സൗജന്യ വിഷൻ API
വിഷൻ API ഒരു LLM-ന് ചിത്രങ്ങൾ വായിക്കാൻ അനുവദിക്കുന്നു. ഒരു ഫോട്ടോ വിവരിക്കാനോ ഒരു രസീത് വായിക്കാനോ ഒരു ചാർട്ട് വിശദീകരിക്കാനോ നിങ്ങൾക്ക് അതിനോട് ആവശ്യപ്പെടാം. FreeLLMAPI കാറ്റലോഗിൽ ചിത്രങ്ങൾ സ്വീകരിക്കുന്ന 78 സൗജന്യ മോഡൽ ഓഫറുകൾ ഉണ്ട്. സ്റ്റാൻഡേർഡ് OpenAI ഫോർമാറ്റിൽ നിങ്ങൾ ചിത്രങ്ങൾ അയയ്ക്കുന്നു, റൂട്ടർ നിങ്ങൾക്കായി ഒരു വിഷൻ മോഡൽ തിരഞ്ഞെടുക്കുന്നു. ഈ ഗൈഡ് മോഡലുകൾ, ഓരോ ദാതാവിന്റെയും വലുപ്പ പരിധികൾ, പ്രവർത്തിക്കുന്ന കോഡ് എന്നിവ കാണിക്കുന്നു.
കോഡ്, മോഡൽ പേരുകളും തത്സമയ കാറ്റലോഗ് ലേബലുകളും ഇംഗ്ലീഷിൽ കാണിക്കുന്നു.
ചിത്ര ഇൻപുട്ട് എങ്ങനെ പ്രവർത്തിക്കുന്നു
messages അറേയിൽ ചിത്രങ്ങൾ image_url കണ്ടന്റ് ബ്ലോക്കുകളായി അയയ്ക്കുക. URL base64 ബൈറ്റുകളോടുകൂടിയ data: URL ആകാം, അല്ലെങ്കിൽ http(s) URL ആകാം. /v1/chat/completions ഉപയോഗിക്കുക. /v1/responses എൻഡ്പോയിന്റ് ഇതുവരെ ചിത്രങ്ങൾ സ്വീകരിക്കുന്നില്ല.
- സ്വയമേവയുള്ള റൂട്ടിംഗ്: ഒരു അഭ്യർഥനയിൽ ചിത്രം ഉണ്ടെങ്കിൽ, റൂട്ടർ വിഷൻ മോഡലുകൾ മാത്രം ഉപയോഗിക്കുന്നു. ആ അഭ്യർഥനയ്ക്ക് ടെക്സ്റ്റ്-മാത്രം മോഡലുകളെ അത് അവഗണിക്കുന്നു.
- ഫെയിൽഓവർ: ഒരു വിഷൻ ദാതാവ് അതിന്റെ പരിധിയിലെത്തുമ്പോൾ, റൂട്ടർ നിങ്ങളുടെ ശൃംഖലയിലെ അടുത്ത വിഷൻ മോഡൽ പരീക്ഷിക്കുന്നു.
- വ്യക്തമായ പിശക്: വിഷൻ മോഡൽ പ്രവർത്തനക്ഷമമല്ലെങ്കിൽ,
code: "no_vision_model"ഉള്ള 422 പിശക് ലഭിക്കും. ചിത്രം ഒരിക്കലും നിശബ്ദമായി ഒഴിവാക്കപ്പെടുന്നില്ല.
ഇന്നത്തെ സൗജന്യ വിഷൻ മോഡലുകൾ
ഇന്ന് കാറ്റലോഗിൽ ചിത്ര ഇൻപുട്ടുള്ള ഏറ്റവും ശക്തമായ സൗജന്യ മോഡലുകളെ പട്ടിക കാണിക്കുന്നു. ഇത് തത്സമയ കാറ്റലോഗിൽ നിന്നാണ്. ഒരു വരിയിൽ ഒരേ മോഡൽ സേവനം നൽകുന്ന ഒന്നിലധികം ദാതാക്കളെ പട്ടികപ്പെടുത്താം.
| മോഡൽ | സൗജന്യമായി ലഭ്യം | കോൺടെക്സ്റ്റ് | സൗജന്യ പരിധികൾ (ഏറ്റവും മികച്ച ഓഫർ) | ടൂളുകൾ | ദൃശ്യ ശേഷി |
|---|---|---|---|---|---|
| GLM 5.3 Flash | UnoRouter | 1M | 1 അഭ്യർഥന/മിനിറ്റ് 1 req/min per model | അതെ | അതെ |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | അതെ | അതെ |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 അഭ്യർഥന/മിനിറ്റ് 20 അഭ്യർഥന/ദിവസം 250,000 ടോക്കൺ/മിനിറ്റ് ~3M | അതെ | അതെ |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | അതെ | അതെ |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 അഭ്യർഥന/മിനിറ്റ് 20 അഭ്യർഥന/ദിവസം 250,000 ടോക്കൺ/മിനിറ്റ് ~3M | അതെ | അതെ |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | അതെ | അതെ |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 അഭ്യർഥന/മിനിറ്റ് 50 അഭ്യർഥന/ദിവസം 50 req/day account-wide (1,000 after a $10 purchase) | അതെ | അതെ |
| Qwen3.8 27B | ElectronHub, Groq | 262K | 30 അഭ്യർഥന/മിനിറ്റ് 250 അഭ്യർഥന/ദിവസം 70,000 ടോക്കൺ/മിനിറ്റ് ~6M | അതെ | അതെ |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 അഭ്യർഥന/മിനിറ്റ് 20 അഭ്യർഥന/ദിവസം 250,000 ടോക്കൺ/മിനിറ്റ് ~3M | അതെ | അതെ |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | അതെ | അതെ |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 അഭ്യർഥന/മിനിറ്റ് 20 അഭ്യർഥന/ദിവസം 250,000 ടോക്കൺ/മിനിറ്റ് ~3M | അതെ | അതെ |
| Gemini 3.8 Live | Google AI Studio | - | 10 അഭ്യർഥന/മിനിറ്റ് 20 അഭ്യർഥന/ദിവസം 250,000 ടോക്കൺ/മിനിറ്റ് ~3M | അതെ | അതെ |
| Gemini 3.8 Live Extended Thinking | Google AI Studio | - | 10 അഭ്യർഥന/മിനിറ്റ് 20 അഭ്യർഥന/ദിവസം 250,000 ടോക്കൺ/മിനിറ്റ് ~3M | അതെ | അതെ |
| Moondream 3.1 9B A2B | Cloudflare Workers AI, Moondream | 33K | ~10-20M | ഇല്ല | അതെ |
| Moondream 3 Preview | Moondream | - | $5/month shared workspace usage credits | ഇല്ല | അതെ |
പൊരുത്തപ്പെടുന്ന 67 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.
Gemini മോഡലുകൾ ഏറ്റവും വലിയ കോൺടെക്സ്റ്റ് നൽകുന്നു, കൂടാതെ ധാരാളം ചിത്രങ്ങൾ സ്വീകരിക്കുന്നു. Groq-ലും Cloudflare-ലും ഉള്ള Qwen 3.8 27B Google-ന് പുറത്തുള്ള വേഗമേറിയ തിരഞ്ഞെടുപ്പാണ്. Moondream ചിത്ര ജോലികൾക്കായി നിർമ്മിച്ചതാണ്, പക്ഷേ അതിന്റെ ഔട്ട്പുട്ട് 4,096 ടോക്കണുകളായി പരിമിതമാണ്.
ഘട്ടം 1: FreeLLMAPI ഇൻസ്റ്റാൾ ചെയ്ത് കീകൾ ചേർക്കുക
FreeLLMAPI ഓപ്പൺ സോഴ്സ് ആണ്. ഇത് Docker-ൽ നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ പ്രവർത്തിക്കുന്നു. നിങ്ങളുടെ ദാതാവ് കീകൾ കമ്പ്യൂട്ടറിൽ തന്നെ തുടരുന്നു.
ഇൻസ്റ്റാൾ ചെയ്യുക (macOS അല്ലെങ്കിൽ Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001-ൽ ഡാഷ്ബോർഡ് തുറക്കുക. Keys പേജിൽ ഒരു Google AI Studio കീയും മറ്റൊരു കീയും ചേർക്കുക. Fallback Chain പേജിൽ, വിഷൻ മോഡലുകൾക്ക് Vision ബാഡ്ജ് ഉണ്ട്. കുറഞ്ഞത് ഒന്നെങ്കിലും പ്രവർത്തനക്ഷമമാണെന്ന് ഉറപ്പാക്കുക. Keys പേജിൽ നിന്ന് നിങ്ങളുടെ ഏകീകൃത കീ പകർത്തുക.
ഘട്ടം 2: ഒരു ചിത്രം അയയ്ക്കുക
curl: URL-ൽ നിന്നുള്ള ചിത്രം
curl http://localhost:3001/v1/chat/completions \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{
"model": "auto",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "Describe this image in two sentences."},
{"type": "image_url", "image_url": {"url": "https://upload.wikimedia.org/wikipedia/commons/4/47/PNG_transparency_demonstration_1.png"}}
]
}]
}'Python: base64 ആയി ലോക്കൽ ഫയൽ
import base64
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
with open("receipt.jpg", "rb") as fh:
b64 = base64.b64encode(fh.read()).decode()
resp = client.chat.completions.with_raw_response.create(
model="auto", # the router selects a vision model
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "List each item and price on this receipt as JSON."},
{"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
],
}],
)
print("Routed via:", resp.headers.get("x-routed-via"))
print(resp.parse().choices[0].message.content)data URL-ൽ ശരിയായ MIME തരം ഉപയോഗിക്കുക, ഉദാഹരണത്തിന് image/png അല്ലെങ്കിൽ image/jpeg. ഒന്നിലധികം ചിത്രങ്ങൾ അയയ്ക്കാൻ, അതേ സന്ദേശത്തിൽ കൂടുതൽ image_url ബ്ലോക്കുകൾ ചേർക്കുക.
ദാതാവ് അനുസരിച്ചുള്ള ചിത്ര പരിധികൾ
| ദാതാവ് | പരിധി (ഔദ്യോഗികം) | എന്തു ചെയ്യണം |
|---|---|---|
| Google Gemini | ഇൻലൈൻ ചിത്രങ്ങളോടുകൂടിയ മൊത്തം അഭ്യർഥന വലുപ്പം: 20 MB. ഫോർമാറ്റുകൾ: PNG, JPEG, WEBP, HEIC, HEIF | അയയ്ക്കുന്നതിന് മുമ്പ് വലിയ ഫോട്ടോകൾ ചെറുതാക്കുക |
| Google Gemini | 384x384 പിക്സൽ വരെയുള്ള ചിത്രത്തിന് 258 ടോക്കൺ ചെലവാകുന്നു. വലിയ ചിത്രങ്ങൾ 258 ടോക്കൺ വീതമുള്ള 768x768 ടൈലുകളായി മുറിക്കുന്നു | 960x540 ചിത്രം 6 ടൈലുകൾ ഉപയോഗിക്കുന്നു, ഏകദേശം 1,548 ടോക്കൺ |
| Groq (Qwen 3.8 27B) | ഓരോ അഭ്യർഥനയ്ക്കും പരമാവധി 3 ചിത്രങ്ങൾ. ചിത്ര URL ഉള്ള അഭ്യർഥനയ്ക്ക് പരമാവധി 20 MB | Groq മോഡലുകൾക്ക് പരമാവധി 3 ചിത്രങ്ങൾ മാത്രം അയയ്ക്കുക |
| Moondream | Base64 data URL-കൾ മാത്രം. റിമോട്ട് ചിത്ര URL-കൾ പിന്തുണയ്ക്കുന്നില്ല | ഒരു ലിങ്ക് അല്ല, ചിത്രത്തിന്റെ ബൈറ്റുകൾ അയയ്ക്കുക |
ചിത്ര ടോക്കണുകൾ സൗജന്യ ടയറിന്റെ മിനിറ്റിലെ ടോക്കൺ പരിധിയിലേക്ക് കണക്കാക്കുന്നു. അഞ്ച് വലിയ ചിത്രങ്ങളുള്ള ഒരു അഭ്യർഥന ചെറിയ ദാതാവിന്റെ പരിധിയെക്കാൾ വലുതാകാം. സൂക്ഷ്മമായ വിശദാംശങ്ങൾ ആവശ്യമില്ലെങ്കിൽ, ചിത്രങ്ങൾ ചെറുതാക്കുക, ഉദാഹരണത്തിന് നീളമുള്ള വശത്ത് 1024 പിക്സൽ.
ചിത്ര ജോലികൾക്ക് പ്രവർത്തിക്കുന്ന പ്രോംപ്റ്റുകൾ
- ഓരോ അഭ്യർഥനയ്ക്കും ഒരു ജോലി: ചിത്രത്തെക്കുറിച്ച് ഒരു വ്യക്തമായ ചോദ്യം ചോദിക്കുക. ഒരു പ്രോംപ്റ്റിൽ പല ചോദ്യങ്ങൾ ചെറുതും കൃത്യത കുറഞ്ഞതുമായ ഉത്തരങ്ങൾ നൽകുന്നു.
- ഘടനാപരമായ ഔട്ട്പുട്ട്: രസീതുകൾക്കും ഫോമുകൾക്കും, നിങ്ങൾക്ക് വേണ്ട ഫീൽഡുകൾ പേര് നൽകുക, ഉദാഹരണത്തിന്
item,price,total. JSON മാത്രം ആവശ്യപ്പെടുക. - വായിക്കാൻ കഴിയാത്ത മൂല്യങ്ങൾ: ഒരു മൂല്യം വായിക്കാൻ കഴിയാത്തപ്പോൾ
nullഎഴുതാൻ മോഡലിനോട് പറയുക. അപ്പോൾ അത് ഊഹിക്കുന്നില്ല. - ആദ്യം ക്രോപ്പ് ചെയ്യുക: ആവശ്യമുള്ള ഭാഗത്തേക്ക് ചിത്രം മുറിക്കുക. ചെറിയ ചിത്രം കുറഞ്ഞ ടോക്കണുകൾ ഉപയോഗിക്കുകയും മികച്ച വിശദാംശങ്ങൾ നൽകുകയും ചെയ്യുന്നു.
- സ്ഥിരമായ ഉത്തരങ്ങൾ: എക്സ്ട്രാക്ഷൻ ജോലികൾക്ക്
temperature0 ആയി സജ്ജമാക്കുക. - സംഖ്യകൾ പരിശോധിക്കുക: ചിത്രവുമായി ആകെത്തുകകളും തീയതികളും താരതമ്യം ചെയ്യുക. വിഷൻ മോഡലുകൾ ചെറിയ ടെക്സ്റ്റും സമാനമായ അക്കങ്ങളും തെറ്റായി വായിച്ചേക്കാം.
പ്രശ്നപരിഹാരം
| പ്രശ്നം | കാരണം | പരിഹാരം |
|---|---|---|
പിശക് 422 no_vision_model | നിങ്ങളുടെ ശൃംഖലയിൽ വിഷൻ മോഡൽ പ്രവർത്തനക്ഷമമല്ല | Fallback Chain പേജിൽ Vision ബാഡ്ജുള്ള ഒരു മോഡൽ പ്രവർത്തനക്ഷമമാക്കുക |
| ഒരു ചിത്രം കാണാൻ കഴിയില്ലെന്ന് മോഡൽ പറയുന്നു | അഭ്യർഥന /v1/responses-ലേക്ക് പോയി | /v1/chat/completions ഉപയോഗിക്കുക |
| റിമോട്ട് URL-ൽ പിശക് 400 | ദാതാവിന് URL ഡൗൺലോഡ് ചെയ്യാൻ കഴിയില്ല | ചിത്രം base64 data URL ആയി അയയ്ക്കുക |
| വലിയ ഫയലുകളിൽ പിശക് 413 അല്ലെങ്കിൽ 400 | ചിത്രം അല്ലെങ്കിൽ അഭ്യർഥന വളരെ വലുതാണ് | ചിത്രം ചെറുതാക്കുക, അല്ലെങ്കിൽ കുറച്ച് ചിത്രങ്ങൾ അയയ്ക്കുക |
| ചിത്ര അഭ്യർഥനകളിൽ പിശക് 429 | ചിത്ര ടോക്കണുകൾ മിനിറ്റിലെ ടോക്കൺ പരിധി ഉപയോഗിച്ചു | ചിത്രങ്ങൾ ചെറുതാക്കുക, അല്ലെങ്കിൽ കൂടുതൽ വിഷൻ ദാതാക്കളുടെ കീകൾ ചേർക്കുക |
പതിവ് ചോദ്യങ്ങൾ
സൗജന്യ വിഷൻ API ഉണ്ടോ?
ഉണ്ട്. Google AI Studio, Groq, Cloudflare, NVIDIA, OpenRouter, മറ്റ് ദാതാക്കൾ എന്നിവ ചിത്ര ഇൻപുട്ടുള്ള സൗജന്യ മോഡലുകൾ നൽകുന്നു. FreeLLMAPI ഒരൊറ്റ OpenAI-അനുയോജ്യ കീയ്ക്ക് പിന്നിൽ 78 സൗജന്യ വിഷൻ മോഡൽ ഓഫറുകൾ നൽകുന്നു.
സൗജന്യ LLM API-ലേക്ക് ഒരു ചിത്രം എങ്ങനെ അയയ്ക്കാം?
ഉപയോക്തൃ സന്ദേശത്തിൽ ഒരു image_url കണ്ടന്റ് ബ്ലോക്ക് ചേർക്കുക. base64 data URL അല്ലെങ്കിൽ https URL ഉപയോഗിച്ച് അത് /v1/chat/completions-ലേക്ക് അയയ്ക്കുക.
ഒരു ചിത്രം എത്ര ടോക്കണുകൾ ഉപയോഗിക്കുന്നു?
Gemini-ൽ, 384x384 പിക്സൽ അല്ലെങ്കിൽ അതിൽ ചെറിയ ചിത്രം 258 ടോക്കൺ ഉപയോഗിക്കുന്നു. വലിയ ചിത്രം 768x768 ടൈലുകളായി മുറിക്കുന്നു, ഓരോ ടൈലും 258 ടോക്കൺ ഉപയോഗിക്കുന്നു.
ഒരു അഭ്യർഥനയിൽ ഒന്നിലധികം ചിത്രങ്ങൾ അയയ്ക്കാമോ?
അയയ്ക്കാം. സന്ദേശത്തിൽ കൂടുതൽ image_url ബ്ലോക്കുകൾ ചേർക്കുക. ചില ദാതാക്കൾ എണ്ണം പരിമിതപ്പെടുത്തുന്നു. ഉദാഹരണത്തിന്, Qwen 3.8 27B-ൽ Groq ഓരോ അഭ്യർഥനയ്ക്കും 3 ചിത്രങ്ങൾ അനുവദിക്കുന്നു.
ഡോക്യുമെന്റുകൾ വായിക്കാൻ ഏത് സൗജന്യ വിഷൻ മോഡലാണ് ഏറ്റവും നല്ലത്?
രസീതുകൾ, ചാർട്ടുകൾ, സ്കാൻ ചെയ്ത പേജുകൾ എന്നിവയ്ക്ക് ഒരു Gemini മോഡൽ ഉപയോഗിക്കുക. അതിന് വലിയ കോൺടെക്സ്റ്റ് വിൻഡോയുണ്ട്, ധാരാളം ചിത്രങ്ങൾ സ്വീകരിക്കുന്നു. വിഷൻ മോഡലുകൾ ചെറിയ ടെക്സ്റ്റ് തെറ്റായി വായിച്ചേക്കാവുന്നതിനാൽ, സംഖ്യകൾ ചിത്രവുമായി പരിശോധിക്കുക.
അനുബന്ധ ഗൈഡുകൾ
- സൗജന്യ image generation API
- free gemini api
- free qwen api
- free gemma api
- Function calling ഉള്ള സൗജന്യ LLM API
ഉറവിടങ്ങൾ
- FreeLLMAPI docs: Vision and image input (20 November 2026 ൽ പരിശോധിച്ചത്)
- Google AI Studio docs: Image understanding (20 November 2026 ൽ പരിശോധിച്ചത്)
- Groq docs: Vision (20 November 2026 ൽ പരിശോധിച്ചത്)
- Moondream OpenAI-compatible API docs (20 November 2026 ൽ പരിശോധിച്ചത്)