API LLM gratuita com contexto de 1 milhão de tokens
Uma janela de contexto longa permite que um modelo leia um livro inteiro, uma base de código grande ou horas de transcrições em uma única requisição. O catálogo do FreeLLMAPI tem 56 ofertas de modelos gratuitos com janela de contexto de 1 milhão de tokens ou mais. Este guia mostra esses modelos e os limites do nível gratuito que decidem quanto você pode realmente enviar.
O código, os nomes dos modelos e os rótulos do catálogo ao vivo são exibidos em inglês.
Modelos gratuitos com contexto de 1M+ tokens hoje
A tabela lista modelos gratuitos com janela de contexto de pelo menos 1.000.000 de tokens, do maior para o menor. Os dados vêm do catálogo ao vivo. Observe a coluna "Free limits" além do tamanho do contexto.
| Modelo | Gratuito em | Contexto | Limites gratuitos (melhor oferta) | Ferramentas | Visão |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | Não | Não |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 req/min 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | Sim | Sim |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 req/min 20 req/dia 250,000 tokens/min ~3M | Sim | Sim |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 req/min 50 req/dia Shared rate limit | Sim | Não |
| DeepSeek V4 Flash 0731 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | Não | Não |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 req/min 20 req/dia 250,000 tokens/min ~3M | Sim | Sim |
| GLM 5.2 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | Não | Não |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 req/min 20 req/dia 250,000 tokens/min ~3M | Sim | Sim |
| DeepSeek V4 Pro | APINex, Router9 | 1M | 5 req/min 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | Não | Não |
| Nemotron 3 Ultra 550B | Gizmo, Kilo Gateway, LLMTR +3 a mais | 1M | 200 req/dia 200 rpd | Sim | Não |
| Gemini 3.5 Flash Lite | ElectronHub, Google AI Studio | 1M | 15 req/min 20 req/dia 250,000 tokens/min ~3M | Sim | Sim |
| Gemini 3 Flash Preview | Google AI Studio | 1M | 10 req/min 20 req/dia 250,000 tokens/min ~3M | Sim | Sim |
| Gemini 3.1 Flash-Lite | DreamPrompting, Google AI Studio | 1M | 100 req/min 5,000 req/dia 500,000 tokens/dia 500K tokens/day · 5,000 req/day | Sim | Sim |
| Gemini 2.5 Flash | DreamPrompting, ElectronHub, Google AI Studio | 1M | 100 req/min 5,000 req/dia 500,000 tokens/dia 500K tokens/day · 5,000 req/day | Sim | Sim |
| Nemotron 3.5 Lightning | ElectronHub, Gizmo, Kilo Gateway +2 a mais | 1M | 20 req/min 50 req/dia 50 req/day account-wide (1,000 after a $10 purchase) | Sim | Não |
Mostrando 15 de 33 modelos gratuitos correspondentes. Ver todos os modelos.
Dados ao vivo do catálogo FreeLLMAPI (versão 2026.11.19, verificado em 2026-11-19). Os limites gratuitos mudam com frequência. O catálogo é verificado todos os dias.
Os modelos Gemini Flash do Google AI Studio são os modelos gratuitos de 1M de tokens mais conhecidos. Eles também aceitam imagens e chamadas de ferramenta. As outras linhas vêm de roteadores gratuitos e da NVIDIA.
O limite real: tokens por minuto
A janela de contexto é o maior prompt que o modelo consegue ler. O nível gratuito também tem um limite de tokens por minuto (TPM). Em muitos níveis gratuitos, o limite de TPM é menor que a janela de contexto.
- Exemplo: uma chave gratuita do Gemini Flash na tabela permite 250.000 tokens por minuto. Um prompt de 800.000 tokens está dentro da janela de contexto, mas acima do limite de TPM. O provedor envia o erro 429.
- Requisições por dia: alguns modelos gratuitos do Gemini permitem apenas cerca de 20 requisições por dia. Use prompts longos apenas para as tarefas que precisam deles.
- A saída é separada: a resposta tem seu próprio comprimento máximo. Um contexto de 1M de tokens não dá uma resposta de 1M de tokens.
Na prática, um modelo gratuito de 1M de contexto consegue ler algumas centenas de milhares de tokens em uma requisição. Meça o seu prompt antes de enviá-lo.
Etapa 1: instale o FreeLLMAPI e adicione chaves
O FreeLLMAPI é de código aberto. Ele roda no seu computador com Docker. Suas chaves de provedor ficam no seu computador.
Instale (macOS ou Linux)
curl -fsSL https://freellmapi.co/install.sh | bashAbra o painel em http://localhost:3001. Adicione uma chave do Google AI Studio na página Keys. Adicione também chaves de outros provedores da tabela, para que o roteador tenha outro modelo de contexto longo quando o Google enviar um erro 429. Copie sua chave unificada da mesma página.
Etapa 2: conte os tokens e depois envie um documento longo
O FreeLLMAPI oferece o método nativo countTokens do Gemini. Use-o para medir o prompt antes de enviá-lo.
curl: conte os tokens com o endpoint nativo do Gemini
curl "http://localhost:3001/v1beta/models/gemini-2.5-flash:countTokens" \
-H "x-goog-api-key: <unified-key>" \
-H "Content-Type: application/json" \
-d '{"contents": [{"role": "user", "parts": [{"text": "Paste the long text here"}]}]}'Python: envie um arquivo longo a um modelo de 1M de contexto
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>", timeout=300)
doc = open("annual-report.txt", encoding="utf-8").read()
print("about", len(doc) // 4, "tokens") # rough rule for English text
resp = client.chat.completions.with_raw_response.create(
model="gemini-2.5-flash", # pin a 1M-context model; "auto" can pick a smaller one
messages=[
{"role": "system", "content": "Answer only from the document. Quote the section you use."},
{"role": "user", "content": doc + "\n\nQuestion: What are the three largest risks?"},
],
max_tokens=4000,
)
print("Routed via:", resp.headers.get("x-routed-via"))
print(resp.parse().choices[0].message.content)Fixe um modelo de contexto longo pelo id. Com model: "auto", o roteador pode escolher um modelo com janela de contexto menor. Defina um timeout longo no cliente, porque prompts grandes levam tempo para ser lidos.
Contexto longo ou RAG?
| Use contexto longo quando | Use RAG quando |
|---|---|
| O documento é lido uma vez, por exemplo um contrato ou um relatório | Você faz muitas perguntas sobre os mesmos dados grandes |
| A resposta precisa do texto completo, por exemplo um resumo ou uma comparação de seções | A resposta está em alguns trechos curtos |
| O texto é menor que o limite de TPM da sua chave gratuita | Os dados são maiores que qualquer janela de contexto ou limite de TPM gratuito |
| Você precisa que o modelo veja a ordem e a estrutura do texto | Você precisa manter cada requisição pequena e rápida |
O RAG envia apenas as partes relevantes dos dados com cada pergunta. Ele usa menos tokens nos níveis gratuitos. Leia API LLM gratuita para RAG e API de embeddings gratuita para configurá-lo.
Armadilhas e solução de problemas
- Detalhes perdidos: os modelos podem deixar passar fatos no meio de um prompt muito longo. Coloque sua pergunta depois do documento e peça ao modelo para citar a fonte.
- Tokens de raciocínio: os modelos Gemini Flash podem usar tokens de raciocínio ocultos do orçamento de saída. Não defina um
max_tokensmuito pequeno. - Arquivos PDF: o FreeLLMAPI não converte arquivos PDF, DOCX ou XLSX. Um anexo de documento binário retorna erro 400. Extraia o texto primeiro e depois envie o texto.
- Limpe o texto: remova cabeçalhos, rodapés e sumários repetidos de páginas antes de enviar um documento. Eles usam tokens e não acrescentam fatos.
- Prompts repetidos: cada requisição envia o documento inteiro de novo. Faça várias perguntas em uma única requisição quando puder.
| Problema | Causa | Correção |
|---|---|---|
| Erro 429 na primeira requisição longa | O prompt é maior que o limite de TPM | Diminua o prompt, ou use RAG |
| Erro 400 sobre o tamanho do contexto | A requisição foi a um modelo com janela menor | Fixe um id de modelo da tabela |
| Resposta vazia ou cortada | max_tokens é pequeno demais, ou o raciocínio o consumiu | Defina um max_tokens maior |
| Timeout | O modelo precisa de tempo para ler o prompt | Defina um timeout de 300 segundos ou mais no cliente |
Perguntas frequentes
Existe uma API LLM gratuita com contexto de 1 milhão de tokens?
Sim. Os modelos Gemini Flash do nível gratuito do Google AI Studio têm janela de contexto de cerca de 1 milhão de tokens. O catálogo do FreeLLMAPI tem 56 ofertas de modelos gratuitos com 1M ou mais de tokens.
Posso enviar 1 milhão de tokens gratuitos em uma única requisição?
Normalmente não. O nível gratuito do Gemini no catálogo permite 250.000 tokens por minuto, então um prompt maior recebe o erro 429. Planeje algumas centenas de milhares de tokens para cada requisição.
Como conto os tokens antes de enviar um prompt?
Chame o método nativo countTokens do Gemini pelo FreeLLMAPI em /v1beta/models/{model}:countTokens. Para textos em inglês, cerca de 4 caracteres formam um token.
Qual LLM gratuito tem a maior janela de contexto?
A tabela desta página ordena os modelos gratuitos pelo tamanho do contexto, do maior para o menor. Vários modelos gratuitos chegam a cerca de 1 milhão de tokens. Leia também a coluna de limites gratuitos, porque o limite de TPM define o tamanho real de uma requisição.
Contexto longo é melhor que RAG?
Contexto longo é melhor para um documento que você lê uma vez. RAG é melhor para muitas perguntas sobre dados grandes, porque envia menos tokens a cada vez.
Guias relacionados
- API LLM gratuita para RAG
- API gratuita de embeddings
- free gemini api
- Cota da API Gemini excedida (429 RESOURCE_EXHAUSTED)
- Limites de taxa da API LLM gratuita
Fontes
- FreeLLMAPI docs: Native Gemini API (verificado em 20 November 2026)
- FreeLLMAPI docs: Chat completions and routing (verificado em 20 November 2026)
- Google AI Studio docs: Thinking (verificado em 20 November 2026)
- Gemini Developer API pricing (verificado em 20 November 2026)