Strona główna / Poradniki / Darmowe API LLM dla RAG

Darmowe API LLM dla RAG

Generowanie wspomagane wyszukiwaniem (RAG) potrzebuje dwóch API: modelu embeddingów, który znajduje właściwy tekst, i modelu czatu, który pisze odpowiedź. Oba są dostępne w darmowych planach. FreeLLMAPI daje jeden klucz zgodny z OpenAI dla 41 darmowych modeli embeddingów i 487 darmowych modeli czatu, z przełączaniem awaryjnym między dostawcami. Ten poradnik pokazuje darmowe modele dla każdego kroku i pełny pipeline w Pythonie.

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

Pipeline RAG na darmowych planach

KrokAPIProblem darmowego planu
1. Podziel dokumenty na fragmentyBrak (kod lokalny)Brak
2. Osadź każdy fragment/v1/embeddingsDużo żądań na początku. Niektóre darmowe plany embeddingów pozwalają na 10 żądań na minutę.
3. Osadź pytanie/v1/embeddingsJedno żądanie na pytanie
4. Znajdź najlepsze fragmentyBrak (lokalne wyszukiwanie wektorowe)Brak
5. Przeszereguj fragmenty (opcjonalnie)/v1/chat/completionsJedno dodatkowe żądanie czatu na pytanie
6. Napisz odpowiedź/v1/chat/completionsDuże prompty. Obowiązują limity tokenów na minutę.

Krok 2 zużywa najwięcej limitu. Wykonujesz go raz dla każdego dokumentu. Zapisz wektory, a później osadzaj tylko nowe lub zmienione dokumenty.

Zainstaluj FreeLLMAPI i pakiety Pythona

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

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

Wybierz darmowy model embeddingów

Wybierz jedną rodzinę embeddingów i zachowaj ją dla całego indeksu. Wektory z dwóch modeli nie są zgodne. FreeLLMAPI chroni przed mieszaniem wektorów: przełączanie awaryjne embeddingów nigdy nie zmienia modelu. Przełącza się tylko między dostawcami, którzy udostępniają tę samą rodzinę.

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.

  • Kilku dostawców dla jednej rodziny: rodzina, na przykład bge-m3, jest darmowa u więcej niż jednego dostawcy. Przełączanie awaryjne ma wtedy dokąd przejść.
  • Maks. wejście: fragmenty dłuższe niż maksymalne wejście są ucinane albo odrzucane. Zrób fragmenty mniejsze niż ta wartość.
  • Języki: dla tekstu innego niż angielski użyj wielojęzycznej rodziny, na przykład bge-m3. Rodziny z -en- w nazwie są przeznaczone dla angielskiego.
  • Wymiary: większe wektory zajmują więcej miejsca. Przy małym indeksie to nie jest problem.

Pełny kod RAG w Pythonie

Skrypt dzieli pliki tekstowe na fragmenty, osadza je partiami i zapisuje wektory przez NumPy. Potem odpowiada na pytanie najlepszymi fragmentami i podaje źródła. Ponawia żądanie, gdy limit je zatrzyma.

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?"))

Dla więcej niż kilku tysięcy fragmentów zastąp wyszukiwanie NumPy bazą wektorową. Wywołania embeddingów i czatu pozostają takie same.

Użytkownicy często zadają to samo pytanie ponownie. FreeLLMAPI ma opcjonalną pamięć podręczną odpowiedzi dla identycznych żądań. Trafienie w pamięć podręczną nie zużywa przydziału dostawcy. Pamięć podręczną możesz włączyć lub wyłączyć dla jednego żądania nagłówkiem X-FreeLLM-Cache: on albo off. Użyj temperature=0, aby to samo pytanie dawało takie samo żądanie.

Dodaj krok rerankingu

Wyszukiwanie wektorowe znajduje podobny tekst, ale najlepszy fragment nie zawsze jest najlepszą odpowiedzią. Krok rerankingu ponownie sortuje kandydatów. Dokumentacja FreeLLMAPI nie opisuje osobnego punktu końcowego rerankingu. Jako rerankera możesz użyć szybkiego modelu czatu. Pobierz 15 kandydatów i zachowaj najlepsze 5.

Rerank przez LLM z 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]

Krok rerankingu dodaje jedno żądanie czatu na pytanie. Jeśli Twoje darmowe limity są małe, pomiń go. Lepszy podział na fragmenty często daje więcej niż rerank.

Długi kontekst: kiedy nie potrzebujesz wyszukiwania

Dziś 56 darmowych ofert modeli ma okno kontekstu 1 milion tokenów lub więcej. Jeśli Twoje dokumenty są małe, możesz wysłać wszystkie w prompcie i pominąć indeks wektorowy. To prostsze, ale każde pytanie wysyła wtedy wiele tokenów.

Darmowe modele z największymi oknami kontekstu
ModelZa darmo wKontekstDarmowe limity (najlepsza oferta)NarzędziaWizja
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsNieNie
Gemini 3.8 FlashAPINex, Google AI Studio1M5 żądań/min
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
TakTak
Gemini 3.7 FlashGoogle AI Studio1M10 żądań/min
20 żądań/dzień
250,000 tokenów/min
~3M
TakTak
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 żądań/min
50 żądań/dzień
Shared rate limit
TakNie
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetNieNie
Gemini 3.6 FlashGoogle AI Studio1M10 żądań/min
20 żądań/dzień
250,000 tokenów/min
~3M
TakTak
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary resetNieNie
Gemini 3.5 FlashGoogle AI Studio1M10 żądań/min
20 żądań/dzień
250,000 tokenów/min
~3M
TakTak
DeepSeek V4 ProAPINex, Router91M5 żądań/min
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
NieNie
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR +3 więcej1M200 żądań/dzień
200 rpd
TakNie

Pokazano 10 z 35 pasujących darmowych modeli. Zobacz wszystkie modele.

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

  • Użyj długiego kontekstu dla kilku dokumentów, pytań wymagających pełnego tekstu albo jednego raportu.
  • Użyj wyszukiwania dla wielu dokumentów, częstych pytań albo gdy darmowe limity tokenów na minutę są niskie.
  • Połącz oba podejścia: pobierz 20 lub więcej fragmentów i wyślij je do modelu z długim kontekstem.

Duży prompt może zawieść u dostawcy z niskim limitem tokenów na minutę. FreeLLMAPI wtedy próbuje następnego dostawcy. Aby kontrolować, które modele dostają duże prompty, utwórz profil łańcucha awaryjnego tylko z modelami o długim kontekście. Używaj go jako auto:<profile>.

Limity i rozwiązywanie problemów

ProblemPrzyczynaRozwiązanie
Ładowanie zatrzymuje się na błędzie 429Rodzina embeddingów ma wyczerpany limit u wszystkich dostawcówUżyj większych partii, czekaj na Retry-After, ładuj dane w częściach
Złe wyniki po zmianieIndeks ma wektory z dwóch rodzinOsadź ponownie wszystkie fragmenty jedną rodziną
Błąd o długości wejściaFragment jest dłuższy niż maksymalne wejście rodzinyUżyj mniejszych fragmentów
Odpowiedź ignoruje źródłaModel odpowiada z własnej wiedzyUżyj temperature=0 i ścisłego promptu systemowego
Błąd długości kontekstu przy odpowiedziZbyt wiele albo zbyt długie fragmentyZmniejsz k albo użyj profilu z długim kontekstem
Odpowiedzi zmieniają stylRouter wybrał inny modelWyślij nagłówek X-Session-Id albo przypnij model

Darmowe plany nie mają gwarancji SLA. Najmocniejsze modele pierwsze osiągają dzienne limity, a wiele limitów resetuje się o północy UTC. Testuj pipeline na modelach, których Twój łańcuch faktycznie użyje.

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 dla RAG?

Tak. Kilku dostawców ma darmowe plany embeddingów i czatu. FreeLLMAPI udostępnia oba przez jeden klucz zgodny z OpenAI, z przełączaniem awaryjnym między dostawcami.

Który darmowy model embeddingów jest najlepszy dla RAG?

Wybierz rodzinę, która jest darmowa u kilku dostawców i pasuje do Twoich języków. Dla tekstu wielojęzycznego częstym wyborem jest bge-m3. Zachowaj jedną rodzinę dla całego indeksu.

Czy istnieje darmowe API do rerankingu?

Dokumentacja FreeLLMAPI nie opisuje punktu końcowego rerankingu. Możesz przeszeregować wyniki szybkim modelem czatu, jak pokazano na tej stronie, albo pominąć krok rerankingu.

Czy potrzebuję RAG, jeśli darmowy model ma 1 milion tokenów kontekstu?

Nie przy kilku małych dokumentach. Przy wielu dokumentach albo częstych pytaniach wyszukiwanie wysyła mniej tokenów na żądanie i mieści się w darmowych limitach.

Czy mogę później zmienić model embeddingów?

Tak, ale musisz osadzić wszystkie fragmenty od nowa. Wektory z dwóch modeli nie są zgodne, więc nie mieszaj ich w jednym indeksie.

Powiązane poradniki

Źródła

Wszystkie poradniki · Przeglądaj wszystkie darmowe modele