/day · 5,000 req/day | Sí | Sí |
| Nemotron 3.5 Lightning | ElectronHub, Gizmo, Kilo Gateway +2 más | 1M | 20 solicitudes/min 50 solicitudes/día 50 req/day account-wide (1,000 after a $10 purchase) | Sí | No |
Se muestran 15 de 33 modelos gratuitos que coinciden. Ver todos los modelos.
Datos en vivo del catálogo de FreeLLMAPI (versión 2026.11.19, revisado 2026-11-19). Los límites gratuitos cambian con frecuencia. El catálogo se revisa todos los días.
Los modelos Gemini Flash de Google AI Studio son los modelos gratuitos de 1M de tokens más conocidos. También aceptan imágenes y llamadas a herramientas. Las demás filas proceden de enrutadores gratuitos y de NVIDIA.
El límite real: tokens por minuto
La ventana de contexto es el prompt más grande que el modelo puede leer. El nivel gratuito también tiene un límite de tokens por minuto (TPM). En muchos niveles gratuitos, el límite TPM es menor que la ventana de contexto.
- Ejemplo: una clave gratuita de Gemini Flash de la tabla permite 250,000 tokens por minuto. Un prompt de 800,000 tokens está dentro de la ventana de contexto, pero por encima del límite TPM. El proveedor envía el error 429.
- Solicitudes por día: algunos modelos gratuitos de Gemini permiten solo unas 20 solicitudes al día. Use prompts largos solo para las tareas que los necesitan.
- La salida es aparte: la respuesta tiene su propia longitud máxima. Un contexto de 1M de tokens no da una respuesta de 1M de tokens.
En la práctica, un modelo gratuito de contexto de 1M puede leer unos cientos de miles de tokens en una solicitud. Mida su prompt antes de enviarlo.
Paso 1: Instale FreeLLMAPI y añada claves
FreeLLMAPI es de código abierto. Se ejecuta en su ordenador con Docker. Sus claves de proveedor permanecen en su ordenador.
Instalación (macOS o Linux)
curl -fsSL https://freellmapi.co/install.sh | bashAbra el panel de control en http://localhost:3001. Añada una clave de Google AI Studio en la página Keys. Añada también claves de otros proveedores de la tabla, para que el enrutador tenga otro modelo de contexto largo cuando Google envíe un error 429. Copie su clave unificada de la misma página.
Paso 2: Cuente los tokens y después envíe un documento largo
FreeLLMAPI sirve el método nativo countTokens de Gemini. Úselo para medir el prompt antes de enviarlo.
curl: cuente los tokens con el endpoint nativo de Gemini
curl "http://localhost:3001/v1beta/models/gemini-2.5-flash:countTokens" \
-H "x-goog-api-key: <unified-key>" \
-H "Content-Type: application/json" \
-d '{"contents": [{"role": "user", "parts": [{"text": "Paste the long text here"}]}]}'Python: envíe un archivo largo a un modelo de contexto de 1M
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>", timeout=300)
doc = open("annual-report.txt", encoding="utf-8").read()
print("about", len(doc) // 4, "tokens") # rough rule for English text
resp = client.chat.completions.with_raw_response.create(
model="gemini-2.5-flash", # pin a 1M-context model; "auto" can pick a smaller one
messages=[
{"role": "system", "content": "Answer only from the document. Quote the section you use."},
{"role": "user", "content": doc + "\n\nQuestion: What are the three largest risks?"},
],
max_tokens=4000,
)
print("Routed via:", resp.headers.get("x-routed-via"))
print(resp.parse().choices[0].message.content)Fije un modelo de contexto largo por su id. Con model: "auto", el enrutador puede elegir un modelo con una ventana de contexto menor. Fije un tiempo de espera largo en el cliente, porque los prompts grandes tardan en leerse.
¿Contexto largo o RAG?
| Use contexto largo cuando | Use RAG cuando |
|---|---|
| El documento se lee una vez, por ejemplo un contrato o un informe | Hace muchas preguntas sobre los mismos datos grandes |
| La respuesta necesita el texto completo, por ejemplo un resumen o una comparación de secciones | La respuesta está en unos pocos pasajes breves |
| El texto es menor que el límite TPM de su clave gratuita | Los datos son mayores que cualquier ventana de contexto gratuita o límite TPM |
| Necesita que el modelo vea el orden y la estructura del texto | Necesita que cada solicitud sea pequeña y rápida |
RAG envía solo las partes relevantes de los datos con cada pregunta. Usa menos tokens en los niveles gratuitos. Lea API LLM gratuita para RAG y API gratuita de embeddings para configurarlo.
Errores frecuentes y solución de problemas
- Detalles perdidos: los modelos pueden pasar por alto datos en mitad de un prompt muy largo. Ponga su pregunta después del documento y pida al modelo que cite su fuente.
- Tokens de razonamiento: los modelos Gemini Flash pueden usar tokens de razonamiento ocultos del presupuesto de salida. No fije un
max_tokensmuy pequeño. - Archivos PDF: FreeLLMAPI no convierte archivos PDF, DOCX ni XLSX. Un adjunto binario de documento devuelve el error 400. Primero extraiga el texto y después envíe el texto.
- Limpie el texto: elimine los encabezados y pies de página, y los índices repetidos, antes de enviar un documento. Gastan tokens y no añaden datos.
- Prompts repetidos: cada solicitud envía de nuevo el documento completo. Haga varias preguntas en una sola solicitud cuando sea posible.
| Problema | Causa | Solución |
|---|---|---|
| Error 429 en la primera solicitud larga | El prompt es mayor que el límite TPM | Reduzca el prompt, o use RAG |
| Error 400 sobre la longitud del contexto | La solicitud fue a un modelo con una ventana menor | Fije un id de modelo de la tabla |
| Respuesta vacía o cortada | max_tokens es demasiado pequeño, o el razonamiento lo consumió | Fije un max_tokens mayor |
| Tiempo de espera agotado | El modelo necesita tiempo para leer el prompt | Fije un tiempo de espera del cliente de 300 segundos o más |
Preguntas frecuentes
¿Existe una API LLM gratuita con contexto de 1 millón de tokens?
Sí. Los modelos Gemini Flash del nivel gratuito de Google AI Studio tienen una ventana de contexto de unos 1 millón de tokens. El catálogo de FreeLLMAPI tiene 56 ofertas de modelos gratuitos con 1M o más de tokens.
¿Puedo enviar gratis 1 millón de tokens en una sola solicitud?
Normalmente no. El nivel gratuito de Gemini del catálogo permite 250,000 tokens por minuto, así que un prompt mayor recibe el error 429. Prevea unos cientos de miles de tokens para cada solicitud.
¿Cómo cuento los tokens antes de enviar un prompt?
Llame al método nativo countTokens de Gemini a través de FreeLLMAPI, en /v1beta/models/{model}:countTokens. En texto en inglés, unos 4 caracteres forman un token.
¿Qué LLM gratuito tiene la ventana de contexto más grande?
La tabla de esta página ordena los modelos gratuitos por tamaño de contexto, del más grande al más pequeño. Varios modelos gratuitos llegan a unos 1 millón de tokens. Revise también la columna de límites gratuitos, porque el límite TPM determina el tamaño real de una solicitud.
¿Es mejor el contexto largo que RAG?
El contexto largo es mejor para un documento que se lee una sola vez. RAG es mejor para muchas preguntas sobre datos grandes, porque envía menos tokens cada vez.
Guías relacionadas
- API LLM gratuita para RAG
- API gratuita de embeddings
- free gemini api
- Cuota de la API de Gemini superada (429 RESOURCE_EXHAUSTED)
- Límites de uso de API LLM gratuitas
Fuentes
- FreeLLMAPI docs: Native Gemini API (revisado 20 November 2026)
- FreeLLMAPI docs: Chat completions and routing (revisado 20 November 2026)
- Google AI Studio docs: Thinking (revisado 20 November 2026)
- Gemini Developer API pricing (revisado 20 November 2026)