मोफत व्हिजन API
व्हिजन API LLM ला प्रतिमा वाचू देते. तुम्ही त्याला फोटोचे वर्णन करायला, पावती वाचायला किंवा चार्ट समजावायला सांगू शकता. FreeLLMAPI कॅटलॉगमध्ये प्रतिमा स्वीकारणारे 78 मोफत मॉडेल पर्याय आहेत. तुम्ही प्रमाणित OpenAI स्वरूपात प्रतिमा पाठवता, आणि राउटर तुमच्यासाठी व्हिजन मॉडेल निवडतो. हे मार्गदर्शक मॉडेल्स, प्रत्येक प्रदात्याच्या आकार मर्यादा आणि कार्यरत कोड दाखवते.
कोड, मॉडेलची नावे आणि थेट कॅटलॉग लेबल इंग्रजीत दाखवले जातात.
इमेज इनपुट कसे काम करते
messages ॲरेमध्ये image_url कंटेंट ब्लॉक म्हणून प्रतिमा पाठवा. URL base64 बाइट्ससह data: URL असू शकते, किंवा http(s) URL असू शकते. /v1/chat/completions वापरा. /v1/responses एंडपॉइंट अजून प्रतिमा स्वीकारत नाही.
- स्वयंचलित राउटिंग: विनंतीत प्रतिमा असल्यास राउटर फक्त व्हिजन मॉडेल वापरतो. त्या विनंतीसाठी ते फक्त-मजकूर मॉडेल्सकडे दुर्लक्ष करते.
- फेलओव्हर: एखाद्या व्हिजन प्रदात्याची मर्यादा गाठल्यावर राउटर तुमच्या साखळीतील पुढील व्हिजन मॉडेल वापरून पाहतो.
- स्पष्ट त्रुटी: कोणतेही व्हिजन मॉडेल सक्षम नसल्यास
code: "no_vision_model"सह त्रुटी 422 मिळते. प्रतिमा कधीही शांतपणे वगळली जात नाही.
आज मोफत व्हिजन मॉडेल्स
तक्त्यात आज कॅटलॉगमधील प्रतिमा इनपुट असलेली सर्वात सक्षम मोफत मॉडेल्स आहेत. तो थेट कॅटलॉगमधून येतो. एका ओळीत एकाच मॉडेलची सेवा देणारे अनेक प्रदाते असू शकतात.
| मॉडेल | मोफत उपलब्ध | संदर्भ | मोफत मर्यादा (सर्वोत्तम ऑफर) | साधने | व्हिजन |
|---|---|---|---|---|---|
| GLM 5.3 Flash | UnoRouter | 1M | 1 विनंत्या/मिनिट 1 req/min per model | होय | होय |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | होय | होय |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 विनंत्या/मिनिट 20 विनंत्या/दिवस 250,000 टोकन/मिनिट ~3M | होय | होय |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | होय | होय |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 विनंत्या/मिनिट 20 विनंत्या/दिवस 250,000 टोकन/मिनिट ~3M | होय | होय |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | होय | होय |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 विनंत्या/मिनिट 50 विनंत्या/दिवस 50 req/day account-wide (1,000 after a $10 purchase) | होय | होय |
| Qwen3.8 27B | ElectronHub, Groq | 262K | 30 विनंत्या/मिनिट 250 विनंत्या/दिवस 70,000 टोकन/मिनिट ~6M | होय | होय |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 विनंत्या/मिनिट 20 विनंत्या/दिवस 250,000 टोकन/मिनिट ~3M | होय | होय |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | होय | होय |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 विनंत्या/मिनिट 20 विनंत्या/दिवस 250,000 टोकन/मिनिट ~3M | होय | होय |
| Gemini 3.8 Live | Google AI Studio | - | 10 विनंत्या/मिनिट 20 विनंत्या/दिवस 250,000 टोकन/मिनिट ~3M | होय | होय |
| Gemini 3.8 Live Extended Thinking | Google AI Studio | - | 10 विनंत्या/मिनिट 20 विनंत्या/दिवस 250,000 टोकन/मिनिट ~3M | होय | होय |
| Moondream 3.1 9B A2B | Cloudflare Workers AI, Moondream | 33K | ~10-20M | नाही | होय |
| Moondream 3 Preview | Moondream | - | $5/month shared workspace usage credits | नाही | होय |
जुळणाऱ्या 67 मोफत मॉडेलपैकी 15 दाखवले जात आहेत. सर्व मॉडेल पहा.
FreeLLMAPI कॅटलॉगमधील थेट डेटा (आवृत्ती 2026.11.19, तपासले 2026-11-19). मोफत मर्यादा वारंवार बदलतात. कॅटलॉग दररोज तपासले जाते.
Gemini मॉडेल्स सर्वात मोठा संदर्भ देतात आणि अनेक प्रतिमा स्वीकारतात. Groq आणि Cloudflare वरील Qwen 3.8 27B Google बाहेरील एक जलद पर्याय आहे. Moondream प्रतिमा कार्यांसाठी बनवले आहे, पण त्याचे आउटपुट 4,096 टोकनपर्यंत मर्यादित आहे.
पायरी 1: FreeLLMAPI इन्स्टॉल करा आणि की जोडा
FreeLLMAPI ओपन सोर्स आहे. ते Docker मध्ये तुमच्या संगणकावर चालते. तुमच्या प्रदात्यांच्या की तुमच्या संगणकावरच राहतात.
इन्स्टॉल करा (macOS किंवा Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 वर डॅशबोर्ड उघडा. Keys पेजवर Google AI Studio ची की आणि आणखी एक की जोडा. Fallback Chain पेजवर व्हिजन मॉडेल्सवर Vision बॅज असतो. किमान एक सक्षम असल्याची खात्री करा. Keys पेजवरून तुमची एकत्रित की कॉपी करा.
पायरी 2: प्रतिमा पाठवा
curl: URL वरील प्रतिमा
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: स्थानिक फाइल base64 म्हणून
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 मध्ये योग्य MIME प्रकार वापरा, उदाहरणार्थ image/png किंवा image/jpeg. एकापेक्षा जास्त प्रतिमा पाठवण्यासाठी त्याच संदेशात आणखी image_url ब्लॉक जोडा.
प्रदात्यानुसार प्रतिमा मर्यादा
| प्रदाता | मर्यादा (अधिकृत) | काय करावे |
|---|---|---|
| Google Gemini | इनलाइन प्रतिमांसह एकूण विनंती आकार: 20 MB. स्वरूपे: PNG, JPEG, WEBP, HEIC, HEIF | पाठवण्यापूर्वी मोठे फोटो लहान करा |
| Google Gemini | 384x384 पिक्सेलपर्यंतची प्रतिमा 258 टोकन घेते. मोठ्या प्रतिमा प्रत्येकी 258 टोकनच्या 768x768 टाइल्समध्ये कापल्या जातात | 960x540 प्रतिमा 6 टाइल्स वापरते, सुमारे 1,548 टोकन |
| Groq (Qwen 3.8 27B) | प्रत्येक विनंतीसाठी कमाल 3 प्रतिमा. प्रतिमा URL असलेल्या विनंतीसाठी कमाल 20 MB | Groq मॉडेल्सना जास्तीत जास्त 3 प्रतिमा पाठवा |
| Moondream | फक्त base64 data URL. रिमोट प्रतिमा URL समर्थित नाहीत | लिंक नव्हे, प्रतिमेचे बाइट्स पाठवा |
प्रतिमा टोकन मोफत टियरच्या टोकन-प्रति-मिनिट मर्यादेत मोजले जातात. पाच मोठ्या प्रतिमा असलेली विनंती लहान प्रदात्याच्या मर्यादेपेक्षा मोठी असू शकते. बारीक तपशील नको असल्यास प्रतिमा लहान करा, उदाहरणार्थ मोठ्या बाजूला 1024 पिक्सेल.
प्रतिमा कार्यांसाठी कार्यरत प्रॉम्प्ट्स
- प्रत्येक विनंतीसाठी एक कार्य: प्रतिमेबद्दल एक स्पष्ट प्रश्न विचारा. एका प्रॉम्प्टमधील अनेक प्रश्न लहान आणि कमी अचूक उत्तरे देतात.
- संरचित आउटपुट: पावत्या आणि फॉर्मसाठी तुम्हाला हवी असलेली फील्ड नावे द्या, उदाहरणार्थ
item,priceआणिtotal. फक्त JSON मागा. - न वाचता येणारी मूल्ये: मॉडेलला मूल्य वाचता येत नसल्यास
nullलिहिण्यास सांगा. मग ते अंदाज लावत नाही. - आधी कापा: प्रतिमा तुम्हाला हव्या असलेल्या भागापर्यंत कापा. लहान प्रतिमा कमी टोकन वापरते आणि चांगला तपशील देते.
- स्थिर उत्तरे: माहिती काढण्याच्या कामांसाठी
temperature0 सेट करा. - संख्या तपासा: एकूण रक्कम आणि तारखा प्रतिमेशी तुलना करा. व्हिजन मॉडेल्स लहान मजकूर आणि सारखे अंक चुकीचे वाचू शकतात.
समस्या निवारण
| समस्या | कारण | उपाय |
|---|---|---|
त्रुटी 422 no_vision_model | तुमच्या साखळीत कोणतेही व्हिजन मॉडेल सक्षम नाही | Fallback Chain पेजवर Vision बॅज असलेले मॉडेल सक्षम करा |
| मॉडेल म्हणते की ते प्रतिमा पाहू शकत नाही | विनंती /v1/responses वर गेली | /v1/chat/completions वापरा |
| रिमोट URL वर त्रुटी 400 | प्रदाता URL डाउनलोड करू शकत नाही | प्रतिमा base64 data URL म्हणून पाठवा |
| मोठ्या फाइलवर त्रुटी 413 किंवा 400 | प्रतिमा किंवा विनंती खूप मोठी आहे | प्रतिमा लहान करा, किंवा कमी प्रतिमा पाठवा |
| प्रतिमा विनंत्यांवर त्रुटी 429 | प्रतिमा टोकनने टोकन-प्रति-मिनिट मर्यादा वापरली | प्रतिमा लहान करा, किंवा अधिक व्हिजन प्रदात्यांच्या की जोडा |
वारंवार विचारले जाणारे प्रश्न
मोफत व्हिजन API आहे का?
होय. Google AI Studio, Groq, Cloudflare, NVIDIA, OpenRouter आणि इतर प्रदाते प्रतिमा इनपुट असलेली मोफत मॉडेल्स देतात. FreeLLMAPI एका OpenAI-सुसंगत कीमागे 78 मोफत व्हिजन मॉडेल पर्याय देते.
मोफत LLM API ला प्रतिमा कशी पाठवू?
वापरकर्ता संदेशात image_url कंटेंट ब्लॉक जोडा. base64 data URL किंवा https URL वापरा, आणि ते /v1/chat/completions ला पाठवा.
एक प्रतिमा किती टोकन वापरते?
Gemini वर 384x384 पिक्सेल किंवा त्यापेक्षा लहान प्रतिमा 258 टोकन वापरते. मोठी प्रतिमा 768x768 टाइल्समध्ये कापली जाते, आणि प्रत्येक टाइल 258 टोकन वापरते.
एका विनंतीत अनेक प्रतिमा पाठवता येतात का?
होय. संदेशात आणखी image_url ब्लॉक जोडा. काही प्रदाते संख्या मर्यादित करतात. उदाहरणार्थ, Groq Qwen 3.8 27B वर प्रत्येक विनंतीसाठी 3 प्रतिमा देते.
कागदपत्रे वाचण्यासाठी कोणते मोफत व्हिजन मॉडेल सर्वोत्तम आहे?
पावत्या, चार्ट आणि स्कॅन केलेल्या पानांसाठी Gemini मॉडेल वापरा. त्याचा संदर्भ विंडो मोठी आहे आणि ते अनेक प्रतिमा स्वीकारते. संख्यांसाठी उत्तर प्रतिमेशी तपासा, कारण व्हिजन मॉडेल्स लहान मजकूर चुकीचा वाचू शकतात.
संबंधित मार्गदर्शक
स्रोत
- FreeLLMAPI docs: Vision and image input (तपासले 20 November 2026)
- Google AI Studio docs: Image understanding (तपासले 20 November 2026)
- Groq docs: Vision (तपासले 20 November 2026)
- Moondream OpenAI-compatible API docs (तपासले 20 November 2026)