Главная / Руководства / Бесплатный LLM API для RAG

Бесплатный LLM API для RAG

Генерация с извлечением (RAG) требует два API: модель эмбеддингов, чтобы найти нужный текст, и модель чата, чтобы написать ответ. Оба доступны на бесплатных тарифах. FreeLLMAPI дает один ключ, совместимый с OpenAI, для 41 бесплатных моделей эмбеддингов и 487 бесплатных моделей чата с переключением между провайдерами. Это руководство показывает бесплатные модели для каждого шага и полный конвейер на Python.

Код, названия моделей и метки живого каталога показаны на английском языке.

Конвейер RAG на бесплатных тарифах

ШагAPIЧто важно на бесплатном тарифе
1. Разделите документы на фрагментыНет (локальный код)Нет
2. Получите эмбеддинг каждого фрагмента/v1/embeddingsМного запросов в начале. На некоторых бесплатных тарифах эмбеддингов разрешено 10 запросов в минуту.
3. Получите эмбеддинг вопроса/v1/embeddingsОдин запрос на вопрос
4. Найдите лучшие фрагментыНет (локальный векторный поиск)Нет
5. Переранжируйте фрагменты (необязательно)/v1/chat/completionsОдин дополнительный запрос чата на вопрос
6. Напишите ответ/v1/chat/completionsБольшие промпты. Действуют лимиты токенов в минуту.

Шаг 2 самый дорогой по лимитам. Его выполняют один раз для каждого документа. Сохраняйте векторы и позже получайте эмбеддинги только для новых или измененных документов.

Установка FreeLLMAPI и пакетов Python

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

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

Выберите бесплатную модель эмбеддингов

Выберите одно семейство эмбеддингов и используйте его для всего индекса. Векторы из двух моделей несовместимы. FreeLLMAPI защищает от смешивания векторов: переключение эмбеддингов никогда не меняет модель. Оно переходит только между провайдерами, которые обслуживают то же семейство.

МодельПровайдерРазмерностиМакс. входБесплатный лимит
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)

Актуальные данные из каталога FreeLLMAPI (версия 2026.11.19, проверено 2026-11-19). Бесплатные лимиты часто меняются. Каталог проверяется каждый день.

  • Несколько провайдеров для одного семейства: семейство, например bge-m3, бесплатно у нескольких провайдеров. Тогда переключению есть куда перейти.
  • Максимальный вход: фрагменты длиннее максимального входа обрезаются или отклоняются. Делайте фрагменты меньше этого значения.
  • Языки: для текста не на английском используйте многоязычное семейство, например bge-m3. Семейства с -en- в названии предназначены для английского.
  • Размерность: большие векторы занимают больше места. Для небольшого индекса это не проблема.

Полный код RAG на Python

Скрипт делит текстовые файлы на фрагменты, получает их эмбеддинги пакетами и сохраняет векторы с помощью NumPy. Затем он отвечает на вопрос с помощью лучших фрагментов и выводит источники. Он повторяет запрос, когда лимит его останавливает.

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?"))

Для более чем нескольких тысяч фрагментов замените поиск NumPy на векторную базу данных. Вызовы эмбеддингов и чата остаются прежними.

Пользователи часто задают один и тот же вопрос снова. FreeLLMAPI имеет кэш ответов, который включается по желанию, для одинаковых запросов. Попадание в кэш не расходует квоту провайдера. Включить или выключить кэш для одного запроса можно заголовком X-FreeLLM-Cache: on или off. Используйте temperature=0, чтобы один и тот же вопрос давал один и тот же запрос.

Добавьте шаг переранжирования

Векторный поиск находит похожий текст, но лучший фрагмент не всегда самый подходящий для ответа. Шаг переранжирования заново сортирует кандидатов. В документации FreeLLMAPI не описана отдельная конечная точка переранжирования. Можно использовать быструю модель чата как переранжировщик. Извлеките 15 кандидатов и оставьте лучших 5.

LLM-переранжирование с 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]

Шаг переранжирования добавляет один запрос чата на вопрос. Если ваши бесплатные лимиты невелики, пропустите его. Лучшее разбиение на фрагменты часто помогает больше, чем переранжирование.

Длинный контекст: когда извлечение не нужно

Сегодня у 56 бесплатных предложений моделей окно контекста составляет 1 миллион токенов или больше. Если ваши документы небольшие, можно отправить все их в промпте и пропустить векторный индекс. Так проще, но каждый вопрос тогда отправляет много токенов.

Бесплатные модели с самыми большими окнами контекста
МодельБесплатно вКонтекстБесплатные лимиты (лучшее предложение)ИнструментыЗрение
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsНетНет
Gemini 3.8 FlashAPINex, Google AI Studio1M5 запр./мин
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
ДаДа
Gemini 3.7 FlashGoogle AI Studio1M10 запр./мин
20 запр./день
250,000 токенов/мин
~3M
ДаДа
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 запр./мин
50 запр./день
Shared rate limit
ДаНет
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetНетНет
Gemini 3.6 FlashGoogle AI Studio1M10 запр./мин
20 запр./день
250,000 токенов/мин
~3M
ДаДа
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary resetНетНет
Gemini 3.5 FlashGoogle AI Studio1M10 запр./мин
20 запр./день
250,000 токенов/мин
~3M
ДаДа
DeepSeek V4 ProAPINex, Router91M5 запр./мин
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
НетНет
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR ещё +31M200 запр./день
200 rpd
ДаНет

Показано 10 из 35 подходящих бесплатных моделей. Смотреть все модели.

Актуальные данные из каталога FreeLLMAPI (версия 2026.11.19, проверено 2026-11-19). Бесплатные лимиты часто меняются. Каталог проверяется каждый день.

  • Используйте длинный контекст для нескольких документов, для вопросов, которым нужен полный текст, или для одного отчета.
  • Используйте извлечение для многих документов, частых вопросов или когда бесплатные лимиты токенов в минуту низкие.
  • Комбинируйте подходы: извлеките 20 или больше фрагментов и отправьте их модели с длинным контекстом.

Большой промпт может не пройти у провайдера с низким лимитом токенов в минуту. Тогда FreeLLMAPI пробует следующего провайдера. Чтобы контролировать, какие модели получают большие промпты, создайте профиль цепочки переключения только из моделей с длинным контекстом. Используйте его как auto:<profile>.

Лимиты и устранение неполадок

ПроблемаПричинаРешение
Загрузка останавливается с ошибкой 429Семейство эмбеддингов достигло лимита у всех провайдеровИспользуйте большие пакеты, дождитесь Retry-After, загружайте по частям
Плохие результаты после измененияВ индексе векторы из двух семействПолучите эмбеддинги всех фрагментов заново одним семейством
Ошибка о длине входаФрагмент длиннее максимального входа семействаИспользуйте фрагменты меньшего размера
Ответ игнорирует источникиМодель отвечает из собственных знанийИспользуйте temperature=0 и строгий системный промпт
Ошибка длины контекста при ответеСлишком много или слишком длинных фрагментовУменьшите k или используйте профиль с длинным контекстом
Стиль ответов меняетсяМаршрутизатор выбрал другую модельОтправляйте заголовок X-Session-Id или закрепите модель

У бесплатных тарифов нет SLA. Самые сильные модели первыми достигают дневных лимитов, а многие лимиты сбрасываются в полночь по UTC. Проверяйте свой конвейер на тех моделях, которые цепочка будет использовать на самом деле.

Используйте каждую из этих моделей через один ключ. FreeLLMAPI это маршрутизатор с открытым исходным кодом, который работает на вашем сервере. Он объединяет все эти бесплатные тарифы за одной конечной точкой, совместимой с OpenAI, и переключается на другой провайдер, когда достигнут лимит запросов. Открыть каталог или перейти.

Часто задаваемые вопросы

Есть ли бесплатный API для RAG?

Да. Несколько провайдеров имеют бесплатные тарифы эмбеддингов и чата. FreeLLMAPI обслуживает оба через один ключ, совместимый с OpenAI, с переключением между провайдерами.

Какая бесплатная модель эмбеддингов лучше всего для RAG?

Выберите семейство, которое бесплатно у нескольких провайдеров и подходит вашим языкам. Для многоязычного текста частый выбор это bge-m3. Используйте одно семейство для всего индекса.

Есть ли бесплатный API переранжирования?

В документации FreeLLMAPI нет конечной точки переранжирования. Можно переранжировать с помощью быстрой модели чата, как показано на этой странице, или пропустить шаг переранжирования.

Нужен ли RAG, если у бесплатной модели контекст 1 миллион токенов?

Для нескольких небольших документов нет. Для многих документов или частых вопросов извлечение отправляет меньше токенов на запрос и остается в рамках бесплатных лимитов.

Можно ли поменять модель эмбеддингов позже?

Да, но нужно заново получить эмбеддинги всех фрагментов. Векторы из двух моделей несовместимы, поэтому не смешивайте их в одном индексе.

Похожие руководства

Источники

Все руководства · Смотреть все бесплатные модели