RAG માટે મફત LLM API
Retrieval-augmented generation (RAG) ને બે APIs જોઈએ છે: સંબંધિત લખાણ શોધવા માટે એક embedding મૉડેલ, અને જવાબ લખવા માટે એક chat મૉડેલ. બંને મફત ટિયર પર ઉપલબ્ધ છે. FreeLLMAPI 41 મફત embedding મૉડેલો અને 487 મફત chat મૉડેલો માટે એક OpenAI-compatible key આપે છે, providers વચ્ચે failover સાથે. આ માર્ગદર્શિકા દરેક પગલા માટે મફત મૉડેલો અને સંપૂર્ણ Python pipeline બતાવે છે.
કોડ, મૉડેલ નામ અને લાઇવ કૅટલૉગ લેબલ અંગ્રેજીમાં બતાવવામાં આવે છે.
મફત ટિયર પર RAG pipeline
| પગલું | API | મફત ટિયરની ચિંતા |
|---|---|---|
| 1. દસ્તાવેજોને chunks માં વિભાજિત કરો | કોઈ નહીં (સ્થાનિક કોડ) | કોઈ નહીં |
| 2. દરેક chunk ને embed કરો | /v1/embeddings | શરૂઆતમાં ઘણી વિનંતીઓ. કેટલાક મફત embedding ટિયર પ્રતિ મિનિટ 10 વિનંતીઓ આપે છે. |
| 3. પ્રશ્નને embed કરો | /v1/embeddings | દરેક પ્રશ્ન દીઠ એક વિનંતી |
| 4. ટોચના chunks શોધો | કોઈ નહીં (સ્થાનિક vector search) | કોઈ નહીં |
| 5. chunks ને rerank કરો (વૈકલ્પિક) | /v1/chat/completions | દરેક પ્રશ્ન દીઠ એક વધારાની chat વિનંતી |
| 6. જવાબ લખો | /v1/chat/completions | મોટા prompts. પ્રતિ મિનિટ tokens ની મર્યાદા લાગુ પડે છે. |
પગલું 2 સૌથી મોંઘું પગલું છે. તે દરેક દસ્તાવેજ માટે એક વાર કરો. vectors સાચવો, અને પછી ફક્ત નવા અથવા બદલાયેલા દસ્તાવેજોને embed કરો.
FreeLLMAPI અને Python packages ઇન્સ્ટૉલ કરો
curl -fsSL https://freellmapi.co/install.sh | bash
python3 -m pip install -U openai numpy
export FREELLMAPI_API_KEY=<unified-key>મફત embedding મૉડેલ પસંદ કરો
એક embedding family પસંદ કરો અને તેને આખા index માટે રાખો. બે મૉડેલોના vectors સુસંગત નથી. FreeLLMAPI મિશ્ર vectors સામે તમારું રક્ષણ કરે છે: embedding failover ક્યારેય મૉડેલ બદલતું નથી. તે ફક્ત એ જ family ની સેવા આપતા providers વચ્ચે જાય છે.
| મૉડેલ | પ્રદાતા | પરિમાણો | મહત્તમ ઇનપુટ | મફત મર્યાદા |
|---|---|---|---|---|
Gemini Embeddinggemini-embedding-001 | Google AI Studio | 3072 | 2048 | 100 rpm · 1K req/day |
Nemotron Embed VL 1Bnvidia/llama-nemotron-embed-vl-1b-v2 | NVIDIA NIM | 2048 | 8192 | ~40 rpm |
Nemotron 3 Embed 1B (OR free)nvidia/nemotron-3-embed-1b:free | OpenRouter | 2048 | 32768 | 20 rpm · shared free daily cap |
SEA-LION E5 Embedding 600Maisingapore/SEA-LION-E5-Embedding-600M | SEA-LION | 1024 | 8192 | free · 10 rpm |
SEA-LION ModernBERT Embedding 300Maisingapore/SEA-LION-ModernBERT-Embedding-300M | SEA-LION | 1024 | 8192 | free · 10 rpm |
SEA-LION ModernBERT Embedding 600Maisingapore/SEA-LION-ModernBERT-Embedding-600M | SEA-LION | 1024 | 8192 | free · 10 rpm |
BGE-M3@cf/baai/bge-m3 | Cloudflare Workers AI | 1024 | 8192 | 10K neurons/day (shared) |
EmbeddingGemma 300M@cf/google/embeddinggemma-300m | Cloudflare Workers AI | 768 | 2048 | 10K neurons/day (shared) |
Qwen3 Embedding 0.6B@cf/qwen/qwen3-embedding-0.6b | Cloudflare Workers AI | 1024 | 8192 | 10K neurons/day (shared) |
Cohere Embed v4embed-v4.0 | Cohere | 1536 | 128000 | 1K calls/mo (shared w/ chat) |
Gemini Embedding 2gemini-embedding-2 | Google AI Studio | 3072 | 8192 | free-tier rate limited |
Nemotron 3 Embed 1Bnvidia/nemotron-3-embed-1b | NVIDIA NIM | 2048 | 4096 | ~40 rpm |
PLaMo Embedding 1B (CF)@cf/pfnet/plamo-embedding-1b | Cloudflare Workers AI | 2048 | 4096 | 10K neurons/day (shared) |
BGE Small EN v1.5 (CF)@cf/baai/bge-small-en-v1.5 | Cloudflare Workers AI | 384 | 512 | 10K neurons/day (shared) |
BGE Base EN v1.5 (CF)@cf/baai/bge-base-en-v1.5 | Cloudflare Workers AI | 768 | 512 | 10K neurons/day (shared) |
BGE Large EN v1.5 (CF)@cf/baai/bge-large-en-v1.5 | Cloudflare Workers AI | 1024 | 512 | 10K neurons/day (shared) |
Mistral Embedmistral-embed | Mistral | 1024 | 8192 | free mode · monthly cap (shared) |
Codestral Embedcodestral-embed | Mistral | 1536 | 8192 | free mode · monthly cap (shared) |
Llama Text Embed v2 (Pinecone)llama-text-embed-v2 | Pinecone | 1024 | 2048 | 5M tokens/mo per model |
Multilingual E5 Large (Pinecone)multilingual-e5-large | Pinecone | 1024 | 507 | 5M tokens/mo per model |
Nemotron 3 Embed 1B (Speka)nvidia/nemotron-3-embed-1b | Speka | 2048 | 8192 | $1/month shared across Speka models |
OpenAI: Text Embedding 3 Small (ElectronHub)text-embedding-3-small | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
OpenAI: Text Embedding 3 Large (ElectronHub)text-embedding-3-large | ElectronHub | 3072 | 8192 | $0.25/week shared free credits |
Nemotron 3 Embed 8B (Inferbase)nvidia-nemotron-3-embed-8b | Inferbase | 4096 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 0.6B (Inferbase)qwen3-embedding-0-6b | Inferbase | 1024 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 4B (Inferbase)qwen3-embedding-4b | Inferbase | 2560 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 8B (Inferbase)qwen3-embedding-8b | Inferbase | 4096 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
LFM2.5 Embedding 350M (LLMTR)liquid/lfm-2.5-embedding-350m-free | LLMTR | 1024 | 512 | Ongoing zero-price route; provider terms apply |
BGE-M3 (SEA-LION)BAAI/bge-m3 | SEA-LION | 1024 | 8192 | free · 10 rpm |
Cohere Embed English v3embed-english-v3.0 | Cohere | 1024 | 512 | 1K calls/mo (shared w/ chat) |
Qwen3 Embedding 8B (OVH)Qwen3-Embedding-8B | OVH AI Endpoints | 4096 | 32768 | free · anonymous 2 req/min per IP |
BGE-M3 (OVH)bge-m3 | OVH AI Endpoints | 1024 | 8192 | free · anonymous 2 req/min per IP |
BGE Multilingual Gemma2 (OVH)bge-multilingual-gemma2 | OVH AI Endpoints | 3584 | 8192 | free · anonymous 2 req/min per IP |
Mistral: Codestral Embed (ElectronHub)codestral-embed | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
Mistral: Mistral Embed (ElectronHub)mistral-embed | ElectronHub | 1024 | 8192 | $0.25/week shared free credits |
Google: Gemini Embedding 2 (ElectronHub)gemini-embedding-2 | ElectronHub | 3072 | 8192 | $0.25/week shared free credits |
Google: Gemini Embedding 001 (ElectronHub)gemini-embedding-001 | ElectronHub | 3072 | 2048 | $0.25/week shared free credits |
OpenAI: Text Embedding Ada 002 (ElectronHub)text-embedding-ada-002 | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
Cohere Embed English Light v3embed-english-light-v3.0 | Cohere | 384 | 512 | 1K calls/mo (shared w/ chat) |
Cohere Embed Multilingual v3embed-multilingual-v3.0 | Cohere | 1024 | 512 | 1K calls/mo (shared w/ chat) |
Cohere Embed Multilingual Light v3embed-multilingual-light-v3.0 | Cohere | 384 | 512 | 1K calls/mo (shared w/ chat) |
FreeLLMAPI કૅટલૉગનો લાઇવ ડેટા (સંસ્કરણ 2026.11.19, તપાસ્યું 2026-11-19). મફત મર્યાદાઓ વારંવાર બદલાય છે. કૅટલૉગ દરરોજ તપાસવામાં આવે છે.
- એક family માટે ઘણા providers:
bge-m3જેવી family એક કરતાં વધુ provider પર મફત છે. ત્યારે failover ને જવા માટે જગ્યા હોય છે. - મહત્તમ input: મહત્તમ input કરતાં લાંબા chunks કાપવામાં આવે છે અથવા નકારવામાં આવે છે. chunks ને આ મૂલ્ય કરતાં નાના બનાવો.
- ભાષાઓ: અંગ્રેજી સિવાયના લખાણ માટે,
bge-m3જેવી બહુભાષી family વાપરો. નામમાં-en-ધરાવતી family અંગ્રેજી માટે છે. - માપ (dimensions): મોટા vectors વધુ storage વાપરે છે. નાના index માટે, આ સમસ્યા નથી.
Python માં સંપૂર્ણ RAG કોડ
સ્ક્રિપ્ટ લખાણ ફાઇલોને chunks માં વિભાજિત કરે છે, તેમને batches માં embed કરે છે અને NumPy વડે vectors સાચવે છે. પછી તે ટોચના chunks વડે પ્રશ્નનો જવાબ આપે છે અને સ્રોતો આપે છે. જ્યારે મર્યાદા વિનંતીને રોકે ત્યારે તે ફરી પ્રયાસ કરે છે.
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?"))થોડા હજાર કરતાં વધુ chunks માટે, NumPy શોધને vector database થી બદલો. embedding અને chat કૉલ એ જ રહે છે.
વપરાશકર્તાઓ ઘણી વાર એ જ પ્રશ્ન ફરી પૂછે છે. FreeLLMAPI પાસે એકસરખી વિનંતીઓ માટે opt-in response cache છે. cache hit કોઈ provider quota વાપરતો નથી. X-FreeLLM-Cache: on અથવા off header વડે એક વિનંતી માટે cache ચાલુ કે બંધ કરી શકાય છે. temperature=0 વાપરો, જેથી એ જ પ્રશ્ન એ જ વિનંતી આપે.
rerank પગલું ઉમેરો
Vector search સમાન લખાણ શોધે છે, પરંતુ ટોચનો chunk હંમેશાં શ્રેષ્ઠ જવાબ હોતો નથી. rerank પગલું ઉમેદવારોને ફરીથી ક્રમ આપે છે. FreeLLMAPI દસ્તાવેજો સમર્પિત rerank endpoint વર્ણવતા નથી. તમે reranker તરીકે ઝડપી chat મૉડેલ વાપરી શકો છો. 15 ઉમેદવારો મેળવો અને શ્રેષ્ઠ 5 રાખો.
auto:fast સાથે LLM rerank
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]rerank પગલું પ્રશ્ન દીઠ એક chat વિનંતી ઉમેરે છે. જો તમારી મફત મર્યાદા કડક હોય, તો તેને છોડો. સારું chunking ઘણી વાર rerank પગલા કરતાં વધુ મદદ કરે છે.
લાંબો context: retrieval ક્યારે જરૂરી નથી
આજે, 56 મફત મૉડેલ offers માં 10 લાખ tokens કે તેથી વધુનો context window છે. જો તમારા દસ્તાવેજો નાના હોય, તો તમે બધા prompt માં મોકલી શકો છો અને vector index છોડી શકો છો. આ સરળ છે, પરંતુ દરેક પ્રશ્ન ત્યારે ઘણા tokens મોકલે છે.
| મૉડેલ | મફત ઉપલબ્ધ | સંદર્ભ | મફત મર્યાદા (શ્રેષ્ઠ ઑફર) | સાધનો | વિઝન |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | ના | ના |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 વિનંતી/મિનિટ 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | હા | હા |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 વિનંતી/મિનિટ 50 વિનંતી/દિવસ Shared rate limit | હા | ના |
| DeepSeek V4 Flash 0731 | ElectronHub, Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | ના | ના |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| GLM 5.2 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | ના | ના |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| DeepSeek V4 Pro | APINex, Router9 | 1M | 5 વિનંતી/મિનિટ 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | ના | ના |
| Nemotron 3 Ultra 550B | Gizmo, Kilo Gateway, LLMTR +3 વધુ | 1M | 200 વિનંતી/દિવસ 200 rpd | હા | ના |
મેળ ખાતા 35 મફત મૉડેલમાંથી 10 બતાવ્યા. બધા મૉડેલ જુઓ.
FreeLLMAPI કૅટલૉગનો લાઇવ ડેટા (સંસ્કરણ 2026.11.19, તપાસ્યું 2026-11-19). મફત મર્યાદાઓ વારંવાર બદલાય છે. કૅટલૉગ દરરોજ તપાસવામાં આવે છે.
- લાંબો context વાપરો થોડા દસ્તાવેજો માટે, પૂરા લખાણની જરૂર હોય તેવા પ્રશ્નો માટે, અથવા એક જ report માટે.
- Retrieval વાપરો ઘણા દસ્તાવેજો માટે, વારંવારના પ્રશ્નો માટે, અથવા જ્યારે મફત પ્રતિ મિનિટ tokens ની મર્યાદા ઓછી હોય.
- બંનેને જોડો: 20 કે તેથી વધુ chunks મેળવો અને તેમને લાંબા-context મૉડેલ પર મોકલો.
ઓછી પ્રતિ મિનિટ tokens મર્યાદાવાળા provider પર મોટો prompt નિષ્ફળ જઈ શકે છે. ત્યારે FreeLLMAPI આગલા provider નો પ્રયાસ કરે છે. કયા મૉડેલો મોટા prompts મેળવે તે નિયંત્રિત કરવા, ફક્ત લાંબા-context મૉડેલો ધરાવતો fallback chain profile બનાવો. તેને auto:<profile> તરીકે વાપરો.
મર્યાદાઓ અને સમસ્યાનિવારણ
| સમસ્યા | કારણ | ઉકેલ |
|---|---|---|
| Ingestion 429 પર અટકે છે | embedding family બધા providers પર તેની મર્યાદા પર છે | મોટા batches વાપરો, Retry-After ની રાહ જુઓ, ભાગોમાં ingest કરો |
| ફેરફાર પછી ખરાબ પરિણામો | index માં બે families ના vectors છે | એક family વડે બધા chunks ફરીથી embed કરો |
| input લંબાઈ વિશે ભૂલ | એક chunk family ની મહત્તમ input કરતાં લાંબો છે | નાના chunks વાપરો |
| જવાબ સ્રોતોને અવગણે છે | મૉડેલ પોતાના જ્ઞાનમાંથી જવાબ આપે છે | temperature=0 અને કડક system prompt વાપરો |
| જવાબ પર context લંબાઈની ભૂલ | ઘણા બધા અથવા ખૂબ લાંબા chunks | k ઘટાડો, અથવા લાંબા-context profile વાપરો |
| જવાબોની શૈલી બદલાય છે | રાઉટરે અલગ મૉડેલ પસંદ કર્યું | X-Session-Id header મોકલો, અથવા મૉડેલ પિન કરો |
મફત ટિયરમાં કોઈ SLA નથી. સૌથી મજબૂત મૉડેલો પહેલાં તેમની દૈનિક મર્યાદા સુધી પહોંચે છે, અને ઘણી મર્યાદાઓ મધ્યરાત્રિ UTC એ રીસેટ થાય છે. તમારી pipeline ને એ જ મૉડેલો સાથે પરીક્ષણ કરો જે તમારી chain ખરેખર વાપરશે.
વારંવાર પૂછાતા પ્રશ્નો
શું RAG માટે મફત API છે?
હા. ઘણા providers પાસે મફત embedding અને chat ટિયર છે. FreeLLMAPI બંનેની સેવા એક OpenAI-compatible key વડે આપે છે, providers વચ્ચે failover સાથે.
RAG માટે કયું મફત embedding મૉડેલ શ્રેષ્ઠ છે?
એવી family પસંદ કરો જે ઘણા providers પર મફત હોય અને તમારી ભાષાઓને બંધબેસે. બહુભાષી લખાણ માટે, bge-m3 એક સામાન્ય પસંદગી છે. આખા index માટે એક family રાખો.
શું મફત rerank API છે?
FreeLLMAPI દસ્તાવેજો rerank endpoint વર્ણવતા નથી. આ પૃષ્ઠ પર બતાવ્યા પ્રમાણે તમે ઝડપી chat મૉડેલ વડે rerank કરી શકો છો, અથવા rerank પગલું છોડી શકો છો.
જો મફત મૉડેલમાં 10 લાખ tokens નો context હોય તો શું મને RAG ની જરૂર છે?
થોડા નાના દસ્તાવેજો માટે નહીં. ઘણા દસ્તાવેજો અથવા વારંવારના પ્રશ્નો માટે, retrieval દરેક વિનંતી માટે ઓછા tokens મોકલે છે અને મફત મર્યાદાઓમાં રહે છે.
શું હું પછીથી embedding મૉડેલ બદલી શકું?
હા, પરંતુ તમારે બધા chunks ફરીથી embed કરવા પડશે. બે મૉડેલોના vectors સુસંગત નથી, તેથી તેમને એક index માં ભેળવશો નહીં.
સંબંધિત માર્ગદર્શિકાઓ
- મફત embeddings API
- 1 million token context સાથે મફત LLM API
- LlamaIndex માટે મફત LLM
- LangChain માટે મફત LLM API
- Python માં મફત LLM API
સ્રોતો
- FreeLLMAPI docs: embeddings (families and failover rules) (તપાસ્યું 20 November 2026)
- FreeLLMAPI docs: routing strategies and response headers (તપાસ્યું 20 November 2026)
- OpenAI Python SDK: embeddings, errors and retries (તપાસ્યું 20 November 2026)