ഹോം / ഗൈഡുകൾ / RAG-നുള്ള സൗജന്യ LLM API

RAG-നുള്ള സൗജന്യ LLM API

Retrieval-augmented generation (RAG) രണ്ട് APIs ആവശ്യമാണ്: പ്രസക്തമായ ടെക്സ്റ്റ് കണ്ടെത്താൻ ഒരു embedding മോഡൽ, ഉത്തരം എഴുതാൻ ഒരു chat മോഡൽ. രണ്ടും സൗജന്യ tiers-ൽ ലഭ്യമാണ്. FreeLLMAPI 41 സൗജന്യ embedding മോഡലുകൾക്കും 487 സൗജന്യ chat മോഡലുകൾക്കും ഒരു OpenAI-compatible key നൽകുന്നു, providers തമ്മിൽ failover-ഓടെ. ഈ ഗൈഡ് ഓരോ ഘട്ടത്തിനുമുള്ള സൗജന്യ മോഡലുകളും ഒരു പൂർണ്ണ Python pipeline-ഉം കാണിക്കുന്നു.

കോഡ്, മോഡൽ പേരുകളും തത്സമയ കാറ്റലോഗ് ലേബലുകളും ഇംഗ്ലീഷിൽ കാണിക്കുന്നു.

സൗജന്യ tiers-ലെ RAG pipeline

ഘട്ടംAPIസൗജന്യ tier-ലെ ആശങ്ക
1. രേഖകൾ chunks ആയി വിഭജിക്കുകഇല്ല (പ്രാദേശിക കോഡ്)ഇല്ല
2. ഓരോ chunk-ഉം embed ചെയ്യുക/v1/embeddingsതുടക്കത്തിൽ ധാരാളം അഭ്യർത്ഥനകൾ. ചില സൗജന്യ embedding tiers മിനിറ്റിൽ 10 അഭ്യർത്ഥനകൾ അനുവദിക്കുന്നു.
3. ചോദ്യം embed ചെയ്യുക/v1/embeddingsഓരോ ചോദ്യത്തിനും ഒരു അഭ്യർത്ഥന
4. ഏറ്റവും മികച്ച chunks കണ്ടെത്തുകഇല്ല (പ്രാദേശിക vector തിരയൽ)ഇല്ല
5. chunks വീണ്ടും റാങ്ക് ചെയ്യുക (ഓപ്ഷണൽ)/v1/chat/completionsഓരോ ചോദ്യത്തിനും ഒരു അധിക chat അഭ്യർത്ഥന
6. ഉത്തരം എഴുതുക/v1/chat/completionsവലിയ prompts. tokens-per-minute പരിധികൾ ബാധകമാണ്.

ഘട്ടം 2 ആണ് ചെലവേറിയ ഘട്ടം. ഓരോ രേഖയ്ക്കും ഇത് ഒരിക്കൽ ചെയ്യുന്നു. vectors സൂക്ഷിക്കുക, പിന്നീട് പുതിയതോ മാറിയതോ ആയ രേഖകൾ മാത്രം embed ചെയ്യുക.

FreeLLMAPI ഉം Python packages ഉം ഇൻസ്റ്റാൾ ചെയ്യുക

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

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

സൗജന്യ embedding മോഡൽ തിരഞ്ഞെടുക്കുക

ഒരു embedding family തിരഞ്ഞെടുത്ത് മുഴുവൻ index-നും അത് നിലനിർത്തുക. രണ്ട് മോഡലുകളിൽ നിന്നുള്ള vectors പൊരുത്തപ്പെടുന്നില്ല. FreeLLMAPI മിശ്രിത vectors-ൽ നിന്ന് നിങ്ങളെ സംരക്ഷിക്കുന്നു: embedding failover ഒരിക്കലും മോഡൽ മാറ്റുന്നില്ല. ഒരേ family നൽകുന്ന providers തമ്മിൽ മാത്രമേ അത് മാറുന്നുള്ളൂ.

മോഡൽദാതാവ്ഡൈമെൻഷനുകൾപരമാവധി ഇൻപുട്ട്സൗജന്യ പരിധി
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 കാറ്റലോഗിൽ നിന്നുള്ള തത്സമയ ഡാറ്റ (പതിപ്പ് 2026.11.19, 2026-11-19 ൽ പരിശോധിച്ചത്). സൗജന്യ പരിധികൾ പലപ്പോഴും മാറുന്നു. കാറ്റലോഗ് എല്ലാ ദിവസവും പരിശോധിക്കുന്നു.

  • ഒരു family-ക്ക് പല providers: bge-m3 പോലുള്ള ഒരു family ഒന്നിലധികം providers-ൽ സൗജന്യമാണ്. അപ്പോൾ failover-ന് ഒരിടം ഉണ്ട്.
  • പരമാവധി input: പരമാവധി input-നേക്കാൾ നീളമുള്ള chunks മുറിക്കപ്പെടുകയോ നിരസിക്കപ്പെടുകയോ ചെയ്യുന്നു. chunks ഈ മൂല്യത്തേക്കാൾ ചെറുതാക്കുക.
  • ഭാഷകൾ: ഇംഗ്ലീഷല്ലാത്ത ടെക്സ്റ്റിന്, bge-m3 പോലുള്ള ബഹുഭാഷാ family ഉപയോഗിക്കുക. പേരിൽ -en- ഉള്ള families ഇംഗ്ലീഷിനുള്ളതാണ്.
  • Dimensions: വലിയ vectors കൂടുതൽ സ്ഥലം ഉപയോഗിക്കുന്നു. ചെറിയ index-ന്, ഇത് പ്രശ്നമല്ല.

Python-ൽ പൂർണ്ണ RAG കോഡ്

സ്ക്രിപ്റ്റ് ടെക്സ്റ്റ് ഫയലുകളെ chunks ആയി വിഭജിക്കുന്നു, batches ആയി embed ചെയ്യുന്നു, NumPy ഉപയോഗിച്ച് vectors സൂക്ഷിക്കുന്നു. തുടർന്ന് മുകളിലെ chunks ഉപയോഗിച്ച് ഒരു ചോദ്യത്തിന് ഉത്തരം നൽകുകയും ഉറവിടങ്ങൾ നൽകുകയും ചെയ്യുന്നു. ഒരു പരിധി അഭ്യർത്ഥനയെ തടയുമ്പോൾ അത് വീണ്ടും ശ്രമിക്കുന്നു.

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?"))

ഏതാനും ആയിരം chunks-ൽ കൂടുതലുണ്ടെങ്കിൽ, NumPy തിരയൽ ഒരു vector database കൊണ്ട് മാറ്റുക. embedding, chat വിളികൾ അതേപോലെ തുടരുന്നു.

ഉപയോക്താക്കൾ പലപ്പോഴും ഒരേ ചോദ്യം വീണ്ടും ചോദിക്കുന്നു. FreeLLMAPI-ക്ക് ഒരേ അഭ്യർത്ഥനകൾക്കായി opt-in response cache ഉണ്ട്. cache hit ഒരു provider ക്വാട്ടയും ഉപയോഗിക്കുന്നില്ല. X-FreeLLM-Cache: on അല്ലെങ്കിൽ off header ഉപയോഗിച്ച് ഒരു അഭ്യർത്ഥനയ്ക്ക് cache ഓണോ ഓഫോ ആക്കാം. ഒരേ ചോദ്യം ഒരേ അഭ്യർത്ഥന നൽകാൻ temperature=0 ഉപയോഗിക്കുക.

ഒരു rerank ഘട്ടം ചേർക്കുക

vector തിരയൽ സമാനമായ ടെക്സ്റ്റ് കണ്ടെത്തുന്നു, പക്ഷേ മുകളിലെ chunk എപ്പോഴും മികച്ച ഉത്തരമല്ല. ഒരു rerank ഘട്ടം സ്ഥാനാർത്ഥികളെ വീണ്ടും അടുക്കുന്നു. FreeLLMAPI ഡോക്സ് പ്രത്യേക rerank endpoint വിവരിക്കുന്നില്ല. rerank-നായി ഒരു വേഗമുള്ള chat മോഡൽ ഉപയോഗിക്കാം. 15 സ്ഥാനാർത്ഥികളെ വീണ്ടെടുത്ത് ഏറ്റവും മികച്ച 5 നിലനിർത്തുക.

auto:fast ഉപയോഗിച്ച് 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 ഘട്ടം ഓരോ ചോദ്യത്തിനും ഒരു chat അഭ്യർത്ഥന ചേർക്കുന്നു. നിങ്ങളുടെ സൗജന്യ പരിധികൾ കർശനമാണെങ്കിൽ, അത് ഒഴിവാക്കുക. മികച്ച chunking പലപ്പോഴും rerank ഘട്ടത്തേക്കാൾ സഹായിക്കുന്നു.

Long context: retrieval ആവശ്യമില്ലാത്തപ്പോൾ

ഇന്ന്, 56 സൗജന്യ മോഡൽ ഓഫറുകൾക്ക് 1 million tokens അല്ലെങ്കിൽ അതിലധികം context window ഉണ്ട്. നിങ്ങളുടെ രേഖകൾ ചെറുതാണെങ്കിൽ, എല്ലാം prompt-ൽ അയച്ച് vector index ഒഴിവാക്കാം. ഇത് ലളിതമാണ്, പക്ഷേ ഓരോ ചോദ്യവും ധാരാളം tokens അയയ്ക്കുന്നു.

ഏറ്റവും വലിയ context windows ഉള്ള സൗജന്യ മോഡലുകൾ
മോഡൽസൗജന്യമായി ലഭ്യംകോൺടെക്സ്റ്റ്സൗജന്യ പരിധികൾ (ഏറ്റവും മികച്ച ഓഫർ)ടൂളുകൾദൃശ്യ ശേഷി
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsഇല്ലഇല്ല
Gemini 3.8 FlashAPINex, Google AI Studio1M5 അഭ്യർഥന/മിനിറ്റ്
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
അതെഅതെ
Gemini 3.7 FlashGoogle AI Studio1M10 അഭ്യർഥന/മിനിറ്റ്
20 അഭ്യർഥന/ദിവസം
250,000 ടോക്കൺ/മിനിറ്റ്
~3M
അതെഅതെ
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 അഭ്യർഥന/മിനിറ്റ്
50 അഭ്യർഥന/ദിവസം
Shared rate limit
അതെഇല്ല
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetഇല്ലഇല്ല
Gemini 3.6 FlashGoogle AI Studio1M10 അഭ്യർഥന/മിനിറ്റ്
20 അഭ്യർഥന/ദിവസം
250,000 ടോക്കൺ/മിനിറ്റ്
~3M
അതെഅതെ
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary resetഇല്ലഇല്ല
Gemini 3.5 FlashGoogle AI Studio1M10 അഭ്യർഥന/മിനിറ്റ്
20 അഭ്യർഥന/ദിവസം
250,000 ടോക്കൺ/മിനിറ്റ്
~3M
അതെഅതെ
DeepSeek V4 ProAPINex, Router91M5 അഭ്യർഥന/മിനിറ്റ്
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
ഇല്ലഇല്ല
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR +3 കൂടി1M200 അഭ്യർഥന/ദിവസം
200 rpd
അതെഇല്ല

പൊരുത്തപ്പെടുന്ന 35 സൗജന്യ മോഡലുകളിൽ 10 എണ്ണം കാണിക്കുന്നു. എല്ലാ മോഡലുകളും കാണുക.

FreeLLMAPI കാറ്റലോഗിൽ നിന്നുള്ള തത്സമയ ഡാറ്റ (പതിപ്പ് 2026.11.19, 2026-11-19 ൽ പരിശോധിച്ചത്). സൗജന്യ പരിധികൾ പലപ്പോഴും മാറുന്നു. കാറ്റലോഗ് എല്ലാ ദിവസവും പരിശോധിക്കുന്നു.

  • Long context ഉപയോഗിക്കുക കുറച്ച് രേഖകൾക്ക്, മുഴുവൻ ടെക്സ്റ്റ് ആവശ്യമുള്ള ചോദ്യങ്ങൾക്ക്, അല്ലെങ്കിൽ ഒരൊറ്റ റിപ്പോർട്ടിന്.
  • Retrieval ഉപയോഗിക്കുക ധാരാളം രേഖകൾക്ക്, പതിവ് ചോദ്യങ്ങൾക്ക്, അല്ലെങ്കിൽ സൗജന്യ tokens-per-minute പരിധികൾ കുറവായിരിക്കുമ്പോൾ.
  • രണ്ടും ചേർക്കുക: 20 അല്ലെങ്കിൽ അതിലധികം chunks വീണ്ടെടുത്ത് long-context മോഡലിലേക്ക് അയയ്ക്കുക.

കുറഞ്ഞ tokens-per-minute പരിധിയുള്ള ഒരു provider-ൽ വലിയ prompt പരാജയപ്പെടാം. അപ്പോൾ FreeLLMAPI അടുത്ത provider പരീക്ഷിക്കുന്നു. വലിയ prompts ഏത് മോഡലുകൾക്ക് ലഭിക്കണം എന്ന് നിയന്ത്രിക്കാൻ, long-context മോഡലുകൾ മാത്രമുള്ള ഒരു fallback chain profile ഉണ്ടാക്കുക. അത് auto:<profile> ആയി ഉപയോഗിക്കുക.

പരിധികളും പ്രശ്നപരിഹാരവും

പ്രശ്നംകാരണംപരിഹാരം
Ingestion 429-ൽ നിൽക്കുന്നുembedding family എല്ലാ providers-ലും അതിന്റെ പരിധിയിലാണ്വലിയ batches ഉപയോഗിക്കുക, Retry-After-നായി കാത്തിരിക്കുക, ഭാഗങ്ങളായി ingest ചെയ്യുക
ഒരു മാറ്റത്തിന് ശേഷം മോശം ഫലങ്ങൾindex-ൽ രണ്ട് families-ൽ നിന്നുള്ള vectors ഉണ്ട്ഒരു family ഉപയോഗിച്ച് എല്ലാ chunks-ഉം വീണ്ടും embed ചെയ്യുക
input നീളത്തെക്കുറിച്ചുള്ള പിശക്ഒരു chunk family-യുടെ പരമാവധി input-നേക്കാൾ നീളമുള്ളതാണ്ചെറിയ chunks ഉപയോഗിക്കുക
ഉത്തരം ഉറവിടങ്ങളെ അവഗണിക്കുന്നുമോഡൽ സ്വന്തം അറിവിൽ നിന്ന് ഉത്തരം നൽകുന്നുtemperature=0 ഉം കർശനമായ system prompt ഉം ഉപയോഗിക്കുക
ഉത്തരത്തിൽ context length പിശക്chunks വളരെയധികം അല്ലെങ്കിൽ വളരെ നീളമുള്ളവയാണ്k കുറയ്ക്കുക, അല്ലെങ്കിൽ long-context profile ഉപയോഗിക്കുക
ഉത്തരങ്ങളുടെ ശൈലി മാറുന്നുറൂട്ടർ മറ്റൊരു മോഡൽ തിരഞ്ഞെടുത്തുX-Session-Id header അയയ്ക്കുക, അല്ലെങ്കിൽ ഒരു മോഡൽ ഉറപ്പിക്കുക

സൗജന്യ tiers-ന് SLA ഇല്ല. ഏറ്റവും ശക്തമായ മോഡലുകൾ ആദ്യം അവയുടെ പ്രതിദിന പരിധികളിൽ എത്തുന്നു, പല പരിധികളും UTC അർദ്ധരാത്രിയിൽ റീസെറ്റ് ചെയ്യുന്നു. നിങ്ങളുടെ chain യഥാർത്ഥത്തിൽ ഉപയോഗിക്കുന്ന മോഡലുകൾ ഉപയോഗിച്ച് നിങ്ങളുടെ pipeline പരീക്ഷിക്കുക.

ഇവയെല്ലാം ഒരൊറ്റ കീ വഴി ഉപയോഗിക്കുക. FreeLLMAPI ഒരു ഓപ്പൺ-സോഴ്സ്, സ്വയം ഹോസ്റ്റ് ചെയ്യാവുന്ന റൂട്ടറാണ്. ഇത് ഈ സൗജന്യ ടയറുകളെല്ലാം ഒരൊറ്റ OpenAI-അനുയോജ്യ എൻഡ്‌പോയിന്റിനു പിന്നിൽ വയ്ക്കുന്നു. ഒരു മോഡലിന്റെ നിരക്ക് പരിധി എത്തുമ്പോൾ മറ്റൊന്നിലേക്ക് മാറുന്നു. കാറ്റലോഗ് ബ്രൗസ് ചെയ്യുക അല്ലെങ്കിൽ തത്സമയമാക്കുക.

പതിവ് ചോദ്യങ്ങൾ

RAG-നായി സൗജന്യ API ഉണ്ടോ?

ഉണ്ട്. പല providers-നും സൗജന്യ embedding, chat tiers ഉണ്ട്. FreeLLMAPI providers തമ്മിൽ failover-ഓടെ ഒരു OpenAI-compatible key വഴി രണ്ടും നൽകുന്നു.

RAG-നായി ഏറ്റവും നല്ല സൗജന്യ embedding മോഡൽ ഏതാണ്?

പല providers-ലും സൗജന്യമായതും നിങ്ങളുടെ ഭാഷകൾക്ക് യോജിക്കുന്നതുമായ ഒരു family തിരഞ്ഞെടുക്കുക. ബഹുഭാഷാ ടെക്സ്റ്റിന്, bge-m3 ഒരു സാധാരണ തിരഞ്ഞെടുപ്പാണ്. മുഴുവൻ index-നും ഒരു family നിലനിർത്തുക.

സൗജന്യ rerank API ഉണ്ടോ?

FreeLLMAPI ഡോക്സ് rerank endpoint വിവരിക്കുന്നില്ല. ഈ പേജിൽ കാണിച്ചിരിക്കുന്നതുപോലെ ഒരു വേഗമുള്ള chat മോഡൽ ഉപയോഗിച്ച് rerank ചെയ്യാം, അല്ലെങ്കിൽ rerank ഘട്ടം ഒഴിവാക്കാം.

സൗജന്യ മോഡലിന് 1 million tokens context ഉണ്ടെങ്കിൽ എനിക്ക് RAG ആവശ്യമുണ്ടോ?

ഏതാനും ചെറിയ രേഖകൾക്ക് ആവശ്യമില്ല. ധാരാളം രേഖകൾക്കോ പതിവ് ചോദ്യങ്ങൾക്കോ, retrieval ഓരോ അഭ്യർത്ഥനയ്ക്കും കുറച്ച് tokens അയയ്ക്കുന്നു, സൗജന്യ പരിധികൾക്കുള്ളിൽ നിൽക്കുന്നു.

പിന്നീട് embedding മോഡൽ മാറ്റാമോ?

മാറ്റാം, പക്ഷേ എല്ലാ chunks-ഉം വീണ്ടും embed ചെയ്യണം. രണ്ട് മോഡലുകളിൽ നിന്നുള്ള vectors പൊരുത്തപ്പെടുന്നില്ല, അതിനാൽ ഒരു index-ൽ അവ കലർത്തരുത്.

അനുബന്ധ ഗൈഡുകൾ

ഉറവിടങ്ങൾ

എല്ലാ ഗൈഡുകളും · എല്ലാ സൗജന്യ മോഡലുകളും കാണുക