LlamaIndex के लिए मुफ़्त LLM
LlamaIndex में OpenAI-compatible APIs के लिए दो classes हैं: chat के लिए OpenAILike और embeddings के लिए OpenAILikeEmbedding। यह guide दोनों को FreeLLMAPI की ओर इंगित करती है, जो एक key के पीछे 45 मुफ़्त provider tiers इकट्ठा करता है। आप retrieval-augmented generation (RAG) index बनाते हैं, उसे query करते हैं और एक agent जोड़ते हैं। Code rate limits को संभालता है।
कोड, मॉडल नाम और लाइव कैटलॉग लेबल अंग्रेज़ी में दिखाए गए हैं।
Packages इंस्टॉल करें
FreeLLMAPI इंस्टॉल करें और dashboard के Keys page पर दो या अधिक providers की मुफ़्त keys जोड़ें। Unified key कॉपी करें। फिर LlamaIndex packages इंस्टॉल करें।
इंस्टॉल करें
curl -fsSL https://freellmapi.co/install.sh | bash
pip install -U llama-index-core \
llama-index-llms-openai-like \
llama-index-embeddings-openai-like
export FREELLMAPI_BASE_URL=http://localhost:3001/v1
export FREELLMAPI_API_KEY=<unified-key>सादी OpenAI class को, जो llama-index-llms-openai से आती है, ऐसे model नामों के साथ इस्तेमाल न करें जिन्हें OpenAI नहीं जानता। वह class model नाम और context size को OpenAI models की सूची से जाँचती है। OpenAILike ऐसा नहीं करती, इसलिए ये मान आप खुद सेट करते हैं।
LLM और embedding model कॉन्फ़िगर करें
settings.py
import os
from llama_index.core import Settings
from llama_index.llms.openai_like import OpenAILike
from llama_index.embeddings.openai_like import OpenAILikeEmbedding
BASE = os.environ["FREELLMAPI_BASE_URL"]
KEY = os.environ["FREELLMAPI_API_KEY"]
Settings.llm = OpenAILike(
model="auto",
api_base=BASE,
api_key=KEY,
is_chat_model=True, # use /v1/chat/completions
is_function_calling_model=True, # needed for FunctionAgent
context_window=32000, # the smallest window in your chain
max_retries=5,
timeout=90,
)
Settings.embed_model = OpenAILikeEmbedding(
model_name="bge-m3", # one family, 1024 dimensions
api_base=BASE,
api_key=KEY,
embed_batch_size=16,
max_retries=10,
)- is_chat_model=True: इसके बिना LlamaIndex requests को पुराने completions endpoint पर भेजता है।
- context_window: LlamaIndex इस मान से तय करता है कि prompt में कितने retrieved chunks आ सकते हैं।
autoके साथ router अलग-अलग models चुन सकता है। अपनी chain की सबसे छोटी context window इस्तेमाल करें। - is_function_calling_model=True: इसे तभी सेट करें जब आपकी chain में tool-calling models हों।
- embed_batch_size: हर batch एक request है। बड़े batches प्रति मिनट कम requests लेते हैं।
RAG prompt में कई retrieved chunks होते हैं, इसलिए chat model को उनके लिए जगह चाहिए। RAG के लिए लंबे context वाले models के साथ एक fallback chain profile बनाएँ। फिर model="auto:<profile>" सेट करें और context_window को उस profile की सबसे छोटी window तक बढ़ाएँ। आज इन मुफ़्त models की context windows सबसे बड़ी हैं:
| मॉडल | मुफ़्त उपलब्ध | कॉन्टेक्स्ट | मुफ़्त सीमाएँ (सबसे अच्छा विकल्प) | टूल | विज़न |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | नहीं | नहीं |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 अनुरोध/मिनट 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | हाँ | हाँ |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 अनुरोध/मिनट 20 अनुरोध/दिन 250,000 टोकन/मिनट ~3M | हाँ | हाँ |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 अनुरोध/मिनट 50 अनुरोध/दिन Shared rate limit | हाँ | नहीं |
| DeepSeek V4 Flash 0731 | ElectronHub, Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | नहीं | नहीं |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 अनुरोध/मिनट 20 अनुरोध/दिन 250,000 टोकन/मिनट ~3M | हाँ | हाँ |
| GLM-5.2 | ModelScope, Router9 | 1M | 100 अनुरोध/दिन Daily login: 200 credits + 50 for linked Alibaba Cloud; 24h expiry; shared; noncommercial experience | नहीं | नहीं |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 अनुरोध/मिनट 20 अनुरोध/दिन 250,000 टोकन/मिनट ~3M | हाँ | हाँ |
115 मिलते-जुलते मुफ़्त मॉडल में से 8 दिखाए जा रहे हैं। सभी मॉडल देखें.
FreeLLMAPI कैटलॉग से लाइव डेटा (संस्करण 2026.11.19, जाँच 2026-11-19)। मुफ़्त सीमाएँ अक्सर बदलती हैं। कैटलॉग की हर दिन जाँच होती है।
एक उपयोगकर्ता को एक ही model पर रखने के लिए X-Session-Id header भेजें। OpenAILike default_headers स्वीकार करता है, उदाहरण के लिए default_headers={"X-Session-Id": "user-42"}। FreeLLMAPI एक session को 30 मिनट तक एक ही model पर रखता है। इससे एक chat में जवाब एक ही शैली में मिलते हैं।
RAG index बनाएँ और query करें
Script एक folder से फ़ाइलें पढ़ती है, embeddings बनाती है, index सेव करती है और एक सवाल का जवाब देती है। Index बनाने के लिए इसे एक बार चलाएँ। बाद के runs सेव किया गया index लोड करते हैं और फ़ाइलों को फिर से embed नहीं करते।
rag.py
import os
import settings # noqa: F401 (sets Settings.llm and Settings.embed_model)
from llama_index.core import (
SimpleDirectoryReader,
StorageContext,
VectorStoreIndex,
load_index_from_storage,
)
PERSIST = "./storage"
def load_index() -> VectorStoreIndex:
if os.path.isdir(PERSIST):
return load_index_from_storage(StorageContext.from_defaults(persist_dir=PERSIST))
docs = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(docs, show_progress=True)
index.storage_context.persist(persist_dir=PERSIST)
return index
if __name__ == "__main__":
query_engine = load_index().as_query_engine(similarity_top_k=4, streaming=True)
response = query_engine.query("How do I rotate the API keys?")
response.print_response_stream()
for node in response.source_nodes:
print("\nSource:", node.metadata.get("file_name"), round(node.score or 0, 3))./storage हटाएँ और index फिर से बनाएँ।आज के catalog में ये embedding models मुफ़्त हैं। Dimensions column हर family का vector size दिखाता है।
| मॉडल | प्रदाता | आयाम | अधिकतम इनपुट | मुफ़्त सीमा |
|---|---|---|---|---|
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 कैटलॉग से लाइव डेटा (संस्करण 2026.11.19, जाँच 2026-11-19)। मुफ़्त सीमाएँ अक्सर बदलती हैं। कैटलॉग की हर दिन जाँच होती है।
FunctionAgent के साथ agent जोड़ें
FunctionAgent tool calling इस्तेमाल करता है। आप इसे query engine को एक tool के रूप में दे सकते हैं और अपने Python functions जोड़ सकते हैं।
agent.py
import asyncio
from llama_index.core.agent.workflow import FunctionAgent
from llama_index.core.tools import QueryEngineTool
from llama_index.core import Settings
from rag import load_index
docs_tool = QueryEngineTool.from_defaults(
query_engine=load_index().as_query_engine(similarity_top_k=4),
name="project_docs",
description="Answers questions about the project documentation.",
)
def open_tickets(team: str) -> int:
"""Return the number of open tickets for a team."""
return {"billing": 4, "platform": 11}.get(team, 0)
agent = FunctionAgent(
tools=[docs_tool, open_tickets],
llm=Settings.llm,
system_prompt="Use the tools. Cite the document name in each answer.",
)
async def main():
result = await agent.run("How many platform tickets are open, and how do we rotate keys?")
print(result)
asyncio.run(main())Agent काम के लिए tool calling वाले models चुनें। सिर्फ इन models के साथ एक fallback chain profile बनाएँ, और model नाम के रूप में auto:<profile> इस्तेमाल करें।
| मॉडल | मुफ़्त उपलब्ध | कॉन्टेक्स्ट | मुफ़्त सीमाएँ (सबसे अच्छा विकल्प) | टूल | विज़न |
|---|---|---|---|---|---|
| GLM 5.3 | UnoRouter | 1M | 1 अनुरोध/मिनट 1 req/min per model | हाँ | नहीं |
| GLM 5.3 Flash | NVIDIA NIM, UnoRouter | 1M | 40 अनुरोध/मिनट 40 RPM | हाँ | हाँ |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | हाँ | हाँ |
| Qwen3.8 Flash Next | AMD Radeon Cloud | 262K | Recurring daily account allowance | हाँ | नहीं |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | हाँ | हाँ |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 अनुरोध/मिनट 20 अनुरोध/दिन 250,000 टोकन/मिनट ~3M | हाँ | हाँ |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | हाँ | हाँ |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 अनुरोध/मिनट 50 अनुरोध/दिन 50 req/day account-wide (1,000 after a $10 purchase) | हाँ | हाँ |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 अनुरोध/मिनट 50 अनुरोध/दिन Shared rate limit | हाँ | नहीं |
| Qwen3.8 27B | ElectronHub, Groq, OVH AI Endpoints | 262K | 30 अनुरोध/मिनट 250 अनुरोध/दिन 70,000 टोकन/मिनट ~6M | हाँ | हाँ |
109 मिलते-जुलते मुफ़्त मॉडल में से 10 दिखाए जा रहे हैं। सभी मॉडल देखें.
FreeLLMAPI कैटलॉग से लाइव डेटा (संस्करण 2026.11.19, जाँच 2026-11-19)। मुफ़्त सीमाएँ अक्सर बदलती हैं। कैटलॉग की हर दिन जाँच होती है।
Ingestion को मुफ़्त limits के भीतर रखें
Ingestion थोड़े समय में कई embedding requests भेजता है। मुफ़्त embedding tiers की limits कम होती हैं। उदाहरण के लिए, कुछ हर मिनट 10 requests देते हैं, और कुछ calls महीने के हिसाब से गिनते हैं। पहला ingestion शुरू करने से पहले उसकी योजना बनाएँ।
- बड़े chunks इस्तेमाल करें। कम chunks का मतलब कम vectors और कम requests है। लगभग 1,024 tokens का chunk size अच्छी शुरुआत है।
- Batches इस्तेमाल करें।
embed_batch_sizeको 16 या उससे ज़्यादा सेट करें। तब एक request में कई chunks जाते हैं। - Index सेव करें। पहले run के बाद index को सेव करें। वही फ़ाइलें फिर से embed न करें।
- Retries चालू रखें।
OpenAILikeEmbeddingडिफ़ॉल्ट रूप से 10 बार तक retry करता है। लंबे ingestion jobs के लिए यह मान रखें। - हिस्सों में ingest करें। हज़ारों फ़ाइलों के लिए एक समय में एक folder ingest करें।
Queries, ingestion से सस्ती हैं। हर query एक embedding request और एक chat request इस्तेमाल करती है। 1,024 tokens वाले चार chunks के साथ एक chat request लगभग 5,000 tokens भेजती है। कम tokens-per-minute limits वाले मुफ़्त tiers इसे अस्वीकार कर सकते हैं। तब FreeLLMAPI अगला provider आज़माता है।
समस्या निवारण
| समस्या | कारण | समाधान |
|---|---|---|
Unknown model 'auto' | आपने OpenAI class इस्तेमाल की | OpenAILike इस्तेमाल करें |
Requests /v1/completions पर जाती हैं | is_chat_model सेट नहीं है | is_chat_model=True सेट करें |
| Agent tools call नहीं करता | is_function_calling_model बंद है, या model में tool calling नहीं है | इसे True पर सेट करें और एक tools profile इस्तेमाल करें |
| Ingestion के दौरान error 429 | Embedding family सभी providers पर अपनी limit पर है | बड़े batches इस्तेमाल करें, Retry-After का इंतज़ार करें और फिर चलाएँ |
| Embedding model बदलने के बाद गलत जवाब | एक index में दो families के vectors | सेव किया गया index हटाएँ और उसे फिर से बनाएँ |
| Context length error | context_window उस model से बड़ी है जिसने जवाब दिया | छोटा मान सेट करें, या लंबे context वाला profile इस्तेमाल करें |
देखने के लिए कि किस provider ने request का जवाब दिया, FreeLLMAPI dashboard इस्तेमाल करें। Analytics page हर provider और model के लिए requests, latency और errors दिखाता है। हर response में X-Routed-Via header भी होता है। अगर router ने provider बदला, तो X-Fallback-Trail header हर विफल प्रयास और उसका कारण बताता है।
अक्सर पूछे जाने वाले प्रश्न
क्या LlamaIndex के साथ मुफ़्त LLM इस्तेमाल किया जा सकता है?
हाँ। OpenAILike इस्तेमाल करें, जिसमें api_base एक OpenAI-compatible URL पर सेट हो। FreeLLMAPI कई मुफ़्त provider tiers के लिए एक URL देता है। हर tier की अपनी limits होती हैं।
LlamaIndex में OpenAI और OpenAILike में क्या अंतर है?
OpenAI class model नामों को OpenAI models से जाँचती है। OpenAILike कोई भी model नाम स्वीकार करती है। Context window और chat व function-calling flags आप खुद सेट करते हैं।
LlamaIndex के लिए कौन सा मुफ़्त embedding model सबसे अच्छा है?
ऐसी family चुनें जिसमें आपकी ingestion के लिए पर्याप्त मुफ़्त requests हों, और उसे पूरे index के लिए रखें। bge-m3 family कई providers पर मुफ़्त है, इसलिए failover उनके बीच जा सकता है।
क्या FunctionAgent मुफ़्त models के साथ काम करता है?
हाँ, अगर model tool calling सपोर्ट करता है और आपने is_function_calling_model=True सेट किया है। ऐसा fallback chain profile इस्तेमाल करें जिसमें सिर्फ tool-calling models हों।
LlamaIndex index बनाते समय rate limits से कैसे बचें?
बड़े chunks इस्तेमाल करें, embed_batch_size को 16 या उससे ज़्यादा सेट करें, index सेव करें और बड़े folders को हिस्सों में ingest करें।
संबंधित गाइड
- RAG के लिए मुफ़्त LLM API
- मुफ़्त embeddings API
- LangChain के लिए मुफ़्त LLM API
- Python में मुफ़्त LLM API
- 10 लाख टोकन कॉन्टेक्स्ट वाली मुफ़्त LLM API
स्रोत
- LlamaIndex: llama-index-llms-openai-like README (जाँचा गया 20 November 2026)
- LlamaIndex: llama-index-embeddings-openai-like source (जाँचा गया 20 November 2026)
- LlamaIndex: FunctionAgent (agent workflow) source (जाँचा गया 20 November 2026)
- FreeLLMAPI docs: REST API (embeddings families, routing strategies) (जाँचा गया 20 November 2026)