Beranda / Panduan / API embeddings gratis

API embeddings gratis

API embeddings mengubah teks menjadi vektor untuk pencarian, RAG, dan clustering. Beberapa penyedia memberikan embeddings gratis. FreeLLMAPI menempatkan 41 model embeddings gratis di balik satu endpoint /v1/embeddings. Panduan ini menampilkan model, batasnya, dan kode yang berfungsi.

Kode, nama model, dan label katalog langsung ditampilkan dalam bahasa Inggris.

Cara embeddings gratis bekerja di FreeLLMAPI

Endpoint /v1/embeddings memakai format permintaan OpenAI. SDK OpenAI mana pun dapat memanggilnya. Anda mengirim teks, dan Anda menerima satu vektor untuk setiap string input.

Embeddings memakai aturan failover yang berbeda dari chat. Permintaan chat dapat berpindah ke model lain. Permintaan embeddings tidak pernah berpindah ke model lain. Vektor dari dua model tidak kompatibel, sehingga perubahan model yang diam-diam akan merusak penyimpanan vektor Anda.

  • Family: FreeLLMAPI mengelompokkan penyedia berdasarkan family. Satu family adalah satu identitas model dengan satu ukuran vektor, misalnya bge-m3 pada 1024 dimensi.
  • Failover: saat satu penyedia dalam family mencapai batasnya, router mencoba penyedia berikutnya yang melayani family yang sama.
  • Default: model: "auto" memakai family default. Anda mengatur family default di halaman Models, Embeddings pada dasbor.

Model embeddings gratis saat ini

Tabel mencantumkan setiap model embeddings gratis di katalog FreeLLMAPI. Data berasal dari katalog live. "Input maks" adalah jumlah token maksimum untuk satu string input. "Batas gratis" adalah kuota gratis yang dipublikasikan penyedia.

ModelPenyediaDimensiInput maksBatas gratis
Gemini Embedding
gemini-embedding-001
Google AI Studio30722048100 rpm · 1K req/day
Nemotron Embed VL 1B
nvidia/llama-nemotron-embed-vl-1b-v2
NVIDIA NIM20488192~40 rpm
Nemotron 3 Embed 1B (OR free)
nvidia/nemotron-3-embed-1b:free
OpenRouter20483276820 rpm · shared free daily cap
SEA-LION E5 Embedding 600M
aisingapore/SEA-LION-E5-Embedding-600M
SEA-LION10248192free · 10 rpm
SEA-LION ModernBERT Embedding 300M
aisingapore/SEA-LION-ModernBERT-Embedding-300M
SEA-LION10248192free · 10 rpm
SEA-LION ModernBERT Embedding 600M
aisingapore/SEA-LION-ModernBERT-Embedding-600M
SEA-LION10248192free · 10 rpm
BGE-M3
@cf/baai/bge-m3
Cloudflare Workers AI1024819210K neurons/day (shared)
EmbeddingGemma 300M
@cf/google/embeddinggemma-300m
Cloudflare Workers AI768204810K neurons/day (shared)
Qwen3 Embedding 0.6B
@cf/qwen/qwen3-embedding-0.6b
Cloudflare Workers AI1024819210K neurons/day (shared)
Cohere Embed v4
embed-v4.0
Cohere15361280001K calls/mo (shared w/ chat)
Gemini Embedding 2
gemini-embedding-2
Google AI Studio30728192free-tier rate limited
Nemotron 3 Embed 1B
nvidia/nemotron-3-embed-1b
NVIDIA NIM20484096~40 rpm
PLaMo Embedding 1B (CF)
@cf/pfnet/plamo-embedding-1b
Cloudflare Workers AI2048409610K neurons/day (shared)
BGE Small EN v1.5 (CF)
@cf/baai/bge-small-en-v1.5
Cloudflare Workers AI38451210K neurons/day (shared)
BGE Base EN v1.5 (CF)
@cf/baai/bge-base-en-v1.5
Cloudflare Workers AI76851210K neurons/day (shared)
BGE Large EN v1.5 (CF)
@cf/baai/bge-large-en-v1.5
Cloudflare Workers AI102451210K neurons/day (shared)
Mistral Embed
mistral-embed
Mistral10248192free mode · monthly cap (shared)
Codestral Embed
codestral-embed
Mistral15368192free mode · monthly cap (shared)
Llama Text Embed v2 (Pinecone)
llama-text-embed-v2
Pinecone102420485M tokens/mo per model
Multilingual E5 Large (Pinecone)
multilingual-e5-large
Pinecone10245075M tokens/mo per model
Nemotron 3 Embed 1B (Speka)
nvidia/nemotron-3-embed-1b
Speka20488192$1/month shared across Speka models
OpenAI: Text Embedding 3 Small (ElectronHub)
text-embedding-3-small
ElectronHub15368192$0.25/week shared free credits
OpenAI: Text Embedding 3 Large (ElectronHub)
text-embedding-3-large
ElectronHub30728192$0.25/week shared free credits
Nemotron 3 Embed 8B (Inferbase)
nvidia-nemotron-3-embed-8b
Inferbase409681925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 0.6B (Inferbase)
qwen3-embedding-0-6b
Inferbase102481925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 4B (Inferbase)
qwen3-embedding-4b
Inferbase256081925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 8B (Inferbase)
qwen3-embedding-8b
Inferbase409681925,000 requests/month; 100 requests and $0.50 usage/day shared
LFM2.5 Embedding 350M (LLMTR)
liquid/lfm-2.5-embedding-350m-free
LLMTR1024512Ongoing zero-price route; provider terms apply
BGE-M3 (SEA-LION)
BAAI/bge-m3
SEA-LION10248192free · 10 rpm
Cohere Embed English v3
embed-english-v3.0
Cohere10245121K calls/mo (shared w/ chat)
Qwen3 Embedding 8B (OVH)
Qwen3-Embedding-8B
OVH AI Endpoints409632768free · anonymous 2 req/min per IP
BGE-M3 (OVH)
bge-m3
OVH AI Endpoints10248192free · anonymous 2 req/min per IP
BGE Multilingual Gemma2 (OVH)
bge-multilingual-gemma2
OVH AI Endpoints35848192free · anonymous 2 req/min per IP
Mistral: Codestral Embed (ElectronHub)
codestral-embed
ElectronHub15368192$0.25/week shared free credits
Mistral: Mistral Embed (ElectronHub)
mistral-embed
ElectronHub10248192$0.25/week shared free credits
Google: Gemini Embedding 2 (ElectronHub)
gemini-embedding-2
ElectronHub30728192$0.25/week shared free credits
Google: Gemini Embedding 001 (ElectronHub)
gemini-embedding-001
ElectronHub30722048$0.25/week shared free credits
OpenAI: Text Embedding Ada 002 (ElectronHub)
text-embedding-ada-002
ElectronHub15368192$0.25/week shared free credits
Cohere Embed English Light v3
embed-english-light-v3.0
Cohere3845121K calls/mo (shared w/ chat)
Cohere Embed Multilingual v3
embed-multilingual-v3.0
Cohere10245121K calls/mo (shared w/ chat)
Cohere Embed Multilingual Light v3
embed-multilingual-light-v3.0
Cohere3845121K calls/mo (shared w/ chat)

Data langsung dari katalog FreeLLMAPI (versi 2026.11.19, diperiksa 2026-11-19). Batas gratis sering berubah. Katalog diperiksa setiap hari.

Beberapa penyedia berbagi satu kuota antara chat dan embeddings. Misalnya, kunci uji coba Cohere mengizinkan 1.000 panggilan API setiap bulan untuk semua endpoint bersama. Cloudflare Workers AI memberikan 10.000 neuron setiap hari, yang dipakai bersama oleh semua model Workers AI di akun.

Langkah 1: Pasang FreeLLMAPI dan tambahkan kunci

FreeLLMAPI bersifat sumber terbuka. Aplikasi ini berjalan di komputer Anda melalui Docker. Kunci penyedia Anda tetap berada di komputer Anda.

Pasang (macOS atau Linux)

curl -fsSL https://freellmapi.co/install.sh | bash

Buka dasbor di http://localhost:3001. Tambahkan kunci penyedia Anda di halaman Keys. Untuk embeddings, kunci Google AI Studio dan kunci Cloudflare memberi awal yang baik. Salin kunci terpadu Anda dari halaman yang sama.

Langkah 2: Panggil endpoint embeddings

Kirim daftar string untuk mendapatkan beberapa vektor dalam satu permintaan. Gunakan nilai model yang sama untuk dokumen dan untuk kueri pencarian Anda.

curl

curl http://localhost:3001/v1/embeddings \
  -H "Authorization: Bearer <unified-key>" \
  -H "Content-Type: application/json" \
  -d '{"model": "bge-m3", "input": ["the quick brown fox", "a fast brown fox"]}'

Python: embed dan bandingkan dua teks

import math
from openai import OpenAI

client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")

resp = client.embeddings.create(
    model="bge-m3",  # a family name, "auto", or a provider model id
    input=["How do I reset my password?", "Steps to change a forgotten password"],
)
a, b = resp.data[0].embedding, resp.data[1].embedding
print(len(resp.data), "vectors of", len(a), "dimensions")

dot = sum(x * y for x, y in zip(a, b))
norm = math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b))
print("cosine similarity:", round(dot / norm, 3))

Kolom model menerima tiga bentuk: auto, nama family seperti bge-m3, atau ID model penyedia seperti @cf/baai/bge-m3. ID model penyedia diselesaikan menjadi family-nya, sehingga failover tetap berada di dalam family tersebut.

Model embeddings gratis mana yang dipilih

Pilih model satu kali untuk setiap penyimpanan vektor. Jika nanti Anda mengubah model, Anda harus melakukan embed ulang semua dokumen.

KebutuhanFamily modelAlasan
Teks Inggris singkat atau multibahasa, banyak penyediabge-m31024 dimensi, 8.192 token input. Beberapa penyedia gratis melayaninya, sehingga failover memiliki lebih banyak pilihan.
Retrieval berkualitas tinggi dengan kunci Googlegemini-embedding-0013072 dimensi. Batas input adalah 2.048 token, sehingga bagi dokumen panjang menjadi potongan-potongan.
Dokumen panjang dalam satu vektorembed-v4.0 (Cohere)Jendela input besar. Kunci uji coba hanya mengizinkan 1.000 panggilan setiap bulan, yang dibagi dengan chat.
Vektor kecil dan pencarian cepatbge-small-en-v1.5384 dimensi. Hanya bahasa Inggris, dan batas input adalah 512 token.
Pencarian kodecodestral-embedDilatih untuk kode. Model ini memakai kuota mode gratis Mistral.

Vektor besar memerlukan lebih banyak penyimpanan dan memori di basis data vektor. Vektor 3072 dimensi tiga kali lebih besar daripada vektor 1024 dimensi. Untuk sebagian besar proyek RAG dengan kurang dari satu juta potongan, 768 sampai 1024 dimensi memberi hasil yang baik.

Batas dan jebakan

  • Batas input: teks di atas nilai "Input maks" dapat dipotong atau ditolak. Bagi dokumen menjadi potongan 300 sampai 800 token sebelum Anda melakukan embed.
  • Satu family per penyimpanan: jangan mencampur vektor dari dua family dalam satu indeks. Skor kemiripan tidak memiliki arti antarmodel.
  • Normalisasi: Google menyatakan bahwa vektor gemini-embedding-001 dengan kurang dari 3072 dimensi harus Anda normalisasi sendiri. Normalisasi semua vektor sebelum Anda memakai dot product sebagai skor.
  • Batas permintaan: paket gratis menghitung permintaan per menit atau per hari. Kirim batch string dalam satu permintaan, bukan satu permintaan untuk setiap string.
  • Paket anonim: OVH AI Endpoints mengizinkan 2 permintaan per menit untuk setiap alamat IP dan model tanpa kunci. Gunakan sebagai cadangan, bukan untuk pengindeksan massal.
Tips: simpan minimal dua penyedia dalam family yang Anda pilih. Dengan begitu, error 429 pada satu penyedia tidak menghentikan tugas pengindeksan Anda.

Pemecahan masalah

MasalahPenyebabSolusi
Error 429 saat pengindeksan massalBatas penyedia untuk family telah tercapaiTambahkan kunci penyedia kedua untuk family yang sama, atau kirim lebih sedikit permintaan setiap menit
Hasil pencarian salah setelah ada perubahanDokumen dan kueri memakai family yang berbedaGunakan satu nilai model untuk keduanya. Lakukan embed ulang dokumen jika Anda mengubahnya
Panjang vektor tidak sesuai harapanauto memakai family defaultAtur nama family secara eksplisit, atau periksa nilai default di Models, Embeddings
Teks panjang menghasilkan kecocokan yang burukTeks lebih panjang dari batas inputBagi teks menjadi potongan yang lebih kecil
Error 401Kunci terpadu salah atau tidak adaSalin ulang kunci terpadu dari halaman Keys
Gunakan semua ini melalui satu kunci. FreeLLMAPI adalah router sumber terbuka yang Anda hosting sendiri. Router ini menempatkan semua paket gratis ini di balik satu endpoint yang kompatibel dengan OpenAI, dan beralih ke penyedia lain saat batas permintaan tercapai. Lihat katalog atau mulai.

Pertanyaan yang sering diajukan

Apakah ada API embeddings gratis?

Ya. Google AI Studio, Cloudflare Workers AI, Cohere, NVIDIA, Mistral, OVH, dan penyedia lain menyediakan model embeddings gratis dengan batas permintaan. FreeLLMAPI menempatkan 41 di antaranya di balik satu endpoint yang kompatibel dengan OpenAI.

Dapatkah saya memakai SDK OpenAI untuk embeddings gratis?

Dapat. Atur base URL ke http://localhost:3001/v1 dan gunakan kunci terpadu Anda. Kemudian panggil client.embeddings.create dengan nama family seperti bge-m3.

Mengapa FreeLLMAPI tidak beralih ke model embeddings yang berbeda saat gagal?

Vektor dari model yang berbeda tidak kompatibel. Perubahan model yang diam-diam akan merusak pencarian kemiripan. Router hanya beralih antarpenyedia yang melayani family model yang sama.

Apa model embeddings gratis terbaik untuk RAG?

Untuk sebagian besar proyek, bge-m3 adalah pilihan bawaan yang baik. Model ini memiliki 1024 dimensi, batas input 8.192 token, dan beberapa penyedia gratis. Gunakan gemini-embedding-001 jika Anda menginginkan 3072 dimensi dan memiliki kunci Google.

Berapa dimensi yang sebaiknya dimiliki embeddings saya?

Gunakan 768 sampai 1024 dimensi untuk sebagian besar pekerjaan pencarian dan RAG. Vektor yang lebih besar memakai lebih banyak penyimpanan dan memori. Pilih ukurannya satu kali, karena perubahan berarti Anda harus melakukan embed ulang semua dokumen.

Panduan terkait

Sumber

Semua panduan · Lihat semua model gratis