ഹോം / ഗൈഡുകൾ / 1 million token context ഉള്ള സൗജന്യ LLM API

1 million token context ഉള്ള സൗജന്യ LLM API

നീണ്ട context window ഒരു മോഡലിന് ഒരൊറ്റ അഭ്യർത്ഥനയിൽ ഒരു പൂർണ്ണ പുസ്തകം, വലിയ code base, അല്ലെങ്കിൽ മണിക്കൂറുകളുടെ ട്രാൻസ്ക്രിപ്റ്റുകൾ വായിക്കാൻ അനുവദിക്കുന്നു. FreeLLMAPI catalog-ൽ 1 million tokens അല്ലെങ്കിൽ അതിലധികം context window ഉള്ള 56 സൗജന്യ മോഡൽ ഓഫറുകൾ ഉണ്ട്. ഈ ഗൈഡ് ആ മോഡലുകളും, നിങ്ങൾക്ക് യഥാർത്ഥത്തിൽ എത്രമാത്രം അയയ്ക്കാമെന്ന് തീരുമാനിക്കുന്ന സൗജന്യ tier പരിധികളും കാണിക്കുന്നു.

കോഡ്, മോഡൽ പേരുകളും തത്സമയ കാറ്റലോഗ് ലേബലുകളും ഇംഗ്ലീഷിൽ കാണിക്കുന്നു.

ഇന്ന് 1M+ token context ഉള്ള സൗജന്യ മോഡലുകൾ

കുറഞ്ഞത് 1,000,000 tokens context window ഉള്ള സൗജന്യ മോഡലുകളുടെ പട്ടിക ഏറ്റവും വലുത് ആദ്യം കാണിക്കുന്നു. ഡാറ്റ തത്സമയ catalog-ൽ നിന്നാണ്. context വലുപ്പത്തിനൊപ്പം "Free limits" column-ഉം നോക്കുക.

1M+ token context ഉള്ള സൗജന്യ മോഡലുകൾ, ഏറ്റവും വലുത് ആദ്യം
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 0731Router91M10,000 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
Gemini 3.5 Flash LiteElectronHub, Google AI Studio1M15 അഭ്യർഥന/മിനിറ്റ്
20 അഭ്യർഥന/ദിവസം
250,000 ടോക്കൺ/മിനിറ്റ്
~3M
അതെഅതെ
Gemini 3 Flash PreviewGoogle AI Studio1M10 അഭ്യർഥന/മിനിറ്റ്
20 അഭ്യർഥന/ദിവസം
250,000 ടോക്കൺ/മിനിറ്റ്
~3M
അതെഅതെ
Gemini 3.1 Flash-LiteDreamPrompting, Google AI Studio1M100 അഭ്യർഥന/മിനിറ്റ്
5,000 അഭ്യർഥന/ദിവസം
500,000 ടോക്കൺ/ദിവസം
500K tokens/day · 5,000 req/day
അതെഅതെ
Gemini 2.5 FlashDreamPrompting, ElectronHub, Google AI Studio1M100 അഭ്യർഥന/മിനിറ്റ്
5,000 അഭ്യർഥന/ദിവസം
500,000 ടോക്കൺ/ദിവസം
500K tokens/day · 5,000 req/day
അതെഅതെ
Nemotron 3.5 LightningElectronHub, Gizmo, Kilo Gateway +2 കൂടി1M20 അഭ്യർഥന/മിനിറ്റ്
50 അഭ്യർഥന/ദിവസം
50 req/day account-wide (1,000 after a $10 purchase)
അതെഇല്ല

പൊരുത്തപ്പെടുന്ന 33 സൗജന്യ മോഡലുകളിൽ 15 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.

Google AI Studio-യിൽ നിന്നുള്ള Gemini Flash മോഡലുകളാണ് ഏറ്റവും അറിയപ്പെടുന്ന 1M-token സൗജന്യ മോഡലുകൾ. അവ images ഉം tool calls ഉം സ്വീകരിക്കുന്നു. മറ്റ് വരികൾ സൗജന്യ routers-ൽ നിന്നും NVIDIA-യിൽ നിന്നും വരുന്നു.

യഥാർത്ഥ പരിധി: മിനിറ്റിലെ tokens

context window എന്നാൽ മോഡലിന് വായിക്കാൻ കഴിയുന്ന ഏറ്റവും വലിയ prompt ആണ്. സൗജന്യ tier-ന് മിനിറ്റിലെ tokens (TPM) പരിധിയും ഉണ്ട്. പല സൗജന്യ tiers-ലും TPM പരിധി context window-നേക്കാൾ ചെറുതാണ്.

  • ഉദാഹരണം: പട്ടികയിലെ ഒരു സൗജന്യ Gemini Flash key മിനിറ്റിൽ 250,000 tokens അനുവദിക്കുന്നു. 800,000 tokens ഉള്ള ഒരു prompt context window-നുള്ളിലാണ്, പക്ഷേ TPM പരിധിക്ക് മുകളിലാണ്. provider 429 പിശക് അയയ്ക്കുന്നു.
  • ദിവസം അഭ്യർത്ഥനകൾ: ചില സൗജന്യ Gemini മോഡലുകൾ ഓരോ ദിവസവും ഏകദേശം 20 അഭ്യർത്ഥനകൾ മാത്രമേ അനുവദിക്കുന്നുള്ളൂ. ആവശ്യമുള്ള ജോലികൾക്ക് നീണ്ട prompts ഉപയോഗിക്കുക.
  • Output വേറെയാണ്: ഉത്തരത്തിന് അതിന്റേതായ പരമാവധി നീളമുണ്ട്. 1M-token context 1M-token ഉത്തരം നൽകുന്നില്ല.

അതിനാൽ പ്രായോഗികമായി, ഒരു സൗജന്യ 1M-context മോഡലിന് ഒരു അഭ്യർത്ഥനയിൽ കുറച്ച് നൂറു ആയിരം tokens വായിക്കാം. അയയ്ക്കുന്നതിന് മുമ്പ് നിങ്ങളുടെ prompt അളക്കുക.

ഘട്ടം 1: FreeLLMAPI ഇൻസ്റ്റാൾ ചെയ്ത് keys ചേർക്കുക

FreeLLMAPI open source ആണ്. ഇത് നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ Docker-ൽ പ്രവർത്തിക്കുന്നു. നിങ്ങളുടെ provider keys നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ തന്നെ തുടരുന്നു.

ഇൻസ്റ്റാൾ ചെയ്യുക (macOS അല്ലെങ്കിൽ Linux)

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

http://localhost:3001-ൽ dashboard തുറക്കുക. Keys പേജിൽ ഒരു Google AI Studio key ചേർക്കുക. Google 429 പിശക് അയയ്ക്കുമ്പോൾ റൂട്ടറിന് മറ്റൊരു long-context മോഡൽ ഉണ്ടാകാൻ, പട്ടികയിലെ മറ്റ് providers-ൽ നിന്നുള്ള keys-ഉം ചേർക്കുക. അതേ പേജിൽ നിന്ന് നിങ്ങളുടെ ഏകീകൃത key പകർത്തുക.

ഘട്ടം 2: tokens എണ്ണുക, തുടർന്ന് നീണ്ട രേഖ അയയ്ക്കുക

FreeLLMAPI native Gemini countTokens method നൽകുന്നു. അയയ്ക്കുന്നതിന് മുമ്പ് prompt അളക്കാൻ ഇത് ഉപയോഗിക്കുക.

curl: native Gemini endpoint ഉപയോഗിച്ച് tokens എണ്ണുക

curl "http://localhost:3001/v1beta/models/gemini-2.5-flash:countTokens" \
  -H "x-goog-api-key: <unified-key>" \
  -H "Content-Type: application/json" \
  -d '{"contents": [{"role": "user", "parts": [{"text": "Paste the long text here"}]}]}'

Python: 1M-context മോഡലിലേക്ക് നീണ്ട ഫയൽ അയയ്ക്കുക

from openai import OpenAI

client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>", timeout=300)

doc = open("annual-report.txt", encoding="utf-8").read()
print("about", len(doc) // 4, "tokens")  # rough rule for English text

resp = client.chat.completions.with_raw_response.create(
    model="gemini-2.5-flash",  # pin a 1M-context model; "auto" can pick a smaller one
    messages=[
        {"role": "system", "content": "Answer only from the document. Quote the section you use."},
        {"role": "user", "content": doc + "\n\nQuestion: What are the three largest risks?"},
    ],
    max_tokens=4000,
)
print("Routed via:", resp.headers.get("x-routed-via"))
print(resp.parse().choices[0].message.content)

long-context മോഡൽ അതിന്റെ id ഉപയോഗിച്ച് ഉറപ്പിക്കുക. model: "auto" ഉപയോഗിച്ചാൽ, റൂട്ടർ ചെറിയ context window ഉള്ള മോഡൽ തിരഞ്ഞെടുത്തേക്കാം. വലിയ prompts വായിക്കാൻ സമയമെടുക്കുന്നതിനാൽ നീണ്ട client timeout സജ്ജമാക്കുക.

Long context അല്ലെങ്കിൽ RAG?

Long context ഉപയോഗിക്കേണ്ടത് എപ്പോൾRAG ഉപയോഗിക്കേണ്ടത് എപ്പോൾ
രേഖ ഒരിക്കൽ വായിക്കുന്നു, ഉദാഹരണത്തിന് ഒരു കരാർ അല്ലെങ്കിൽ ഒരു റിപ്പോർട്ട്ഒരേ വലിയ ഡാറ്റയെക്കുറിച്ച് നിങ്ങൾ പല ചോദ്യങ്ങൾ ചോദിക്കുന്നു
ഉത്തരത്തിന് മുഴുവൻ ടെക്സ്റ്റും വേണം, ഉദാഹരണത്തിന് ഒരു സംഗ്രഹം അല്ലെങ്കിൽ വിഭാഗങ്ങളുടെ താരതമ്യംഉത്തരം ഏതാനും ചെറിയ ഖണ്ഡികകളിലാണ്
ടെക്സ്റ്റ് നിങ്ങളുടെ സൗജന്യ key-യുടെ TPM പരിധിയേക്കാൾ ചെറുതാണ്ഡാറ്റ ഏതൊരു സൗജന്യ context window-നേക്കാളോ TPM പരിധിയേക്കാളോ വലുതാണ്
ടെക്സ്റ്റിന്റെ ക്രമവും ഘടനയും മോഡൽ കാണണംഓരോ അഭ്യർത്ഥനയും ചെറുതും വേഗമുള്ളതുമായി നിലനിർത്തണം

RAG ഓരോ ചോദ്യത്തിനൊപ്പവും ഡാറ്റയുടെ പ്രസക്തമായ ഭാഗങ്ങൾ മാത്രം അയയ്ക്കുന്നു. സൗജന്യ tiers-ൽ ഇത് കുറച്ച് tokens ഉപയോഗിക്കുന്നു. ഇത് സജ്ജമാക്കാൻ RAG-നുള്ള സൗജന്യ LLM API, സൗജന്യ embeddings API വായിക്കുക.

പിഴവുകളും പ്രശ്നപരിഹാരവും

  • നഷ്ടപ്പെട്ട വിവരങ്ങൾ: വളരെ നീണ്ട prompt-ന്റെ മധ്യത്തിൽ മോഡലുകൾക്ക് വസ്തുതകൾ നഷ്ടപ്പെടാം. രേഖയ്ക്ക് ശേഷം നിങ്ങളുടെ ചോദ്യം വെക്കുക, മോഡലിനോട് അതിന്റെ ഉറവിടം ഉദ്ധരിക്കാൻ ആവശ്യപ്പെടുക.
  • Thinking tokens: Gemini Flash മോഡലുകൾ output ബജറ്റിൽ നിന്ന് മറഞ്ഞ thinking tokens ഉപയോഗിച്ചേക്കാം. വളരെ ചെറിയ max_tokens സജ്ജമാക്കരുത്.
  • PDF ഫയലുകൾ: FreeLLMAPI PDF, DOCX അല്ലെങ്കിൽ XLSX ഫയലുകൾ മാറ്റുന്നില്ല. ഒരു binary രേഖ attachment പിശക് 400 നൽകുന്നു. ആദ്യം ടെക്സ്റ്റ് എടുക്കുക, തുടർന്ന് ടെക്സ്റ്റ് അയയ്ക്കുക.
  • ടെക്സ്റ്റ് വൃത്തിയാക്കുക: ഒരു രേഖ അയയ്ക്കുന്നതിന് മുമ്പ് പേജ് headers, footers, ആവർത്തിക്കുന്ന ഉള്ളടക്ക പട്ടികകൾ നീക്കം ചെയ്യുക. അവ tokens ഉപയോഗിക്കുന്നു, വസ്തുതകൾ ചേർക്കുന്നില്ല.
  • ആവർത്തിച്ചുള്ള prompts: ഓരോ അഭ്യർത്ഥനയും മുഴുവൻ രേഖയും വീണ്ടും അയയ്ക്കുന്നു. കഴിയുമെങ്കിൽ ഒരു അഭ്യർത്ഥനയിൽ നിരവധി ചോദ്യങ്ങൾ ചോദിക്കുക.
പ്രശ്നംകാരണംപരിഹാരം
ആദ്യത്തെ നീണ്ട അഭ്യർത്ഥനയിൽ പിശക് 429prompt TPM പരിധിയേക്കാൾ വലുതാണ്prompt ചെറുതാക്കുക, അല്ലെങ്കിൽ RAG ഉപയോഗിക്കുക
context length-നെക്കുറിച്ചുള്ള പിശക് 400അഭ്യർത്ഥന ചെറിയ window ഉള്ള ഒരു മോഡലിലേക്ക് പോയിപട്ടികയിൽ നിന്ന് ഒരു model id ഉറപ്പിക്കുക
ശൂന്യമായ അല്ലെങ്കിൽ മുറിഞ്ഞ ഉത്തരംmax_tokens വളരെ ചെറുതാണ്, അല്ലെങ്കിൽ thinking അത് ഉപയോഗിച്ചുവലിയ max_tokens സജ്ജമാക്കുക
Timeoutprompt വായിക്കാൻ മോഡലിന് സമയം വേണം300 സെക്കൻഡോ അതിൽ കൂടുതലോ client timeout സജ്ജമാക്കുക
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

1 million token context ഉള്ള സൗജന്യ LLM API ഉണ്ടോ?

ഉണ്ട്. Google AI Studio സൗജന്യ tier-ലെ Gemini Flash മോഡലുകൾക്ക് ഏകദേശം 1 million tokens context window ഉണ്ട്. FreeLLMAPI catalog-ൽ 1M അല്ലെങ്കിൽ അതിലധികം tokens ഉള്ള 56 സൗജന്യ മോഡൽ ഓഫറുകൾ ഉണ്ട്.

ഒരൊറ്റ അഭ്യർത്ഥനയിൽ 1 million tokens സൗജന്യമായി അയയ്ക്കാമോ?

സാധാരണയായി ഇല്ല. catalog-ലെ സൗജന്യ Gemini tier മിനിറ്റിൽ 250,000 tokens അനുവദിക്കുന്നു, അതിനാൽ വലിയ prompt പിശക് 429 നൽകുന്നു. ഓരോ അഭ്യർത്ഥനയ്ക്കും കുറച്ച് നൂറു ആയിരം tokens ആസൂത്രണം ചെയ്യുക.

prompt അയയ്ക്കുന്നതിന് മുമ്പ് tokens എങ്ങനെ എണ്ണാം?

FreeLLMAPI വഴി /v1beta/models/{model}:countTokens-ൽ native Gemini countTokens method വിളിക്കുക. ഇംഗ്ലീഷ് ടെക്സ്റ്റിന്, ഏകദേശം 4 അക്ഷരങ്ങൾ ഒരു token ആണ്.

ഏറ്റവും വലിയ context window ഉള്ള സൗജന്യ LLM ഏതാണ്?

ഈ പേജിലെ പട്ടിക സൗജന്യ മോഡലുകളെ context വലുപ്പം അനുസരിച്ച്, ഏറ്റവും വലുത് ആദ്യം അടുക്കുന്നു. ഏതാനും സൗജന്യ മോഡലുകൾ ഏകദേശം 1 million tokens എത്തുന്നു. free limits column-ഉം വായിക്കുക, കാരണം TPM പരിധി ഒരു അഭ്യർത്ഥനയുടെ യഥാർത്ഥ വലുപ്പം തീരുമാനിക്കുന്നു.

long context, RAG-നെക്കാൾ നല്ലതാണോ?

ഒരിക്കൽ വായിക്കുന്ന ഒരൊറ്റ രേഖയ്ക്ക് long context നല്ലതാണ്. വലിയ ഡാറ്റയെക്കുറിച്ചുള്ള പല ചോദ്യങ്ങൾക്ക് RAG നല്ലതാണ്, കാരണം ഓരോ തവണയും അത് കുറച്ച് tokens അയയ്ക്കുന്നു.

അനുബന്ധ ഗൈഡുകൾ

ഉറവിടങ്ങൾ

എല്ലാ ഗൈഡുകളും · എല്ലാ സൗജന്യ മോഡലുകളും കാണുക