मुख्यपृष्ठ / मार्गदर्शक / मोफत व्हिजन API

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.

प्रतिमा इनपुट असलेली मोफत मॉडेल्स, सर्वात सक्षम प्रथम
मॉडेलमोफत उपलब्धसंदर्भमोफत मर्यादा (सर्वोत्तम ऑफर)साधनेव्हिजन
GLM 5.3 FlashUnoRouter1M1 विनंत्या/मिनिट
1 req/min per model
होयहोय
Gemini 3.8 FlashGoogle AI Studio1MRecurring provider quotaहोयहोय
Gemini Flash (latest alias)Google AI Studio-10 विनंत्या/मिनिट
20 विनंत्या/दिवस
250,000 टोकन/मिनिट
~3M
होयहोय
Qwen3.8 FlashElectronHub1M$0.25/week shared recurring creditहोयहोय
Gemini 3.7 FlashGoogle AI Studio1M10 विनंत्या/मिनिट
20 विनंत्या/दिवस
250,000 टोकन/मिनिट
~3M
होयहोय
GPT-5.6 LunaElectronHub1M$0.25/week shared recurring creditहोयहोय
Dots3 Note PreviewKilo Gateway, OpenRouter512K20 विनंत्या/मिनिट
50 विनंत्या/दिवस
50 req/day account-wide (1,000 after a $10 purchase)
होयहोय
Qwen3.8 27BElectronHub, Groq262K30 विनंत्या/मिनिट
250 विनंत्या/दिवस
70,000 टोकन/मिनिट
~6M
होयहोय
Gemini 3.6 FlashGoogle AI Studio1M10 विनंत्या/मिनिट
20 विनंत्या/दिवस
250,000 टोकन/मिनिट
~3M
होयहोय
Qwen 3.8 27BCloudflare Workers AI262KShared 10k neurons/dayहोयहोय
Gemini 3.5 FlashGoogle AI Studio1M10 विनंत्या/मिनिट
20 विनंत्या/दिवस
250,000 टोकन/मिनिट
~3M
होयहोय
Gemini 3.8 LiveGoogle AI Studio-10 विनंत्या/मिनिट
20 विनंत्या/दिवस
250,000 टोकन/मिनिट
~3M
होयहोय
Gemini 3.8 Live Extended ThinkingGoogle AI Studio-10 विनंत्या/मिनिट
20 विनंत्या/दिवस
250,000 टोकन/मिनिट
~3M
होयहोय
Moondream 3.1 9B A2BCloudflare Workers AI, Moondream33K~10-20Mनाहीहोय
Moondream 3 PreviewMoondream-$5/month shared workspace usage creditsनाहीहोय

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 | bash

http://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

प्रदात्याच्या मर्यादा, 2026-11-19 तपासले
प्रदातामर्यादा (अधिकृत)काय करावे
Google Geminiइनलाइन प्रतिमांसह एकूण विनंती आकार: 20 MB. स्वरूपे: PNG, JPEG, WEBP, HEIC, HEIFपाठवण्यापूर्वी मोठे फोटो लहान करा
Google Gemini384x384 पिक्सेलपर्यंतची प्रतिमा 258 टोकन घेते. मोठ्या प्रतिमा प्रत्येकी 258 टोकनच्या 768x768 टाइल्समध्ये कापल्या जातात960x540 प्रतिमा 6 टाइल्स वापरते, सुमारे 1,548 टोकन
Groq (Qwen 3.8 27B)प्रत्येक विनंतीसाठी कमाल 3 प्रतिमा. प्रतिमा URL असलेल्या विनंतीसाठी कमाल 20 MBGroq मॉडेल्सना जास्तीत जास्त 3 प्रतिमा पाठवा
Moondreamफक्त base64 data URL. रिमोट प्रतिमा URL समर्थित नाहीतलिंक 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, price आणि total. फक्त JSON मागा.
  • न वाचता येणारी मूल्ये: मॉडेलला मूल्य वाचता येत नसल्यास null लिहिण्यास 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 temperature 0 सेट करा.
  • संख्या तपासा: एकूण रक्कम आणि तारखा प्रतिमेशी तुलना करा. व्हिजन मॉडेल्स लहान मजकूर आणि सारखे अंक चुकीचे वाचू शकतात.

समस्या निवारण

समस्याकारणउपाय
त्रुटी 422 no_vision_modelतुमच्या साखळीत कोणतेही व्हिजन मॉडेल सक्षम नाहीFallback Chain पेजवर Vision बॅज असलेले मॉडेल सक्षम करा
मॉडेल म्हणते की ते प्रतिमा पाहू शकत नाहीविनंती /v1/responses वर गेली/v1/chat/completions वापरा
रिमोट URL वर त्रुटी 400प्रदाता URL डाउनलोड करू शकत नाहीप्रतिमा base64 data URL म्हणून पाठवा
मोठ्या फाइलवर त्रुटी 413 किंवा 400प्रतिमा किंवा विनंती खूप मोठी आहेप्रतिमा लहान करा, किंवा कमी प्रतिमा पाठवा
प्रतिमा विनंत्यांवर त्रुटी 429प्रतिमा टोकनने टोकन-प्रति-मिनिट मर्यादा वापरलीप्रतिमा लहान करा, किंवा अधिक व्हिजन प्रदात्यांच्या की जोडा
या सर्व मॉडेलचा वापर एकाच कीद्वारे करा. FreeLLMAPI हा एक ओपन-सोर्स, स्वतः होस्ट केलेला राउटर आहे. तो हे सर्व मोफत टियर एका OpenAI-सुसंगत एंडपॉइंटमागे ठेवतो आणि एखादे मॉडेल मर्यादेत असताना दुसऱ्याकडे वळवतो. कॅटलॉग ब्राउझ करा किंवा थेट पहा.

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

सर्व मार्गदर्शक · सर्व मोफत मॉडेल पहा