ホーム / ガイド / RAG向けの無料LLM API

RAG向けの無料LLM API

検索拡張生成(RAG)には、2つのAPIが必要です。関連するテキストを探す埋め込みモデルと、回答を書くチャットモデルです。どちらも無料ティアで利用できます。FreeLLMAPIは、41件の無料の埋め込みモデルと487件の無料のチャットモデルに、1つのOpenAI互換キーを提供します。プロバイダー間のフェイルオーバーも行います。このガイドでは、各手順の無料モデルと、完全なPythonのパイプラインを示します。

コード、モデル名、ライブのカタログラベルは英語で表示します。

無料ティアでのRAGのパイプライン

手順API無料ティアの注意点
1. 文書をチャンクに分割するなし(ローカルのコード)なし
2. 各チャンクを埋め込む/v1/embeddings開始時に多数のリクエスト。一部の無料の埋め込みティアは、毎分10リクエストを許可します。
3. 質問を埋め込む/v1/embeddings質問ごとに1リクエスト
4. 上位のチャンクを見つけるなし(ローカルのベクトル検索)なし
5. チャンクを再ランク付けする(任意)/v1/chat/completions質問ごとに、チャットのリクエストが1つ追加されます
6. 回答を書く/v1/chat/completions大きなプロンプト。毎分のトークン数の制限が適用されます。

手順2が最もコストの高い手順です。文書ごとに1回行ってください。ベクトルを保存し、後では新規または変更された文書だけを埋め込んでください。

FreeLLMAPIとPythonパッケージをインストールする

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

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

無料の埋め込みモデルを選ぶ

1つの埋め込みファミリーを選び、インデックス全体で使い続けてください。2つのモデルのベクトルには互換性がありません。FreeLLMAPIは、ベクトルの混在から保護します。埋め込みのフェイルオーバーは、モデルを変更しません。同じファミリーを提供するプロバイダーの間でのみ移動します。

モデルプロバイダー次元数最大入力無料枠
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)

FreeLLMAPI カタログのライブデータ(バージョン 2026.11.19、確認日 2026-11-19)。無料枠の上限は頻繁に変わります。カタログは毎日確認されます。

  • 1つのファミリーに対する複数のプロバイダー: bge-m3などのファミリーは、複数のプロバイダーで無料です。そのため、フェイルオーバーの移動先があります。
  • 最大入力: 最大入力より長いチャンクは、切り取られるか拒否されます。チャンクは、この値より小さくしてください。
  • 言語: 英語以外のテキストには、bge-m3などの多言語のファミリーを使ってください。名前に-en-を含むファミリーは、英語用です。
  • 次元: ベクトルが大きいほど、多くの保存容量を使います。小さいインデックスでは、これは問題になりません。

Pythonによる完全なRAGのコード

このスクリプトは、テキストファイルをチャンクに分割し、バッチで埋め込み、NumPyでベクトルを保存します。次に、上位のチャンクを使って質問に回答し、出典を示します。制限によってリクエストが止まると、再試行します。

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?"))

数千を超えるチャンクでは、NumPyの検索をベクトルデータベースに置き換えてください。埋め込みとチャットの呼び出しは、変わりません。

ユーザーは、同じ質問を何度もすることがよくあります。FreeLLMAPIには、同一のリクエストに対する、任意で有効にできるレスポンスキャッシュがあります。キャッシュのヒットは、プロバイダーの割り当て量を使いません。X-FreeLLM-Cache: onまたはoffヘッダーで、1つのリクエストのキャッシュを有効または無効にできます。同じ質問が同じリクエストになるように、temperature=0を使ってください。

リランクの手順を追加する

ベクトル検索は、似たテキストを見つけますが、上位のチャンクが常に最良の回答とは限りません。リランクの手順は、候補を並べ替えます。FreeLLMAPIのドキュメントには、専用のリランクのエンドポイントは記載されていません。リランカーとして、高速なチャットモデルを使えます。候補を15件取得し、最良の5件を残してください。

auto:fastによるLLMのリランク

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]

リランクの手順は、質問ごとにチャットのリクエストを1つ追加します。無料の制限が厳しい場合は、省略してください。チャンク分割を改善する方が、リランクの手順より役立つことが多いです。

長いコンテキスト: 検索が不要な場合

現在、56件の無料モデルの提供は、100万トークン以上のコンテキストウィンドウを持ちます。文書が小さい場合は、すべての文書をプロンプトに送り、ベクトルインデックスを省略できます。これはより単純ですが、各質問で多くのトークンを送ることになります。

最も大きいコンテキストウィンドウを持つ無料モデル
モデル無料で利用可能コンテキスト無料枠の上限(最良の条件)ツール画像入力
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsいいえいいえ
Gemini 3.8 FlashAPINex, Google AI Studio1M5 リクエスト/分
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
はいはい
Gemini 3.7 FlashGoogle AI Studio1M10 リクエスト/分
20 リクエスト/日
250,000 トークン/分
~3M
はいはい
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 リクエスト/分
50 リクエスト/日
Shared rate limit
はいいいえ
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetいいえいいえ
Gemini 3.6 FlashGoogle AI Studio1M10 リクエスト/分
20 リクエスト/日
250,000 トークン/分
~3M
はいはい
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary resetいいえいいえ
Gemini 3.5 FlashGoogle AI Studio1M10 リクエスト/分
20 リクエスト/日
250,000 トークン/分
~3M
はいはい
DeepSeek V4 ProAPINex, Router91M5 リクエスト/分
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
いいえいいえ
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR ほか 3 件1M200 リクエスト/日
200 rpd
はいいいえ

一致する無料モデル 35 件のうち 10 件を表示しています。 すべてのモデルを見る.

FreeLLMAPI カタログのライブデータ(バージョン 2026.11.19、確認日 2026-11-19)。無料枠の上限は頻繁に変わります。カタログは毎日確認されます。

  • 長いコンテキストを使う: 少数の文書、全文が必要な質問、または1つのレポートに使ってください。
  • 検索を使う: 多数の文書、頻繁な質問、または無料の毎分トークン数の制限が低い場合に使ってください。
  • 組み合わせる: 20個以上のチャンクを取得し、長いコンテキストのモデルに送ってください。

大きなプロンプトは、毎分のトークン数の制限が低いプロバイダーで失敗することがあります。その場合、FreeLLMAPIは次のプロバイダーを試します。大きいプロンプトを受け取るモデルを制御するには、長いコンテキストのモデルだけを含むフォールバックチェーンのプロファイルを作成してください。これをauto:<profile>として使ってください。

制限とトラブルシューティング

問題原因対処
取り込みが429で止まります埋め込みファミリーが、すべてのプロバイダーで制限に達していますより大きいバッチを使い、Retry-Afterを待ち、部分ごとに取り込んでください
変更後に結果が悪くなりますインデックスに、2つのファミリーのベクトルがあります1つのファミリーで、すべてのチャンクを埋め込み直してください
入力の長さに関するエラーチャンクが、ファミリーの最大入力より長いですより小さいチャンクを使ってください
回答が出典を無視しますモデルが、自身の知識から回答していますtemperature=0と、厳格なシステムプロンプトを使ってください
回答でコンテキスト長のエラーチャンクが多すぎるか、長すぎますkを下げるか、長いコンテキストのプロファイルを使ってください
回答のスタイルが変わりますルーターが別のモデルを選択しましたX-Session-Idヘッダーを送るか、モデルを固定してください

無料ティアには、SLAがありません。最も強いモデルは、最初に1日の上限に達します。多くの制限は、UTCの午前0時にリセットされます。チェーンが実際に使うモデルで、パイプラインをテストしてください。

これらすべてを 1 つのキーで利用できます。 FreeLLMAPI は、オープンソースのセルフホスト型ルーターです。これらの無料枠すべてを 1 つの OpenAI 互換エンドポイントの背後にまとめ、レート制限に達した場合は自動的に別のプロバイダーへ切り替えます。 カタログを見る または 公開.

よくある質問

RAG向けの無料のAPIはありますか?

はい。複数のプロバイダーが、無料の埋め込みとチャットのティアを提供しています。FreeLLMAPIは、両方を1つのOpenAI互換キーで提供し、プロバイダー間でフェイルオーバーします。

RAGに最適な無料の埋め込みモデルはどれですか?

複数のプロバイダーで無料で、お使いの言語に合うファミリーを選んでください。多言語のテキストには、bge-m3が一般的な選択肢です。インデックス全体で1つのファミリーを使い続けてください。

無料のリランクAPIはありますか?

FreeLLMAPIのドキュメントには、リランクのエンドポイントは記載されていません。このページに示すように、高速なチャットモデルでリランクするか、リランクの手順を省略できます。

無料モデルが100万トークンのコンテキストを持つ場合、RAGは必要ですか?

少数の小さい文書なら必要ありません。多数の文書や頻繁な質問では、検索によって1リクエストあたりのトークンが減り、無料の制限内に収まります。

後で埋め込みモデルを変更できますか?

はい。ただし、すべてのチャンクを埋め込み直す必要があります。2つのモデルのベクトルには互換性がないため、1つのインデックスに混在させないでください。

関連ガイド

出典

すべてのガイド · 無料モデルをすべて見る