API LLM gratuite avec un contexte d'un million de tokens
Une longue fenêtre de contexte permet à un modèle de lire un livre entier, une grande base de code ou des heures de transcriptions dans une seule requête. Le catalogue FreeLLMAPI compte 56 offres de modèles gratuits avec une fenêtre de contexte d'un million de tokens ou plus. Ce guide présente ces modèles et les limites des offres gratuites qui déterminent la quantité que vous pouvez réellement envoyer.
Le code, les noms de modèles et les libellés du catalogue en direct sont affichés en anglais.
Modèles gratuits avec un contexte de 1M+ tokens aujourd'hui
Le tableau liste les modèles gratuits avec une fenêtre de contexte d'au moins 1,000,000 tokens, du plus grand au plus petit. Les données proviennent du catalogue en direct. Regardez la colonne « Free limits » en plus de la taille du contexte.
| Modèle | Gratuit sur | Contexte | Limites gratuites (meilleure offre) | Outils | Vision |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | Non | Non |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 req/min 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | Oui | Oui |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 req/min 20 req/jour 250,000 jetons/min ~3M | Oui | Oui |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 req/min 50 req/jour Shared rate limit | Oui | Non |
| DeepSeek V4 Flash 0731 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | Non | Non |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 req/min 20 req/jour 250,000 jetons/min ~3M | Oui | Oui |
| GLM 5.2 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | Non | Non |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 req/min 20 req/jour 250,000 jetons/min ~3M | Oui | Oui |
| DeepSeek V4 Pro | APINex, Router9 | 1M | 5 req/min 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | Non | Non |
| Nemotron 3 Ultra 550B | Gizmo, Kilo Gateway, LLMTR +3 de plus | 1M | 200 req/jour 200 rpd | Oui | Non |
| Gemini 3.5 Flash Lite | ElectronHub, Google AI Studio | 1M | 15 req/min 20 req/jour 250,000 jetons/min ~3M | Oui | Oui |
| Gemini 3 Flash Preview | Google AI Studio | 1M | 10 req/min 20 req/jour 250,000 jetons/min ~3M | Oui | Oui |
| Gemini 3.1 Flash-Lite | DreamPrompting, Google AI Studio | 1M | 100 req/min 5,000 req/jour 500,000 jetons/jour 500K tokens/day · 5,000 req/day | Oui | Oui |
| Gemini 2.5 Flash | DreamPrompting, ElectronHub, Google AI Studio | 1M | 100 req/min 5,000 req/jour 500,000 jetons/jour 500K tokens/day · 5,000 req/day | Oui | Oui |
| Nemotron 3.5 Lightning | ElectronHub, Gizmo, Kilo Gateway +2 de plus | 1M | 20 req/min 50 req/jour 50 req/day account-wide (1,000 after a $10 purchase) | Oui | Non |
Affichage de 15 modèles gratuits sur 33 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.
Les modèles Gemini Flash de Google AI Studio sont les modèles gratuits à 1M tokens les plus connus. Ils acceptent aussi les images et les appels d'outils. Les autres lignes viennent de routeurs gratuits et de NVIDIA.
La vraie limite : les tokens par minute
La fenêtre de contexte est le plus grand prompt que le modèle peut lire. L'offre gratuite a aussi une limite de tokens par minute (TPM). Sur de nombreuses offres gratuites, la limite TPM est plus petite que la fenêtre de contexte.
- Exemple : une clé Gemini Flash gratuite du tableau autorise 250,000 tokens par minute. Un prompt de 800,000 tokens tient dans la fenêtre de contexte, mais dépasse la limite TPM. Le fournisseur renvoie l'erreur 429.
- Requêtes par jour : certains modèles Gemini gratuits n'autorisent qu'environ 20 requêtes par jour. Utilisez les longs prompts pour les tâches qui en ont besoin.
- La sortie est distincte : la réponse a sa propre longueur maximale. Un contexte de 1M tokens ne donne pas une réponse de 1M tokens.
En pratique, un modèle gratuit à contexte de 1M peut donc lire quelques centaines de milliers de tokens dans une seule requête. Mesurez votre prompt avant de l'envoyer.
Étape 1 : installer FreeLLMAPI et ajouter des clés
FreeLLMAPI est open source. Il tourne sur votre ordinateur dans Docker. Vos clés de fournisseurs restent sur votre ordinateur.
Installer (macOS ou Linux)
curl -fsSL https://freellmapi.co/install.sh | bashOuvrez le tableau de bord à l'adresse http://localhost:3001. Ajoutez une clé Google AI Studio sur la page Keys. Ajoutez aussi des clés d'autres fournisseurs du tableau, pour que le routeur dispose d'un autre modèle à long contexte quand Google renvoie une erreur 429. Copiez votre clé unifiée depuis la même page.
Étape 2 : compter les tokens, puis envoyer un long document
FreeLLMAPI sert la méthode native countTokens de Gemini. Utilisez-la pour mesurer le prompt avant de l'envoyer.
curl : compter les tokens avec l'endpoint Gemini natif
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 : envoyer un long fichier à un modèle à contexte 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)Fixez un modèle à long contexte par son identifiant. Avec model: "auto", le routeur peut choisir un modèle à fenêtre de contexte plus petite. Réglez un délai d'attente client long, car les gros prompts prennent du temps à lire.
Long contexte ou RAG ?
| Utilisez le long contexte quand | Utilisez le RAG quand |
|---|---|
| Le document n'est lu qu'une fois, par exemple un contrat ou un rapport | Vous posez de nombreuses questions sur les mêmes grandes données |
| La réponse demande le texte complet, par exemple un résumé ou une comparaison de sections | La réponse se trouve dans quelques passages courts |
| Le texte est plus petit que la limite TPM de votre clé gratuite | Les données sont plus grandes que toute fenêtre de contexte gratuite ou limite TPM |
| Vous avez besoin que le modèle voie l'ordre et la structure du texte | Vous devez garder chaque requête petite et rapide |
Le RAG envoie seulement les parties pertinentes des données avec chaque question. Il utilise moins de tokens sur les offres gratuites. Lisez Free LLM API for RAG et Free embeddings API pour le mettre en place.
Pièges et dépannage
- Détails perdus : les modèles peuvent manquer des faits au milieu d'un prompt très long. Placez votre question après le document, et demandez au modèle de citer sa source.
- Tokens de réflexion : les modèles Gemini Flash peuvent utiliser des tokens de réflexion cachés dans le budget de sortie. Ne définissez pas un
max_tokenstrès petit. - Fichiers PDF : FreeLLMAPI ne convertit pas les fichiers PDF, DOCX ou XLSX. Une pièce jointe binaire renvoie l'erreur 400. Extrayez d'abord le texte, puis envoyez le texte.
- Nettoyez le texte : retirez les en-têtes et pieds de page, ainsi que les tables des matières répétées, avant d'envoyer un document. Ils consomment des tokens sans rien apporter.
- Prompts répétés : chaque requête renvoie tout le document. Posez plusieurs questions dans une même requête quand c'est possible.
| Problème | Cause | Solution |
|---|---|---|
| Erreur 429 sur la première longue requête | Le prompt est plus grand que la limite TPM | Réduisez le prompt, ou utilisez le RAG |
| Erreur 400 sur la longueur du contexte | La requête est allée vers un modèle à fenêtre plus petite | Fixez un identifiant de modèle du tableau |
| Réponse vide ou coupée | max_tokens est trop petit, ou la réflexion l'a consommé | Définissez un max_tokens plus grand |
| Délai d'attente dépassé | Le modèle a besoin de temps pour lire le prompt | Réglez un délai d'attente client de 300 secondes ou plus |
Questions fréquentes
Existe-t-il une API LLM gratuite avec un contexte d'un million de tokens ?
Oui. Les modèles Gemini Flash de l'offre gratuite de Google AI Studio ont une fenêtre de contexte d'environ 1 million de tokens. Le catalogue FreeLLMAPI compte 56 offres de modèles gratuits à 1M tokens ou plus.
Puis-je envoyer 1 million de tokens gratuitement dans une seule requête ?
En général, non. L'offre Gemini gratuite du catalogue autorise 250,000 tokens par minute, donc un prompt plus grand reçoit l'erreur 429. Prévoyez quelques centaines de milliers de tokens pour chaque requête.
Comment compter les tokens avant d'envoyer un prompt ?
Appelez la méthode native countTokens de Gemini via FreeLLMAPI, à l'adresse /v1beta/models/{model}:countTokens. Pour un texte en anglais, environ 4 caractères font un token.
Quel LLM gratuit a la plus grande fenêtre de contexte ?
Le tableau de cette page trie les modèles gratuits par taille de contexte, du plus grand au plus petit. Plusieurs modèles gratuits atteignent environ 1 million de tokens. Lisez aussi la colonne des limites gratuites, car la limite TPM détermine la taille réelle d'une requête.
Le long contexte est-il meilleur que le RAG ?
Le long contexte convient mieux à un document unique que vous lisez une fois. Le RAG convient mieux à de nombreuses questions sur de grandes données, car il envoie moins de tokens à chaque fois.
Guides associés
- API LLM gratuite pour RAG
- API d'embeddings gratuite
- free gemini api
- Quota de l'API Gemini dépassé (429 RESOURCE_EXHAUSTED)
- Limites de débit des API LLM gratuites
Sources
- FreeLLMAPI docs: Native Gemini API (vérifié le 20 November 2026)
- FreeLLMAPI docs: Chat completions and routing (vérifié le 20 November 2026)
- Google AI Studio docs: Thinking (vérifié le 20 November 2026)
- Gemini Developer API pricing (vérifié le 20 November 2026)