Accueil / Guides / API LLM gratuite pour RAG

API LLM gratuite pour RAG

La génération augmentée par récupération (RAG) demande deux API : un modèle d'embeddings pour trouver le texte pertinent, et un modèle de chat pour rédiger la réponse. Les deux sont disponibles dans des offres gratuites. FreeLLMAPI fournit une seule clé compatible OpenAI pour 41 modèles d'embeddings gratuits et 487 modèles de chat gratuits, avec basculement entre fournisseurs. Ce guide présente les modèles gratuits pour chaque étape et un pipeline Python complet.

Le code, les noms de modèles et les libellés du catalogue en direct sont affichés en anglais.

Le pipeline RAG avec les offres gratuites

ÉtapeAPIPoint d'attention sur l'offre gratuite
1. Découper les documents en fragmentsAucune (code local)Aucun
2. Vectoriser chaque fragment/v1/embeddingsBeaucoup de requêtes au départ. Certaines offres d'embeddings gratuites autorisent 10 requêtes par minute.
3. Vectoriser la question/v1/embeddingsUne requête par question
4. Trouver les meilleurs fragmentsAucune (recherche vectorielle locale)Aucun
5. Reclasser les fragments (facultatif)/v1/chat/completionsUne requête de chat supplémentaire par question
6. Rédiger la réponse/v1/chat/completionsPrompts volumineux. Les limites de tokens par minute s'appliquent.

L'étape 2 est l'étape la plus coûteuse. Vous la faites une fois pour chaque document. Conservez les vecteurs, et ne vectorisez ensuite que les documents nouveaux ou modifiés.

Installer FreeLLMAPI et les paquets Python

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

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

Choisir un modèle d'embeddings gratuit

Choisissez une seule famille d'embeddings et gardez-la pour tout l'index. Les vecteurs de deux modèles ne sont pas compatibles. FreeLLMAPI vous protège contre les vecteurs mélangés : le basculement des embeddings ne change jamais de modèle. Il change seulement de fournisseur, parmi ceux qui servent la même famille.

ModèleFournisseurDimensionsEntrée maxLimite gratuite
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)

Données en direct du catalogue FreeLLMAPI (version 2026.11.19, vérifié le 2026-11-19). Les limites gratuites changent souvent. Le catalogue est vérifié chaque jour.

  • Plusieurs fournisseurs pour une famille : une famille comme bge-m3 est gratuite chez plus d'un fournisseur. Le basculement a alors une destination.
  • Entrée maximale : les fragments plus longs que l'entrée maximale sont coupés ou rejetés. Faites des fragments plus petits que cette valeur.
  • Langues : pour un texte qui n'est pas en anglais, utilisez une famille multilingue comme bge-m3. Les familles avec -en- dans le nom sont destinées à l'anglais.
  • Dimensions : les vecteurs plus grands occupent plus de stockage. Pour un petit index, ce n'est pas un problème.

Code RAG complet en Python

Le script découpe les fichiers texte en fragments, vectorise ces fragments par lots et enregistre les vecteurs avec NumPy. Il répond ensuite à une question avec les meilleurs fragments et donne les sources. Il réessaie quand une limite bloque une requête.

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?"))

Au-delà de quelques milliers de fragments, remplacez la recherche NumPy par une base de données vectorielle. Les appels d'embeddings et de chat restent les mêmes.

Les utilisateurs reposent souvent la même question. FreeLLMAPI dispose d'un cache de réponses facultatif pour les requêtes identiques. Un succès de cache n'utilise aucun quota de fournisseur. Vous pouvez activer ou désactiver le cache pour une requête avec l'en-tête X-FreeLLM-Cache: on ou off. Utilisez temperature=0, pour que la même question donne la même requête.

Ajouter une étape de rerank

La recherche vectorielle trouve des textes similaires, mais le meilleur fragment n'est pas toujours la meilleure réponse. Une étape de rerank classe à nouveau les candidats. La documentation de FreeLLMAPI ne décrit pas d'endpoint de rerank dédié. Vous pouvez utiliser un modèle de chat rapide comme reranker. Récupérez 15 candidats et gardez les 5 meilleurs.

Rerank par LLM avec auto:fast

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]

L'étape de rerank ajoute une requête de chat par question. Si vos limites gratuites sont serrées, passez-la. Un meilleur découpage aide souvent davantage qu'une étape de rerank.

Long contexte : quand la récupération n'est pas nécessaire

Aujourd'hui, 56 offres de modèles gratuits ont une fenêtre de contexte d'un million de tokens ou plus. Si vos documents sont petits, vous pouvez tous les envoyer dans le prompt et ignorer l'index vectoriel. C'est plus simple, mais chaque question envoie alors beaucoup de tokens.

Modèles gratuits avec les plus grandes fenêtres de contexte
ModèleGratuit surContexteLimites gratuites (meilleure offre)OutilsVision
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsNonNon
Gemini 3.8 FlashAPINex, Google AI Studio1M5 req/min
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
OuiOui
Gemini 3.7 FlashGoogle AI Studio1M10 req/min
20 req/jour
250,000 jetons/min
~3M
OuiOui
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 req/min
50 req/jour
Shared rate limit
OuiNon
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetNonNon
Gemini 3.6 FlashGoogle AI Studio1M10 req/min
20 req/jour
250,000 jetons/min
~3M
OuiOui
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary resetNonNon
Gemini 3.5 FlashGoogle AI Studio1M10 req/min
20 req/jour
250,000 jetons/min
~3M
OuiOui
DeepSeek V4 ProAPINex, Router91M5 req/min
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
NonNon
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR +3 de plus1M200 req/jour
200 rpd
OuiNon

Affichage de 10 modèles gratuits sur 35 correspondants. Voir tous les modèles.

Données en direct du catalogue FreeLLMAPI (version 2026.11.19, vérifié le 2026-11-19). Les limites gratuites changent souvent. Le catalogue est vérifié chaque jour.

  • Utilisez le long contexte pour quelques documents, pour les questions qui demandent le texte complet, ou pour un rapport unique.
  • Utilisez la récupération pour de nombreux documents, pour les questions fréquentes, ou quand les limites gratuites de tokens par minute sont basses.
  • Combinez les deux : récupérez 20 fragments ou plus et envoyez-les à un modèle à long contexte.

Un prompt volumineux peut échouer chez un fournisseur dont la limite de tokens par minute est basse. FreeLLMAPI essaie alors le fournisseur suivant. Pour contrôler quels modèles reçoivent les gros prompts, créez un profil de chaîne de repli avec uniquement des modèles à long contexte. Utilisez-le sous la forme auto:<profile>.

Limites et dépannage

ProblèmeCauseSolution
L'ingestion s'arrête avec 429La famille d'embeddings a atteint sa limite chez tous les fournisseursUtilisez des lots plus grands, attendez Retry-After, ingérez par parties
Mauvais résultats après un changementL'index contient des vecteurs de deux famillesVectorisez à nouveau tous les fragments avec une seule famille
Erreur sur la longueur de l'entréeUn fragment est plus long que l'entrée maximale de la familleUtilisez des fragments plus petits
La réponse ignore les sourcesLe modèle répond à partir de ses propres connaissancesUtilisez temperature=0 et un prompt système strict
Erreur de longueur de contexte sur la réponseTrop de fragments, ou des fragments trop longsBaissez k ou utilisez un profil à long contexte
Le style des réponses changeLe routeur a choisi un autre modèleEnvoyez un en-tête X-Session-Id ou fixez un modèle

Les offres gratuites n'ont pas de SLA. Les modèles les plus performants atteignent d'abord leurs limites quotidiennes, et de nombreuses limites se remettent à zéro à minuit UTC. Testez votre pipeline avec les modèles que votre chaîne utilisera réellement.

Utilisez chacun de ces modèles avec une seule clé. FreeLLMAPI est un routeur open source auto-hébergé. Il place toutes ces offres gratuites derrière un seul point de terminaison compatible OpenAI, et bascule vers une autre offre lorsqu'une limite de débit est atteinte. Parcourir le catalogue ou passer en production.

Questions fréquentes

Existe-t-il une API gratuite pour le RAG ?

Oui. Plusieurs fournisseurs proposent des offres gratuites d'embeddings et de chat. FreeLLMAPI sert les deux avec une seule clé compatible OpenAI, avec basculement entre fournisseurs.

Quel modèle d'embeddings gratuit est le meilleur pour le RAG ?

Choisissez une famille gratuite chez plusieurs fournisseurs et adaptée à vos langues. Pour un texte multilingue, bge-m3 est un choix courant. Gardez une seule famille pour tout l'index.

Existe-t-il une API de rerank gratuite ?

La documentation de FreeLLMAPI ne décrit pas d'endpoint de rerank. Vous pouvez reclasser avec un modèle de chat rapide, comme indiqué sur cette page, ou passer l'étape de rerank.

Ai-je besoin du RAG si un modèle gratuit a 1 million de tokens de contexte ?

Pas pour quelques petits documents. Pour de nombreux documents ou des questions fréquentes, la récupération envoie moins de tokens par requête et reste dans les limites gratuites.

Puis-je changer de modèle d'embeddings plus tard ?

Oui, mais vous devez alors vectoriser à nouveau tous les fragments. Les vecteurs de deux modèles ne sont pas compatibles, ne les mélangez donc pas dans un même index.

Guides associés

Sources

Tous les guides · Parcourir tous les modèles gratuits