મફત વિઝન API
વિઝન API LLM ને છબીઓ વાંચવા દે છે. તમે તેને ફોટોનું વર્ણન કરવા, રસીદ વાંચવા અથવા ચાર્ટ સમજાવવા કહી શકો છો. FreeLLMAPI કૅટલૉગમાં 78 મફત મૉડેલ ઑફર છે જે છબીઓ સ્વીકારે છે. તમે છબીઓ પ્રમાણભૂત OpenAI ફોર્મેટમાં મોકલો છો, અને રાઉટર તમારા માટે વિઝન મૉડેલ પસંદ કરે છે. આ માર્ગદર્શિકા મૉડેલ, દરેક પ્રદાતાની કદ મર્યાદા અને કાર્યકારી કોડ બતાવે છે.
કોડ, મૉડેલ નામ અને લાઇવ કૅટલૉગ લેબલ અંગ્રેજીમાં બતાવવામાં આવે છે.
છબી ઇનપુટ કેવી રીતે કામ કરે છે
messages ઍરેમાં છબીઓ image_url કન્ટેન્ટ બ્લૉક તરીકે મોકલો. URL base64 બાઇટ સાથેનો data: URL, અથવા http(s) URL હોઈ શકે છે. /v1/chat/completions વાપરો. /v1/responses એન્ડપોઇન્ટ હજી છબીઓ સ્વીકારતો નથી.
- સ્વચાલિત રૂટિંગ: જ્યારે વિનંતીમાં છબી હોય, ત્યારે રાઉટર ફક્ત વિઝન મૉડેલ વાપરે છે. તે તે વિનંતી માટે ફક્ત ટેક્સ્ટ મૉડેલને અવગણે છે.
- ફેલઓવર: જ્યારે એક વિઝન પ્રદાતા તેની મર્યાદા પર પહોંચે, ત્યારે રાઉટર તમારી સાંકળમાંનું આગલું વિઝન મૉડેલ અજમાવે છે.
- સ્પષ્ટ ભૂલ: જ્યારે કોઈ વિઝન મૉડેલ સક્ષમ ન હોય, ત્યારે તમને
code: "no_vision_model"સાથે ભૂલ 422 મળે છે. છબી ક્યારેય ચૂપચાપ છોડવામાં આવતી નથી.
આજના મફત વિઝન મૉડેલ
કોષ્ટક આજે કૅટલૉગમાં છબી ઇનપુટવાળા સૌથી શક્તિશાળી મફત મૉડેલ બતાવે છે. તે લાઇવ કૅટલૉગમાંથી આવે છે. એક પંક્તિમાં એક જ મૉડેલ પીરસતા ઘણા પ્રદાતાઓ સૂચિબદ્ધ હોઈ શકે છે.
| મૉડેલ | મફત ઉપલબ્ધ | સંદર્ભ | મફત મર્યાદા (શ્રેષ્ઠ ઑફર) | સાધનો | વિઝન |
|---|---|---|---|---|---|
| GLM 5.3 Flash | UnoRouter | 1M | 1 વિનંતી/મિનિટ 1 req/min per model | હા | હા |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | હા | હા |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | હા | હા |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | હા | હા |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 વિનંતી/મિનિટ 50 વિનંતી/દિવસ 50 req/day account-wide (1,000 after a $10 purchase) | હા | હા |
| Qwen3.8 27B | ElectronHub, Groq | 262K | 30 વિનંતી/મિનિટ 250 વિનંતી/દિવસ 70,000 ટોકન/મિનિટ ~6M | હા | હા |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | હા | હા |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| Gemini 3.8 Live | Google AI Studio | - | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| Gemini 3.8 Live Extended Thinking | Google AI Studio | - | 10 વિનંતી/મિનિટ 20 વિનંતી/દિવસ 250,000 ટોકન/મિનિટ ~3M | હા | હા |
| Moondream 3.1 9B A2B | Cloudflare Workers AI, Moondream | 33K | ~10-20M | ના | હા |
| Moondream 3 Preview | Moondream | - | $5/month shared workspace usage credits | ના | હા |
મેળ ખાતા 67 મફત મૉડેલમાંથી 15 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.
Gemini મૉડેલ સૌથી મોટો સંદર્ભ આપે છે અને ઘણી છબીઓ સ્વીકારે છે. Groq અને Cloudflare પર Qwen 3.8 27B Google ની બહાર ઝડપી પસંદગી છે. Moondream છબી કાર્યો માટે બનાવાયેલ છે, પરંતુ તેનું આઉટપુટ 4,096 ટોકન સુધી મર્યાદિત છે.
પગલું 1: FreeLLMAPI ઇન્સ્ટોલ કરો અને કી ઉમેરો
FreeLLMAPI ઓપન સોર્સ છે. તે Docker માં તમારા કમ્પ્યુટર પર ચાલે છે. તમારી પ્રદાતા કી તમારા કમ્પ્યુટર પર રહે છે.
ઇન્સ્ટોલ કરો (macOS અથવા Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 પર ડેશબોર્ડ ખોલો. Keys પેજ પર Google AI Studio કી અને બીજી એક કી ઉમેરો. Fallback Chain પેજ પર, વિઝન મૉડેલ પર Vision બૅજ હોય છે. ખાતરી કરો કે ઓછામાં ઓછું એક સક્ષમ છે. Keys પેજ પરથી તમારી એકીકૃત કી કૉપિ કરો.
પગલું 2: છબી મોકલો
curl: URL પરથી છબી
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: base64 તરીકે લોકલ ફાઇલ
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)data URL માં સાચો MIME પ્રકાર વાપરો, ઉદાહરણ તરીકે image/png અથવા image/jpeg. એકથી વધુ છબી મોકલવા માટે, એ જ સંદેશમાં વધુ image_url બ્લૉક ઉમેરો.
પ્રદાતા દીઠ છબી મર્યાદા
| પ્રદાતા | મર્યાદા (સત્તાવાર) | શું કરવું |
|---|---|---|
| Google Gemini | ઇનલાઇન છબીઓ સાથે કુલ વિનંતી કદ: 20 MB. ફોર્મેટ: PNG, JPEG, WEBP, HEIC, HEIF | મોટા ફોટો મોકલતા પહેલાં તેને નાના કરો |
| Google Gemini | 384x384 પિક્સેલ સુધીની છબી 258 ટોકન લે છે. મોટી છબીઓ 768x768 ટાઇલમાં કાપવામાં આવે છે, દરેક 258 ટોકન | 960x540 છબી 6 ટાઇલ વાપરે છે, લગભગ 1,548 ટોકન |
| Groq (Qwen 3.8 27B) | દરેક વિનંતી માટે મહત્તમ 3 છબી. છબી URL વાળી વિનંતી માટે મહત્તમ 20 MB | Groq મૉડેલને વધુમાં વધુ 3 છબી મોકલો |
| Moondream | ફક્ત Base64 data URL. રિમોટ છબી URL સપોર્ટેડ નથી | લિંક નહીં, છબીના બાઇટ મોકલો |
છબી ટોકન મફત ટાયરની પ્રતિ મિનિટ ટોકન મર્યાદામાં ગણાય છે. પાંચ મોટી છબીવાળી વિનંતી નાના પ્રદાતાની મર્યાદા કરતાં મોટી હોઈ શકે છે. જ્યારે તમને ઝીણી વિગત ન જોઈએ, ત્યારે છબીઓ નાની કરો, ઉદાહરણ તરીકે લાંબી બાજુએ 1024 પિક્સેલ.
છબી કાર્યો માટે કામ કરતા પ્રૉમ્પ્ટ
- દરેક વિનંતી માટે એક કાર્ય: છબી વિશે એક સ્પષ્ટ પ્રશ્ન પૂછો. એક પ્રૉમ્પ્ટમાં ઘણા પ્રશ્નો ટૂંકા અને ઓછા ચોક્કસ જવાબ આપે છે.
- સ્ટ્રક્ચર્ડ આઉટપુટ: રસીદ અને ફોર્મ માટે, તમને જોઈતા ફીલ્ડનાં નામ આપો, ઉદાહરણ તરીકે
item,priceઅનેtotal. ફક્ત JSON માંગો. - ન વંચાતી કિંમતો: મૉડેલને કહો કે જ્યારે તે કિંમત વાંચી ન શકે ત્યારે
nullલખે. તો તે અનુમાન કરતું નથી. - પહેલા કાપો: છબીને તમને જોઈતા ભાગમાં કાપો. નાની છબી ઓછા ટોકન વાપરે છે અને વધુ સારી વિગત આપે છે.
- સ્થિર જવાબો: નિષ્કર્ષણ કાર્યો માટે
temperatureને 0 પર સેટ કરો. - સંખ્યાઓ તપાસો: કુલ રકમ અને તારીખોને છબી સાથે સરખાવો. વિઝન મૉડેલ નાનું લખાણ અને સમાન અંકો ખોટા વાંચી શકે છે.
સમસ્યા નિવારણ
| સમસ્યા | કારણ | ઉકેલ |
|---|---|---|
ભૂલ 422 no_vision_model | તમારી સાંકળમાં કોઈ વિઝન મૉડેલ સક્ષમ નથી | Fallback Chain પેજ પર Vision બૅજવાળું મૉડેલ સક્ષમ કરો |
| મૉડેલ કહે છે કે તે છબી જોઈ શકતું નથી | વિનંતી /v1/responses પર ગઈ | /v1/chat/completions વાપરો |
| રિમોટ URL પર ભૂલ 400 | પ્રદાતા URL ડાઉનલોડ કરી શકતો નથી | છબી base64 data URL તરીકે મોકલો |
| મોટી ફાઇલો પર ભૂલ 413 અથવા 400 | છબી અથવા વિનંતી ખૂબ મોટી છે | છબી નાની કરો, અથવા ઓછી છબીઓ મોકલો |
| છબી વિનંતીઓ પર ભૂલ 429 | છબી ટોકને પ્રતિ મિનિટ ટોકન મર્યાદા વાપરી | છબીઓ નાની કરો, અથવા વધુ વિઝન પ્રદાતાઓની કી ઉમેરો |
વારંવાર પૂછાતા પ્રશ્નો
શું કોઈ મફત વિઝન API છે?
હા. Google AI Studio, Groq, Cloudflare, NVIDIA, OpenRouter અને અન્ય પ્રદાતાઓ છબી ઇનપુટવાળા મફત મૉડેલ આપે છે. FreeLLMAPI એક OpenAI સાથે સુસંગત કી પાછળ 78 મફત વિઝન મૉડેલ ઑફર ધરાવે છે.
મફત LLM API ને છબી કેવી રીતે મોકલું?
યુઝર સંદેશમાં image_url કન્ટેન્ટ બ્લૉક ઉમેરો. base64 data URL અથવા https URL વાપરો, અને તેને /v1/chat/completions પર મોકલો.
એક છબી કેટલા ટોકન વાપરે છે?
Gemini પર, 384x384 પિક્સેલ કે તેથી ઓછી છબી 258 ટોકન વાપરે છે. મોટી છબી 768x768 ટાઇલમાં કાપવામાં આવે છે, અને દરેક ટાઇલ 258 ટોકન વાપરે છે.
શું હું એક વિનંતીમાં ઘણી છબીઓ મોકલી શકું?
હા. સંદેશમાં વધુ image_url બ્લૉક ઉમેરો. કેટલાક પ્રદાતાઓ સંખ્યા મર્યાદિત કરે છે. ઉદાહરણ તરીકે, Groq Qwen 3.8 27B પર દરેક વિનંતી માટે 3 છબી મંજૂર કરે છે.
દસ્તાવેજ વાંચવા માટે કયું મફત વિઝન મૉડેલ શ્રેષ્ઠ છે?
રસીદ, ચાર્ટ અને સ્કેન કરેલા પેજ માટે Gemini મૉડેલ વાપરો. તેની સંદર્ભ વિન્ડો મોટી છે અને તે ઘણી છબીઓ સ્વીકારે છે. સંખ્યાઓ માટે જવાબને છબી સાથે તપાસો, કારણ કે વિઝન મૉડેલ નાનું લખાણ ખોટું વાંચી શકે છે.
સંબંધિત માર્ગદર્શિકાઓ
સ્રોતો
- FreeLLMAPI docs: Vision and image input (તપાસ્યું 20 November 2026)
- Google AI Studio docs: Image understanding (તપાસ્યું 20 November 2026)
- Groq docs: Vision (તપાસ્યું 20 November 2026)
- Moondream OpenAI-compatible API docs (તપાસ્યું 20 November 2026)