Laman utama / Panduan / Free LLM API untuk RAG

Free LLM API untuk RAG

Penjanaan dengan dapatan semula (RAG) memerlukan dua API: model embedding untuk mencari teks yang berkaitan, dan model sembang untuk menulis jawapan. Kedua-duanya tersedia pada tier percuma. FreeLLMAPI memberikan satu kunci yang serasi dengan OpenAI untuk 41 model embedding percuma dan 487 model sembang percuma, dengan sandaran antara pembekal. Panduan ini menunjukkan model percuma bagi setiap langkah dan saluran Python yang lengkap.

Kod, nama model dan label katalog langsung dipaparkan dalam bahasa Inggeris.

Saluran RAG pada tier percuma

LangkahAPIPerkara tier percuma
1. Bahagikan dokumen kepada ketulanTiada (kod tempatan)Tiada
2. Embed setiap ketulan/v1/embeddingsBanyak permintaan pada permulaan. Sesetengah tier embedding percuma membenarkan 10 permintaan seminit.
3. Embed soalan/v1/embeddingsSatu permintaan bagi setiap soalan
4. Cari ketulan teratasTiada (carian vektor tempatan)Tiada
5. Susun semula ketulan (pilihan)/v1/chat/completionsSatu permintaan sembang tambahan bagi setiap soalan
6. Tulis jawapan/v1/chat/completionsGesaan yang besar. Had token seminit terpakai.

Langkah 2 ialah langkah yang mahal. Anda melakukannya sekali bagi setiap dokumen. Simpan vektor, dan embed hanya dokumen baharu atau yang berubah kemudian.

Pasang FreeLLMAPI dan pakej Python

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

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

Pilih model embedding percuma

Pilih satu keluarga embedding dan kekalkannya untuk keseluruhan indeks. Vektor daripada dua model tidak serasi. FreeLLMAPI melindungi anda daripada vektor bercampur: sandaran embedding tidak sekali-kali menukar model. Ia hanya beralih antara pembekal yang menyediakan keluarga yang sama.

ModelPembekalDimensiInput maksHad percuma
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)

Data langsung daripada katalog FreeLLMAPI (versi 2026.11.19, disemak 2026-11-19). Had percuma kerap berubah. Katalog disemak setiap hari.

  • Beberapa pembekal untuk satu keluarga: keluarga seperti bge-m3 adalah percuma pada lebih daripada satu pembekal. Sandaran kemudian mempunyai tempat untuk dituju.
  • Input maksimum: ketulan yang lebih panjang daripada input maksimum dipotong atau ditolak. Buat ketulan yang lebih kecil daripada nilai ini.
  • Bahasa: bagi teks yang bukan bahasa Inggeris, gunakan keluarga berbilang bahasa seperti bge-m3. Keluarga yang mempunyai -en- dalam namanya adalah untuk bahasa Inggeris.
  • Dimensi: vektor yang lebih besar menggunakan lebih banyak storan. Bagi indeks yang kecil, ini bukan masalah.

Kod RAG lengkap dalam Python

Skrip ini memecahkan fail teks kepada ketulan, meng-embed mereka dalam kelompok dan menyimpan vektor dengan NumPy. Kemudian ia menjawab soalan dengan ketulan teratas dan memberikan sumber. Ia mencuba semula apabila had menghentikan permintaan.

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?"))

Untuk lebih daripada beberapa ribu ketulan, gantikan carian NumPy dengan pangkalan data vektor. Panggilan embedding dan sembang kekal sama.

Pengguna sering bertanya soalan yang sama semula. FreeLLMAPI mempunyai cache respons pilihan untuk permintaan yang serupa. Hit cache tidak menggunakan kuota pembekal. Anda boleh menghidupkan atau mematikan cache untuk satu permintaan dengan pengepala X-FreeLLM-Cache: on atau off. Gunakan temperature=0, supaya soalan yang sama menghasilkan permintaan yang sama.

Tambah langkah rerank

Carian vektor mencari teks yang serupa, tetapi ketulan teratas tidak selalu merupakan jawapan terbaik. Langkah rerank menyusun semula calon. Dokumentasi FreeLLMAPI tidak menerangkan titik akhir rerank khusus. Anda boleh menggunakan model sembang yang pantas sebagai penyusun semula. Dapatkan 15 calon dan simpan 5 yang terbaik.

LLM rerank dengan auto:fast

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]

Langkah rerank menambah satu permintaan sembang bagi setiap soalan. Jika had percuma anda ketat, langkau langkah ini. Pemecahan ketulan yang lebih baik selalunya membantu lebih daripada langkah rerank.

Konteks panjang: bila anda tidak memerlukan dapatan semula

Hari ini, 56 tawaran model percuma mempunyai tetingkap konteks 1 juta token atau lebih. Jika dokumen anda kecil, anda boleh menghantar kesemuanya dalam gesaan dan melangkau indeks vektor. Ini lebih mudah, tetapi setiap soalan kemudian menghantar banyak token.

Model percuma dengan tetingkap konteks terbesar
ModelPercuma padaKonteksHad percuma (tawaran terbaik)AlatPenglihatan
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsTidakTidak
Gemini 3.8 FlashAPINex, Google AI Studio1M5 permintaan/minit
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
YaYa
Gemini 3.7 FlashGoogle AI Studio1M10 permintaan/minit
20 permintaan/hari
250,000 token/minit
~3M
YaYa
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 permintaan/minit
50 permintaan/hari
Shared rate limit
YaTidak
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetTidakTidak
Gemini 3.6 FlashGoogle AI Studio1M10 permintaan/minit
20 permintaan/hari
250,000 token/minit
~3M
YaYa
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary resetTidakTidak
Gemini 3.5 FlashGoogle AI Studio1M10 permintaan/minit
20 permintaan/hari
250,000 token/minit
~3M
YaYa
DeepSeek V4 ProAPINex, Router91M5 permintaan/minit
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
TidakTidak
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR +3 lagi1M200 permintaan/hari
200 rpd
YaTidak

Memaparkan 10 daripada 35 model percuma yang sepadan. Lihat semua model.

Data langsung daripada katalog FreeLLMAPI (versi 2026.11.19, disemak 2026-11-19). Had percuma kerap berubah. Katalog disemak setiap hari.

  • Gunakan konteks panjang untuk beberapa dokumen, untuk soalan yang memerlukan teks penuh, atau untuk satu laporan.
  • Gunakan dapatan semula untuk banyak dokumen, untuk soalan yang kerap, atau apabila had token seminit percuma adalah rendah.
  • Gabungkan kedua-duanya: dapatkan semula 20 ketulan atau lebih dan hantarkannya kepada model konteks panjang.

Gesaan yang besar boleh gagal pada pembekal dengan had token seminit yang rendah. FreeLLMAPI kemudian mencuba pembekal seterusnya. Untuk mengawal model mana yang menerima gesaan besar, buat profil rantaian sandaran dengan model konteks panjang sahaja. Gunakannya sebagai auto:<profile>.

Had dan penyelesaian masalah

MasalahPuncaPenyelesaian
Pengambilan berhenti dengan 429Keluarga embedding berada pada had di semua pembekalGunakan kelompok yang lebih besar, tunggu Retry-After, ambil data secara bahagian
Hasil yang buruk selepas perubahanIndeks mempunyai vektor daripada dua keluargaEmbed semula semua ketulan dengan satu keluarga
Ralat tentang panjang inputSatu ketulan lebih panjang daripada input maksimum keluargaGunakan ketulan yang lebih kecil
Jawapan mengabaikan sumberModel menjawab daripada pengetahuannya sendiriGunakan temperature=0 dan gesaan sistem yang ketat
Ralat panjang konteks pada jawapanTerlalu banyak atau terlalu panjang ketulanKurangkan k atau gunakan profil konteks panjang
Jawapan berubah gayaPenghala memilih model yang berbezaHantar pengepala X-Session-Id atau kunci model

Tier percuma tidak mempunyai SLA. Model yang paling kuat mencapai had harian mereka dahulu, dan banyak had ditetapkan semula pada tengah malam UTC. Uji saluran anda dengan model yang rantaian anda akan benar-benar gunakan.

Guna setiap satu daripada ini melalui satu kunci. FreeLLMAPI ialah penghala sumber terbuka yang anda hoskan sendiri. Ia meletakkan semua peringkat percuma ini di belakang satu titik akhir serasi OpenAI dan beralih ke pembekal lain apabila had kadar dicapai. Layari katalog atau mula sekarang.

Soalan lazim

Adakah terdapat API percuma untuk RAG?

Ada. Beberapa pembekal mempunyai tier embedding dan sembang percuma. FreeLLMAPI menyediakan kedua-duanya melalui satu kunci yang serasi dengan OpenAI, dengan sandaran antara pembekal.

Model embedding percuma yang manakah terbaik untuk RAG?

Pilih keluarga yang percuma pada beberapa pembekal dan sesuai dengan bahasa anda. Untuk teks berbilang bahasa, bge-m3 ialah pilihan biasa. Kekalkan satu keluarga untuk keseluruhan indeks.

Adakah terdapat API rerank percuma?

Dokumentasi FreeLLMAPI tidak menerangkan titik akhir rerank. Anda boleh membuat rerank dengan model sembang yang pantas, seperti yang ditunjukkan pada halaman ini, atau melangkau langkah rerank.

Adakah saya memerlukan RAG jika model percuma mempunyai konteks 1 juta token?

Tidak untuk beberapa dokumen kecil. Untuk banyak dokumen atau soalan yang kerap, dapatan semula menghantar lebih sedikit token bagi setiap permintaan dan kekal dalam had percuma.

Bolehkah saya menukar model embedding kemudian?

Boleh, tetapi anda mesti meng-embed semula semua ketulan. Vektor daripada dua model tidak serasi, jadi jangan campurkannya dalam satu indeks.

Panduan berkaitan

Sumber

Semua panduan · Lihat semua model percuma