RAG के लिए मुफ़्त LLM API
Retrieval-augmented generation (RAG) को दो API चाहिए: प्रासंगिक टेक्स्ट खोजने के लिए एक embedding मॉडल, और उत्तर लिखने के लिए एक चैट मॉडल। दोनों मुफ़्त टियर पर उपलब्ध हैं। FreeLLMAPI 41 मुफ़्त embedding मॉडल और 487 मुफ़्त चैट मॉडल के लिए एक OpenAI-compatible कुंजी देता है, जिसमें प्रदाताओं के बीच फ़ेलओवर होता है। यह गाइड हर चरण के लिए मुफ़्त मॉडल और एक पूरी Python पाइपलाइन दिखाती है।
कोड, मॉडल नाम और लाइव कैटलॉग लेबल अंग्रेज़ी में दिखाए गए हैं।
मुफ़्त टियर पर RAG पाइपलाइन
| चरण | API | मुफ़्त टियर की चिंता |
|---|---|---|
| 1. दस्तावेज़ों को chunks में बाँटें | कोई नहीं (स्थानीय कोड) | कोई नहीं |
| 2. हर chunk को embed करें | /v1/embeddings | शुरू में बहुत सारे अनुरोध। कुछ मुफ़्त embedding टियर प्रति मिनट 10 अनुरोध देते हैं। |
| 3. प्रश्न को embed करें | /v1/embeddings | हर प्रश्न पर एक अनुरोध |
| 4. सबसे अच्छे chunks खोजें | कोई नहीं (स्थानीय vector खोज) | कोई नहीं |
| 5. chunks को फिर से क्रम में लगाएँ (वैकल्पिक) | /v1/chat/completions | हर प्रश्न पर एक अतिरिक्त चैट अनुरोध |
| 6. उत्तर लिखें | /v1/chat/completions | बड़े प्रॉम्प्ट। प्रति-मिनट टोकन सीमाएँ लागू होती हैं। |
चरण 2 सबसे महँगा चरण है। यह हर दस्तावेज़ के लिए एक बार होता है। vectors सहेजें, और बाद में केवल नए या बदले हुए दस्तावेज़ों को embed करें।
FreeLLMAPI और Python पैकेज इंस्टॉल करें
curl -fsSL https://freellmapi.co/install.sh | bash
python3 -m pip install -U openai numpy
export FREELLMAPI_API_KEY=<unified-key>मुफ़्त embedding मॉडल चुनें
एक embedding परिवार चुनें और पूरे index के लिए उसी को रखें। दो मॉडलों के vectors संगत नहीं हैं। FreeLLMAPI मिश्रित vectors से आपकी रक्षा करता है: embedding फ़ेलओवर कभी मॉडल नहीं बदलता। वह केवल उन प्रदाताओं के बीच जाता है जो वही परिवार देते हैं।
| 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।
- एक परिवार के लिए कई प्रदाता:
bge-m3जैसा परिवार एक से अधिक प्रदाता पर मुफ़्त है। तब फ़ेलओवर के लिए कहीं जाने की जगह होती है। - अधिकतम इनपुट: अधिकतम इनपुट से लंबे chunks काटे या अस्वीकार किए जाते हैं। chunks को इस मान से छोटा बनाएँ।
- भाषाएँ: अंग्रेज़ी के अलावा टेक्स्ट के लिए
bge-m3जैसा बहुभाषी परिवार इस्तेमाल करें। जिन परिवारों के नाम में-en-है, वे अंग्रेज़ी के लिए हैं। - आयाम (dimensions): बड़े vectors अधिक भंडारण लेते हैं। छोटे index के लिए यह समस्या नहीं है।
Python में पूरा RAG कोड
स्क्रिप्ट टेक्स्ट फ़ाइलों को chunks में बाँटती है, उन्हें batches में embed करती है और vectors को NumPy से सहेजती है। फिर वह सबसे अच्छे chunks से प्रश्न का उत्तर देती है और स्रोत दिखाती है। जब कोई सीमा अनुरोध रोकती है, तो वह रिट्राई करती है।
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?"))कुछ हज़ार से अधिक chunks होने पर NumPy खोज की जगह vector database लगाएँ। embedding और चैट कॉल वैसे ही रहते हैं।
उपयोगकर्ता अक्सर वही प्रश्न फिर पूछते हैं। FreeLLMAPI में समान अनुरोधों के लिए एक वैकल्पिक (opt-in) प्रतिक्रिया कैश है। कैश हिट प्रदाता कोटा नहीं लेता। आप एक अनुरोध के लिए X-FreeLLM-Cache: on या off हेडर से कैश चालू या बंद कर सकते हैं। temperature=0 इस्तेमाल करें, ताकि एक ही प्रश्न एक ही अनुरोध बने।
rerank चरण जोड़ें
vector खोज मिलते-जुलते टेक्स्ट खोजती है, लेकिन सबसे ऊपर का chunk हमेशा सबसे अच्छा उत्तर नहीं होता। rerank चरण उम्मीदवारों को फिर से क्रम में लगाता है। FreeLLMAPI दस्तावेज़ किसी समर्पित rerank एंडपॉइंट का वर्णन नहीं करते। आप reranker के रूप में एक तेज़ चैट मॉडल इस्तेमाल कर सकते हैं। 15 उम्मीदवार लाएँ और सबसे अच्छे 5 रखें।
auto:fast के साथ 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 चरण हर प्रश्न पर एक चैट अनुरोध जोड़ता है। यदि आपकी मुफ़्त सीमाएँ तंग हैं, तो इसे छोड़ दें। बेहतर chunking अक्सर rerank चरण से अधिक मदद करती है।
लंबा कॉन्टेक्स्ट: retrieval की ज़रूरत कब नहीं है
आज 56 मुफ़्त मॉडल ऑफ़र की कॉन्टेक्स्ट विंडो 10 लाख टोकन या उससे अधिक है। यदि आपके दस्तावेज़ छोटे हैं, तो आप सभी को प्रॉम्प्ट में भेज सकते हैं और vector index छोड़ सकते हैं। यह सरल है, लेकिन हर प्रश्न पर बहुत सारे टोकन जाते 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 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | नहीं | नहीं |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 अनुरोध/मिनट 20 अनुरोध/दिन 250,000 टोकन/मिनट ~3M | हाँ | हाँ |
| DeepSeek V4 Pro | APINex, Router9 | 1M | 5 अनुरोध/मिनट 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | नहीं | नहीं |
| Nemotron 3 Ultra 550B | Gizmo, Kilo Gateway, LLMTR +3 और | 1M | 200 अनुरोध/दिन 200 rpd | हाँ | नहीं |
35 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।
- लंबे कॉन्टेक्स्ट का उपयोग करें कुछ दस्तावेज़ों के लिए, ऐसे प्रश्नों के लिए जिन्हें पूरा टेक्स्ट चाहिए, या एक ही रिपोर्ट के लिए।
- retrieval का उपयोग करें कई दस्तावेज़ों के लिए, बार-बार पूछे जाने वाले प्रश्नों के लिए, या जब मुफ़्त प्रति-मिनट टोकन सीमाएँ कम हों।
- दोनों को मिलाएँ: 20 या अधिक chunks लाएँ और उन्हें लंबे कॉन्टेक्स्ट वाले मॉडल को भेजें।
कम प्रति-मिनट टोकन सीमा वाले प्रदाता पर बड़ा प्रॉम्प्ट विफल हो सकता है। तब FreeLLMAPI अगले प्रदाता को आज़माता है। यह तय करने के लिए कि बड़े प्रॉम्प्ट कौन से मॉडल पाएँ, केवल लंबे कॉन्टेक्स्ट वाले मॉडलों की फ़ॉलबैक चेन प्रोफ़ाइल बनाएँ। उसे auto:<profile> के रूप में इस्तेमाल करें।
सीमाएँ और समस्या निवारण
| समस्या | कारण | समाधान |
|---|---|---|
| इनजेस्शन 429 पर रुक जाता है | embedding परिवार सभी प्रदाताओं पर अपनी सीमा पर है | बड़े batches इस्तेमाल करें, Retry-After तक प्रतीक्षा करें, हिस्सों में इनजेस्ट करें |
| बदलाव के बाद खराब परिणाम | index में दो परिवारों के vectors हैं | सभी chunks को एक परिवार से फिर embed करें |
| इनपुट की लंबाई के बारे में त्रुटि | एक chunk परिवार की अधिकतम इनपुट से लंबा है | छोटे chunks इस्तेमाल करें |
| उत्तर स्रोतों को नज़रअंदाज़ करता है | मॉडल अपने ज्ञान से उत्तर देता है | temperature=0 और सख़्त सिस्टम प्रॉम्प्ट इस्तेमाल करें |
| उत्तर पर कॉन्टेक्स्ट लंबाई की त्रुटि | बहुत सारे या बहुत लंबे chunks | k कम करें, या लंबे कॉन्टेक्स्ट वाली प्रोफ़ाइल इस्तेमाल करें |
| उत्तरों की शैली बदल जाती है | राउटर ने एक अलग मॉडल चुना | X-Session-Id हेडर भेजें, या मॉडल तय करें |
मुफ़्त टियर पर कोई SLA नहीं है। सबसे मज़बूत मॉडल अपनी दैनिक सीमा पहले पूरी करते हैं, और कई सीमाएँ UTC मध्यरात्रि पर रीसेट होती हैं। अपनी पाइपलाइन को उन्हीं मॉडलों के साथ परखें जिन्हें आपकी चेन असल में इस्तेमाल करेगी।
अक्सर पूछे जाने वाले प्रश्न
क्या RAG के लिए कोई मुफ़्त API है?
हाँ। कई प्रदाताओं के पास मुफ़्त embedding और चैट टियर हैं। FreeLLMAPI दोनों को एक OpenAI-compatible कुंजी से देता है, जिसमें प्रदाताओं के बीच फ़ेलओवर होता है।
RAG के लिए सबसे अच्छा मुफ़्त embedding मॉडल कौन सा है?
ऐसा परिवार चुनें जो कई प्रदाताओं पर मुफ़्त हो और आपकी भाषाओं के लिए ठीक हो। बहुभाषी टेक्स्ट के लिए bge-m3 एक आम विकल्प है। पूरे index के लिए एक ही परिवार रखें।
क्या कोई मुफ़्त rerank API है?
FreeLLMAPI दस्तावेज़ किसी rerank एंडपॉइंट का वर्णन नहीं करते। आप इस पेज पर दिखाए अनुसार एक तेज़ चैट मॉडल से rerank कर सकते हैं, या rerank चरण छोड़ सकते हैं।
यदि किसी मुफ़्त मॉडल का 10 लाख टोकन का कॉन्टेक्स्ट है, तो क्या मुझे RAG चाहिए?
कुछ छोटे दस्तावेज़ों के लिए नहीं। कई दस्तावेज़ों या बार-बार पूछे जाने वाले प्रश्नों के लिए, retrieval हर अनुरोध पर कम टोकन भेजता है और मुफ़्त सीमाओं के भीतर रहता है।
क्या मैं बाद में embedding मॉडल बदल सकता हूँ?
हाँ, लेकिन आपको सभी chunks को फिर से embed करना होगा। दो मॉडलों के vectors संगत नहीं हैं, इसलिए उन्हें एक index में न मिलाएँ।
संबंधित गाइड
- मुफ़्त embeddings API
- 10 लाख टोकन कॉन्टेक्स्ट वाली मुफ़्त LLM API
- LlamaIndex के लिए मुफ़्त LLM
- LangChain के लिए मुफ़्त LLM API
- Python में मुफ़्त LLM API
स्रोत
- FreeLLMAPI docs: embeddings (families and failover rules) (जाँचा गया 20 November 2026)
- FreeLLMAPI docs: routing strategies and response headers (जाँचा गया 20 November 2026)
- OpenAI Python SDK: embeddings, errors and retries (जाँचा गया 20 November 2026)