Beranda / Panduan / API LLM gratis untuk RAG

API LLM gratis untuk RAG

Retrieval-augmented generation (RAG) membutuhkan dua API: model embedding untuk menemukan teks yang relevan, dan model chat untuk menulis jawaban. Keduanya tersedia pada tier gratis. FreeLLMAPI memberi satu kunci yang kompatibel dengan OpenAI untuk 41 model embedding gratis dan 487 model chat gratis, dengan failover antar penyedia. Panduan ini menunjukkan model gratis untuk setiap langkah dan pipeline Python yang lengkap.

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

Pipeline RAG pada tier gratis

LangkahAPIPerhatian untuk tier gratis
1. Pecah dokumen menjadi potonganTidak ada (kode lokal)Tidak ada
2. Embed setiap potongan/v1/embeddingsBanyak permintaan di awal. Beberapa tier embedding gratis mengizinkan 10 permintaan per menit.
3. Embed pertanyaan/v1/embeddingsSatu permintaan per pertanyaan
4. Temukan potongan teratasTidak ada (pencarian vektor lokal)Tidak ada
5. Rerank potongan (opsional)/v1/chat/completionsSatu permintaan chat tambahan per pertanyaan
6. Tulis jawaban/v1/chat/completionsPrompt besar. Batas token per menit berlaku.

Langkah 2 adalah langkah yang paling mahal. Anda melakukannya sekali untuk setiap dokumen. Simpan vektornya, dan embed hanya dokumen baru atau yang berubah nanti.

Pasang FreeLLMAPI dan paket Python

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

python3 -m pip install -U openai numpy
export FREELLMAPI_API_KEY=<unified-key>

Pilih model embedding gratis

Pilih satu keluarga embedding dan pertahankan untuk seluruh indeks. Vektor dari dua model tidak kompatibel. FreeLLMAPI melindungi Anda dari vektor campuran: failover embedding tidak pernah mengganti model. Failover hanya berpindah antar penyedia yang menyajikan keluarga yang sama.

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 untuk satu keluarga: keluarga seperti bge-m3 gratis di lebih dari satu penyedia. Failover kemudian memiliki tujuan.
  • Input maks: potongan yang lebih panjang dari input maksimum akan dipotong atau ditolak. Buat potongan lebih kecil dari nilai ini.
  • Bahasa: untuk teks yang bukan bahasa Inggris, gunakan keluarga multibahasa seperti bge-m3. Keluarga dengan -en- di namanya untuk bahasa Inggris.
  • Dimensi: vektor yang lebih besar memakai lebih banyak penyimpanan. Untuk indeks kecil, ini tidak menjadi masalah.

Kode RAG lengkap dengan Python

Skrip ini memecah file teks menjadi potongan, meng-embed-nya dalam batch, dan menyimpan vektornya dengan NumPy. Lalu skrip menjawab pertanyaan dengan potongan teratas dan memberikan sumbernya. Skrip mencoba lagi saat batas menghentikan permintaan.

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?"))

Untuk lebih dari beberapa ribu potongan, ganti pencarian NumPy dengan basis data vektor. Panggilan embedding dan chat tetap sama.

Pengguna sering mengajukan pertanyaan yang sama lagi. FreeLLMAPI memiliki cache respons opt-in untuk permintaan yang identik. Hit cache tidak menggunakan kuota penyedia. Anda dapat mengaktifkan atau menonaktifkan cache untuk satu permintaan dengan header X-FreeLLM-Cache: on atau off. Gunakan temperature=0, agar pertanyaan yang sama menghasilkan permintaan yang sama.

Tambahkan langkah rerank

Pencarian vektor menemukan teks yang mirip, tetapi potongan teratas belum tentu jawaban terbaik. Langkah rerank mengurutkan ulang kandidat. Dokumentasi FreeLLMAPI tidak menjelaskan endpoint rerank khusus. Anda dapat menggunakan model chat cepat sebagai reranker. Ambil 15 kandidat dan simpan 5 yang terbaik.

Rerank LLM dengan auto:fast

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]

Langkah rerank menambah satu permintaan chat per pertanyaan. Jika batas gratis Anda ketat, lewati langkah ini. Pemecahan dokumen yang lebih baik sering lebih membantu daripada langkah rerank.

Konteks panjang: saat Anda tidak memerlukan retrieval

Saat ini, 56 penawaran model gratis memiliki jendela konteks 1 juta token atau lebih. Jika dokumen Anda kecil, Anda dapat mengirim semuanya di prompt dan melewati indeks vektor. Cara ini lebih sederhana, tetapi setiap pertanyaan kemudian mengirim banyak token.

Model gratis dengan jendela konteks terbesar
ModelGratis diKonteksBatas gratis (penawaran terbaik)AlatPemrosesan gambar
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsTidakTidak
Gemini 3.8 FlashAPINex, Google AI Studio1M5 permintaan/menit
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
YaYa
Gemini 3.7 FlashGoogle AI Studio1M10 permintaan/menit
20 permintaan/hari
250,000 token/menit
~3M
YaYa
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 permintaan/menit
50 permintaan/hari
Shared rate limit
YaTidak
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetTidakTidak
Gemini 3.6 FlashGoogle AI Studio1M10 permintaan/menit
20 permintaan/hari
250,000 token/menit
~3M
YaYa
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary resetTidakTidak
Gemini 3.5 FlashGoogle AI Studio1M10 permintaan/menit
20 permintaan/hari
250,000 token/menit
~3M
YaYa
DeepSeek V4 ProAPINex, Router91M5 permintaan/menit
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
TidakTidak
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR +3 lagi1M200 permintaan/hari
200 rpd
YaTidak

Menampilkan 10 dari 35 model gratis yang cocok. Lihat semua model.

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

  • Gunakan konteks panjang untuk beberapa dokumen, untuk pertanyaan yang memerlukan teks lengkap, atau untuk satu laporan.
  • Gunakan retrieval untuk banyak dokumen, untuk pertanyaan yang sering, atau saat batas token per menit gratis rendah.
  • Gabungkan keduanya: ambil 20 potongan atau lebih dan kirim ke model konteks panjang.

Prompt besar dapat gagal pada penyedia dengan batas token per menit yang rendah. FreeLLMAPI kemudian mencoba penyedia berikutnya. Untuk mengontrol model mana yang menerima prompt besar, buat profil rantai fallback yang hanya berisi model konteks panjang. Gunakan sebagai auto:<profile>.

Batas dan pemecahan masalah

MasalahPenyebabSolusi
Ingestion berhenti dengan 429Keluarga embedding mencapai batasnya di semua penyediaGunakan batch yang lebih besar, tunggu Retry-After, dan ingest per bagian
Hasil buruk setelah perubahanIndeks memiliki vektor dari dua keluargaEmbed ulang semua potongan dengan satu keluarga
Error tentang panjang inputSebuah potongan lebih panjang dari input maksimum keluargaGunakan potongan yang lebih kecil
Jawaban mengabaikan sumberModel menjawab dari pengetahuannya sendiriGunakan temperature=0 dan system prompt yang ketat
Error panjang konteks pada jawabanTerlalu banyak atau terlalu panjang potonganKurangi k atau gunakan profil konteks panjang
Gaya jawaban berubahRouter memilih model yang berbedaKirim header X-Session-Id atau kunci model

Tier gratis tidak memiliki SLA. Model terkuat mencapai batas harian lebih dulu, dan banyak batas direset pada tengah malam UTC. Uji pipeline Anda dengan model yang benar-benar akan digunakan oleh rantai Anda.

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 gratis untuk RAG?

Ada. Beberapa penyedia memiliki tier embedding dan chat gratis. FreeLLMAPI menyajikan keduanya melalui satu kunci yang kompatibel dengan OpenAI, dengan failover antar penyedia.

Model embedding gratis mana yang terbaik untuk RAG?

Pilih keluarga yang gratis di beberapa penyedia dan sesuai dengan bahasa Anda. Untuk teks multibahasa, bge-m3 adalah pilihan umum. Pertahankan satu keluarga untuk seluruh indeks.

Apakah ada API rerank gratis?

Dokumentasi FreeLLMAPI tidak menjelaskan endpoint rerank. Anda dapat melakukan rerank dengan model chat cepat, seperti yang ditunjukkan di halaman ini, atau melewati langkah rerank.

Apakah saya perlu RAG jika model gratis memiliki konteks 1 juta token?

Tidak untuk beberapa dokumen kecil. Untuk banyak dokumen atau pertanyaan yang sering, retrieval mengirim lebih sedikit token per permintaan dan tetap berada dalam batas gratis.

Bisakah saya mengganti model embedding nanti?

Bisa, tetapi Anda harus meng-embed ulang semua potongan. Vektor dari dua model tidak kompatibel, jadi jangan mencampurkannya dalam satu indeks.

Panduan terkait

Sumber

Semua panduan · Lihat semua model gratis