Strona główna / Poradniki / Darmowe API embeddings

Darmowe API embeddings

API embeddings zamienia tekst na wektory do wyszukiwania, RAG i grupowania. Kilku dostawców daje embeddingi za darmo. FreeLLMAPI udostępnia 41 darmowych modeli embeddingów za jednym endpointem /v1/embeddings. Ten poradnik pokazuje modele, ich limity i działający kod.

Kod, nazwy modeli i etykiety z katalogu na żywo są podane po angielsku.

Jak działają darmowe embeddingi w FreeLLMAPI

Endpoint /v1/embeddings używa formatu żądania OpenAI. Może go wywołać każdy SDK OpenAI. Wysyłasz tekst, a w odpowiedzi dostajesz jeden wektor dla każdego ciągu wejściowego.

Embeddingi używają innej reguły przełączania awaryjnego niż czat. Żądania czatu mogą przejść do innego modelu. Żądania embeddingów nigdy nie przechodzą do innego modelu. Wektory z dwóch modeli nie są zgodne, więc ciche zmiana modelu zepsułaby Twoją bazę wektorów.

  • Rodzina: FreeLLMAPI grupuje dostawców według rodziny. Rodzina to jedna tożsamość modelu z jednym rozmiarem wektora, na przykład bge-m3 z 1024 wymiarami.
  • Przełączanie awaryjne: gdy jeden dostawca w rodzinie osiągnie swój limit, router próbuje następnego dostawcy, który obsługuje tę samą rodzinę.
  • Domyślna: model: "auto" używa domyślnej rodziny. Domyślną rodzinę ustawiasz na stronie Models, Embeddings w panelu.

Darmowe modele embeddingów dziś

Tabela wymienia każdy darmowy model embeddingów z katalogu FreeLLMAPI. Dane pochodzą z katalogu na żywo. „Maks. wejście” to maksymalna liczba tokenów dla jednego ciągu wejściowego. „Darmowy limit” to darmowa kwota, którą publikuje dostawca.

ModelDostawcaWymiaryMaks. wejścieDarmowy limit
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)

Dane na żywo z katalogu FreeLLMAPI (wersja 2026.11.19, sprawdzono 2026-11-19). Darmowe limity często się zmieniają. Katalog jest sprawdzany codziennie.

Niektórzy dostawcy dzielą jedną kwotę między czat a embeddingi. Na przykład klucz próbny Cohere pozwala na 1,000 wywołań API każdego miesiąca dla wszystkich endpointów razem. Cloudflare Workers AI daje 10,000 neuronów każdego dnia, wspólnych dla wszystkich modeli Workers AI na koncie.

Krok 1: Zainstaluj FreeLLMAPI i dodaj klucze

FreeLLMAPI ma otwarty kod źródłowy. Działa na Twoim komputerze w Dockerze. Klucze dostawców zostają na Twoim komputerze.

Instalacja (macOS lub Linux)

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

Otwórz panel pod adresem http://localhost:3001. Dodaj klucze dostawców na stronie Keys. Do embeddingów dobrym początkiem są klucz Google AI Studio i klucz Cloudflare. Skopiuj ujednolicony klucz z tej samej strony.

Krok 2: Wywołaj endpoint embeddingów

Wyślij listę ciągów, aby dostać kilka wektorów w jednym żądaniu. Użyj tej samej wartości model dla dokumentów i dla zapytań wyszukiwania.

curl

curl http://localhost:3001/v1/embeddings \
  -H "Authorization: Bearer <unified-key>" \
  -H "Content-Type: application/json" \
  -d '{"model": "bge-m3", "input": ["the quick brown fox", "a fast brown fox"]}'

Python: osadź i porównaj dwa teksty

import math
from openai import OpenAI

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

resp = client.embeddings.create(
    model="bge-m3",  # a family name, "auto", or a provider model id
    input=["How do I reset my password?", "Steps to change a forgotten password"],
)
a, b = resp.data[0].embedding, resp.data[1].embedding
print(len(resp.data), "vectors of", len(a), "dimensions")

dot = sum(x * y for x, y in zip(a, b))
norm = math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b))
print("cosine similarity:", round(dot / norm, 3))

Pole model przyjmuje trzy formy: auto, nazwę rodziny, na przykład bge-m3, albo identyfikator modelu dostawcy, na przykład @cf/baai/bge-m3. Identyfikator modelu dostawcy wskazuje swoją rodzinę, więc przełączanie awaryjne pozostaje w tej rodzinie.

Który darmowy model embeddingów wybrać

Wybierz model raz dla każdej bazy wektorów. Jeśli później zmienisz model, musisz ponownie osadzić wszystkie dokumenty.

PotrzebaRodzina modeluDlaczego
Krótki tekst angielski lub wielojęzyczny, wielu dostawcówbge-m31024 wymiary, 8,192 tokeny wejścia. Kilku darmowych dostawców go obsługuje, więc przełączanie awaryjne ma więcej opcji.
Wysokiej jakości wyszukiwanie z kluczem Googlegemini-embedding-0013072 wymiary. Limit wejścia to 2,048 tokenów, więc dziel długie dokumenty na fragmenty.
Długie dokumenty w jednym wektorzeembed-v4.0 (Cohere)Duże okno wejścia. Klucz próbny pozwala tylko na 1,000 wywołań każdego miesiąca, wspólnie z czatem.
Małe wektory i szybkie wyszukiwaniebge-small-en-v1.5384 wymiary. Tylko angielski, a limit wejścia to 512 tokenów.
Wyszukiwanie koducodestral-embedTrenowany na kodzie. Używa kwoty darmowego trybu Mistral.

Duże wektory kosztują więcej miejsca i pamięci w bazie wektorowej. Wektor 3072-wymiarowy jest trzy razy większy niż wektor 1024-wymiarowy. W większości projektów RAG poniżej miliona fragmentów 768 do 1024 wymiarów daje dobre wyniki.

Limity i pułapki

  • Limity wejścia: tekst powyżej wartości „Maks. wejście” może zostać obcięty albo odrzucony. Przed osadzeniem podziel dokumenty na fragmenty po 300 do 800 tokenów.
  • Jedna rodzina na bazę: nie mieszaj wektorów z dwóch rodzin w jednym indeksie. Wyniki podobieństwa nie mają sensu między modelami.
  • Normalizacja: Google pisze, że wektory gemini-embedding-001 z mniej niż 3072 wymiarami musisz znormalizować sam. Znormalizuj wszystkie wektory, zanim użyjesz iloczynu skalarnego jako wyniku.
  • Limity szybkości: darmowe poziomy liczą żądania na minutę lub na dzień. Wysyłaj partie ciągów w jednym żądaniu, a nie jedno żądanie na każdy ciąg.
  • Poziomy anonimowe: OVH AI Endpoints pozwala na 2 żądania na minutę dla każdego adresu IP i modelu bez klucza. Używaj tego jako zapasu, a nie do masowego indeksowania.
Wskazówka: miej co najmniej dwóch dostawców w wybranej rodzinie. Wtedy błąd 429 u jednego dostawcy nie zatrzyma zadania indeksowania.

Rozwiązywanie problemów

ProblemPrzyczynaRozwiązanie
Błąd 429 podczas masowego indeksowaniaOsiągnięto limit dostawcy dla rodzinyDodaj drugi klucz dostawcy dla tej samej rodziny albo wysyłaj mniej żądań na minutę
Wyniki wyszukiwania są złe po zmianieDokumenty i zapytania używają różnych rodzinUżyj jednej wartości model dla obu. Jeśli ją zmieniłeś, osadź dokumenty ponownie
Długość wektora nie jest taka, jakiej się spodziewaszauto używa domyślnej rodzinyUstaw jawną nazwę rodziny albo sprawdź domyślną na stronie Models, Embeddings
Długie teksty dają słabe dopasowaniaTekst jest dłuższy niż limit wejściaPodziel tekst na mniejsze fragmenty
Błąd 401Ujednolicony klucz jest błędny albo go brakujeSkopiuj ponownie ujednolicony klucz ze strony Keys
Używaj wszystkich tych modeli przez jeden klucz. FreeLLMAPI to router o otwartym kodzie, uruchamiany na własnym serwerze. Łączy wszystkie te darmowe plany za jednym punktem końcowym zgodnym z OpenAI i przełącza się na inny dostawcę, gdy limit zostanie przekroczony. Przeglądaj katalog lub uruchom.

Najczęstsze pytania

Czy istnieje darmowe API embeddingów?

Tak. Google AI Studio, Cloudflare Workers AI, Cohere, NVIDIA, Mistral, OVH i inni dają darmowe modele embeddingów z limitami szybkości. FreeLLMAPI udostępnia 41 z nich za jednym endpointem zgodnym z OpenAI.

Czy mogę użyć SDK OpenAI do darmowych embeddingów?

Tak. Ustaw base URL na http://localhost:3001/v1 i użyj swojego ujednoliconego klucza. Następnie wywołaj client.embeddings.create z nazwą rodziny, na przykład bge-m3.

Dlaczego FreeLLMAPI nie przełącza awaryjnie na inny model embeddingów?

Wektory z różnych modeli nie są zgodne. Ciche zmiana modelu zepsułaby wyszukiwanie podobieństwa. Router przełącza awaryjnie tylko między dostawcami, którzy obsługują ten sam model z tej samej rodziny.

Jaki jest najlepszy darmowy model embeddingów do RAG?

W większości projektów bge-m3 jest dobrym domyślnym wyborem. Ma 1024 wymiary, limit wejścia 8,192 tokeny i kilku darmowych dostawców. Użyj gemini-embedding-001, jeśli chcesz 3072 wymiary i masz klucz Google.

Ile wymiarów powinny mieć moje embeddingi?

Do większości wyszukiwania i RAG użyj 768 do 1024 wymiarów. Większe wektory zużywają więcej miejsca i pamięci. Wybierz rozmiar raz, bo zmiana oznacza ponowne osadzenie wszystkich dokumentów.

Powiązane poradniki

Źródła

Wszystkie poradniki · Przeglądaj wszystkie darmowe modele