API رایگان بینایی
API بینایی به یک LLM اجازه میدهد تصویر را بخواند. میتوانید از آن بخواهید یک عکس را توصیف کند، یک رسید را بخواند یا یک نمودار را توضیح دهد. کاتالوگ FreeLLMAPI شامل 78 پیشنهاد مدل رایگان است که تصویر را میپذیرند. تصاویر را با قالب استاندارد OpenAI میفرستید و روتر یک مدل بینایی را برای شما انتخاب میکند. این راهنما مدلها، محدودیتهای اندازه هر ارائهدهنده و کد کارکننده را نشان میدهد.
کد، نام مدلها و برچسبهای زندهٔ کاتالوگ به زبان انگلیسی نمایش داده میشوند.
ورودی تصویر چگونه کار میکند
تصاویر را در آرایه messages به صورت بلوکهای محتوای image_url بفرستید. آدرس میتواند یک URL از نوع data: با بایتهای base64 یا یک آدرس http(s) باشد. از /v1/chat/completions استفاده کنید. نقطه پایانی /v1/responses هنوز تصویر نمیپذیرد.
- مسیریابی خودکار: وقتی یک درخواست تصویر دارد، روتر فقط از مدلهای بینایی استفاده میکند. برای آن درخواست، مدلهای فقط متنی را نادیده میگیرد.
- جایگزینی خودکار: وقتی یک ارائهدهنده بینایی به محدودیت خود برسد، روتر مدل بینایی بعدی زنجیره شما را امتحان میکند.
- خطای روشن: وقتی هیچ مدل بینایی فعال نیست، خطای 422 با
code: "no_vision_model"میگیرید. تصویر هرگز بیصدا حذف نمیشود.
مدلهای بینایی رایگان امروز
جدول قویترین مدلهای رایگان با ورودی تصویر را در کاتالوگ امروز نشان میدهد. دادهها از کاتالوگ زنده میآیند. یک ردیف میتواند چند ارائهدهنده را فهرست کند که همان مدل را ارائه میدهند.
| مدل | رایگان در | متن ورودی | محدودیتهای رایگان (بهترین پیشنهاد) | ابزارها | بینایی |
|---|---|---|---|---|---|
| GLM 5.3 Flash | UnoRouter | 1M | 1 درخواست در دقیقه 1 req/min per model | بله | بله |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | بله | بله |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | بله | بله |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | بله | بله |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 درخواست در دقیقه 50 درخواست در روز 50 req/day account-wide (1,000 after a $10 purchase) | بله | بله |
| Qwen3.8 27B | ElectronHub, Groq | 262K | 30 درخواست در دقیقه 250 درخواست در روز 70,000 توکن در دقیقه ~6M | بله | بله |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | بله | بله |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| Gemini 3.8 Live | Google AI Studio | - | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| Gemini 3.8 Live Extended Thinking | Google AI Studio | - | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| Moondream 3.1 9B A2B | Cloudflare Workers AI, Moondream | 33K | ~10-20M | خیر | بله |
| Moondream 3 Preview | Moondream | - | $5/month shared workspace usage credits | خیر | بله |
نمایش 15 مدل رایگان مطابق از 67 مدل. مشاهده همه مدلها.
دادههای زنده از کاتالوگ FreeLLMAPI (نسخه 2026.11.19، بررسیشده در 2026-11-19). محدودیتهای رایگان اغلب تغییر میکنند. کاتالوگ هر روز بررسی میشود.
مدلهای Gemini بزرگترین متن ورودی را دارند و تصاویر زیادی میپذیرند. Qwen 3.8 27B روی Groq و Cloudflare انتخابی سریع خارج از Google است. Moondream برای کارهای تصویری ساخته شده، اما خروجی آن به 4,096 توکن محدود است.
گام 1: FreeLLMAPI را نصب کنید و کلیدها را اضافه کنید
FreeLLMAPI متنباز است. روی رایانه شما در Docker اجرا میشود. کلیدهای ارائهدهندگان شما روی رایانه شما میمانند.
نصب (macOS یا Linux)
curl -fsSL https://freellmapi.co/install.sh | bashداشبورد را در http://localhost:3001 باز کنید. یک کلید Google AI Studio و یک کلید دیگر را در صفحه Keys اضافه کنید. در صفحه Fallback Chain، مدلهای بینایی نشان Vision دارند. مطمئن شوید حداقل یکی از آنها فعال است. کلید یکپارچه خود را از صفحه Keys کپی کنید.
گام 2: یک تصویر بفرستید
curl: تصویر از یک URL
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: فایل محلی به صورت base64
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)در URL داده، یک MIME type درست استفاده کنید، برای مثال image/png یا image/jpeg. برای فرستادن بیش از یک تصویر، بلوکهای image_url بیشتری به همان پیام اضافه کنید.
محدودیتهای تصویر بر اساس ارائهدهنده
| ارائهدهنده | محدودیت (رسمی) | چه کاری انجام دهید |
|---|---|---|
| Google Gemini | حجم کل درخواست با تصاویر درونخطی: 20 MB. قالبها: PNG، JPEG، WEBP، HEIC، HEIF | عکسهای بزرگ را پیش از ارسال کوچک کنید |
| Google Gemini | تصویری تا 384x384 پیکسل 258 توکن میگیرد. تصاویر بزرگتر به کاشیهای 768x768 تقسیم میشوند که هر کدام 258 توکن دارند | یک تصویر 960x540 از 6 کاشی استفاده میکند، حدود 1,548 توکن |
| Groq (Qwen 3.8 27B) | حداکثر 3 تصویر برای هر درخواست. حداکثر 20 MB برای درخواستی با URL تصویر | حداکثر 3 تصویر به مدلهای Groq بفرستید |
| Moondream | فقط URL های داده base64. URL های تصویر از راه دور پشتیبانی نمیشوند | بایتهای تصویر را بفرستید، نه لینک را |
توکنهای تصویر از محدودیت توکن در دقیقه سطح رایگان حساب میشوند. یک درخواست با پنج تصویر بزرگ میتواند از محدودیت یک ارائهدهنده کوچک بیشتر باشد. وقتی به جزئیات ریز نیاز ندارید، تصاویر را کوچکتر کنید، برای مثال با ضلع بلند 1024 پیکسل.
پرامپتهایی که برای کارهای تصویری کار میکنند
- یک کار برای هر درخواست: یک پرسش روشن درباره تصویر بپرسید. چند پرسش در یک پرامپت، پاسخهای کوتاهتر و دقیقتر کمتری میدهد.
- خروجی ساختاریافته: برای رسیدها و فرمها، فیلدهایی را که میخواهید نام ببرید، برای مثال
item،priceوtotal. فقط JSON بخواهید. - مقادیر ناخوانا: به مدل بگویید وقتی یک مقدار را نمیتواند بخواند،
nullبنویسد. در این صورت حدس نمیزند. - اول برش دهید: تصویر را به بخشی که لازم دارید برش دهید. تصویر کوچکتر توکن کمتری مصرف میکند و جزئیات بهتری میدهد.
- پاسخهای پایدار: برای کارهای استخراج،
temperatureرا روی 0 تنظیم کنید. - عددها را بررسی کنید: جمعها و تاریخها را با تصویر مقایسه کنید. مدلهای بینایی ممکن است متن ریز و رقمهای شبیه به هم را اشتباه بخوانند.
عیبیابی
| مشکل | علت | راهحل |
|---|---|---|
خطای 422 no_vision_model | هیچ مدل بینایی در زنجیره شما فعال نیست | یک مدل با نشان Vision را در صفحه Fallback Chain فعال کنید |
| مدل میگوید که تصویر را نمیبیند | درخواست به /v1/responses رفته است | از /v1/chat/completions استفاده کنید |
| خطای 400 روی یک URL از راه دور | ارائهدهنده نمیتواند URL را دانلود کند | تصویر را به صورت URL داده base64 بفرستید |
| خطای 413 یا 400 روی فایلهای بزرگ | تصویر یا درخواست خیلی بزرگ است | تصویر را کوچکتر کنید، یا تصاویر کمتری بفرستید |
| خطای 429 روی درخواستهای تصویری | توکنهای تصویر از محدودیت توکن در دقیقه استفاده کردهاند | تصاویر را کوچکتر کنید، یا کلیدهای ارائهدهندگان بینایی بیشتر اضافه کنید |
پرسشهای متداول
آیا یک API بینایی رایگان وجود دارد؟
بله. Google AI Studio، Groq، Cloudflare، NVIDIA، OpenRouter و ارائهدهندگان دیگر مدلهای رایگان با ورودی تصویر ارائه میدهند. FreeLLMAPI شامل 78 پیشنهاد مدل بینایی رایگان پشت یک کلید سازگار با OpenAI است.
چگونه یک تصویر را به یک API رایگان LLM بفرستم؟
یک بلوک محتوای image_url به پیام کاربر اضافه کنید. از URL داده base64 یا یک URL از نوع https استفاده کنید و آن را به /v1/chat/completions بفرستید.
یک تصویر چند توکن مصرف میکند؟
در Gemini، تصویری به اندازه 384x384 پیکسل یا کوچکتر، 258 توکن مصرف میکند. تصویر بزرگتر به کاشیهای 768x768 تقسیم میشود و هر کاشی 258 توکن مصرف میکند.
آیا میتوانم چند تصویر را در یک درخواست بفرستم؟
بله. بلوکهای image_url بیشتری به پیام اضافه کنید. برخی ارائهدهندگان تعداد را محدود میکنند. برای مثال، Groq برای هر درخواست روی Qwen 3.8 27B، 3 تصویر مجاز میکند.
کدام مدل بینایی رایگان برای خواندن اسناد بهتر است؟
برای رسیدها، نمودارها و صفحات اسکنشده از یک مدل Gemini استفاده کنید. پنجره متن بزرگی دارد و تصاویر زیادی میپذیرد. پاسخ را برای عددها با تصویر مقایسه کنید، زیرا مدلهای بینایی ممکن است متن ریز را اشتباه بخوانند.
راهنماهای مرتبط
منابع
- FreeLLMAPI docs: Vision and image input (بررسیشده در 20 November 2026)
- Google AI Studio docs: Image understanding (بررسیشده در 20 November 2026)
- Groq docs: Vision (بررسیشده در 20 November 2026)
- Moondream OpenAI-compatible API docs (بررسیشده در 20 November 2026)