RAG-க்கு இலவச LLM API
Retrieval-augmented generation (RAG) இரண்டு APIs-ஐத் தேவைப்படுத்துகிறது: தொடர்புடைய உரையைக் கண்டறிய ஒரு embedding மாடல், பதிலை எழுத ஒரு chat மாடல். இரண்டும் இலவச அடுக்குகளில் கிடைக்கின்றன. FreeLLMAPI 41 இலவச embedding மாடல்களுக்கும் 487 இலவச chat மாடல்களுக்கும் ஒரே OpenAI-compatible key-ஐ வழங்குகிறது, வழங்குநர்களுக்கிடையே failover உடன். இந்த வழிகாட்டி ஒவ்வொரு படிக்கும் இலவச மாடல்களையும், முழுமையான Python பைப்லைனையும் காட்டுகிறது.
குறியீடு, மாதிரிப் பெயர்கள் மற்றும் நேரடி பட்டியல் லேபிள்கள் ஆங்கிலத்தில் காட்டப்படுகின்றன.
இலவச அடுக்குகளில் RAG பைப்லைன்
| படி | API | இலவச அடுக்கின் கவலை |
|---|---|---|
| 1. ஆவணங்களைத் துண்டுகளாகப் பிரிக்கவும் | எதுவும் இல்லை (உள்ளூர் குறியீடு) | எதுவும் இல்லை |
| 2. ஒவ்வொரு துண்டையும் embed செய்யவும் | /v1/embeddings | தொடக்கத்தில் பல கோரிக்கைகள். சில இலவச embedding அடுக்குகள் நிமிடத்துக்கு 10 கோரிக்கைகளை அனுமதிக்கின்றன. |
| 3. கேள்வியை embed செய்யவும் | /v1/embeddings | ஒவ்வொரு கேள்விக்கும் ஒரு கோரிக்கை |
| 4. சிறந்த துண்டுகளைக் கண்டறியவும் | எதுவும் இல்லை (உள்ளூர் vector தேடல்) | எதுவும் இல்லை |
| 5. துண்டுகளை மறுவரிசைப்படுத்தவும் (விருப்பத்தேர்வு) | /v1/chat/completions | ஒவ்வொரு கேள்விக்கும் ஒரு கூடுதல் chat கோரிக்கை |
| 6. பதிலை எழுதவும் | /v1/chat/completions | பெரிய prompts. நிமிடத்துக்கான டோக்கன் வரம்புகள் பொருந்தும். |
படி 2 அதிக செலவு கொண்டது. ஒவ்வொரு ஆவணத்துக்கும் ஒருமுறை மட்டும் அதைச் செய்யுங்கள். vectors-ஐ சேமியுங்கள், பின்னர் புதிய அல்லது மாற்றப்பட்ட ஆவணங்களை மட்டும் embed செய்யுங்கள்.
FreeLLMAPI-ஐயும் Python தொகுப்புகளையும் நிறுவுங்கள்
curl -fsSL https://freellmapi.co/install.sh | bash
python3 -m pip install -U openai numpy
export FREELLMAPI_API_KEY=<unified-key>இலவச embedding மாடலைத் தேர்ந்தெடுங்கள்
ஒரு embedding குடும்பத்தைத் தேர்ந்தெடுத்து, முழு குறியீட்டுக்கும் அதையே வையுங்கள். இரண்டு மாடல்களின் vectors பொருந்தாது. FreeLLMAPI கலந்த vectors-இலிருந்து உங்களைப் பாதுகாக்கிறது: embedding failover ஒருபோதும் மாடலை மாற்றுவதில்லை. அது அதே குடும்பத்துக்குச் சேவை செய்யும் வழங்குநர்களுக்கு இடையே மட்டுமே நகர்கிறது.
| மாதிரி | வழங்குநர் | பரிமாணங்கள் | அதிகபட்ச உள்ளீடு | இலவச வரம்பு |
|---|---|---|---|---|
Gemini Embeddinggemini-embedding-001 | Google AI Studio | 3072 | 2048 | 100 rpm · 1K req/day |
Nemotron Embed VL 1Bnvidia/llama-nemotron-embed-vl-1b-v2 | NVIDIA NIM | 2048 | 8192 | ~40 rpm |
Nemotron 3 Embed 1B (OR free)nvidia/nemotron-3-embed-1b:free | OpenRouter | 2048 | 32768 | 20 rpm · shared free daily cap |
SEA-LION E5 Embedding 600Maisingapore/SEA-LION-E5-Embedding-600M | SEA-LION | 1024 | 8192 | free · 10 rpm |
SEA-LION ModernBERT Embedding 300Maisingapore/SEA-LION-ModernBERT-Embedding-300M | SEA-LION | 1024 | 8192 | free · 10 rpm |
SEA-LION ModernBERT Embedding 600Maisingapore/SEA-LION-ModernBERT-Embedding-600M | SEA-LION | 1024 | 8192 | free · 10 rpm |
BGE-M3@cf/baai/bge-m3 | Cloudflare Workers AI | 1024 | 8192 | 10K neurons/day (shared) |
EmbeddingGemma 300M@cf/google/embeddinggemma-300m | Cloudflare Workers AI | 768 | 2048 | 10K neurons/day (shared) |
Qwen3 Embedding 0.6B@cf/qwen/qwen3-embedding-0.6b | Cloudflare Workers AI | 1024 | 8192 | 10K neurons/day (shared) |
Cohere Embed v4embed-v4.0 | Cohere | 1536 | 128000 | 1K calls/mo (shared w/ chat) |
Gemini Embedding 2gemini-embedding-2 | Google AI Studio | 3072 | 8192 | free-tier rate limited |
Nemotron 3 Embed 1Bnvidia/nemotron-3-embed-1b | NVIDIA NIM | 2048 | 4096 | ~40 rpm |
PLaMo Embedding 1B (CF)@cf/pfnet/plamo-embedding-1b | Cloudflare Workers AI | 2048 | 4096 | 10K neurons/day (shared) |
BGE Small EN v1.5 (CF)@cf/baai/bge-small-en-v1.5 | Cloudflare Workers AI | 384 | 512 | 10K neurons/day (shared) |
BGE Base EN v1.5 (CF)@cf/baai/bge-base-en-v1.5 | Cloudflare Workers AI | 768 | 512 | 10K neurons/day (shared) |
BGE Large EN v1.5 (CF)@cf/baai/bge-large-en-v1.5 | Cloudflare Workers AI | 1024 | 512 | 10K neurons/day (shared) |
Mistral Embedmistral-embed | Mistral | 1024 | 8192 | free mode · monthly cap (shared) |
Codestral Embedcodestral-embed | Mistral | 1536 | 8192 | free mode · monthly cap (shared) |
Llama Text Embed v2 (Pinecone)llama-text-embed-v2 | Pinecone | 1024 | 2048 | 5M tokens/mo per model |
Multilingual E5 Large (Pinecone)multilingual-e5-large | Pinecone | 1024 | 507 | 5M tokens/mo per model |
Nemotron 3 Embed 1B (Speka)nvidia/nemotron-3-embed-1b | Speka | 2048 | 8192 | $1/month shared across Speka models |
OpenAI: Text Embedding 3 Small (ElectronHub)text-embedding-3-small | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
OpenAI: Text Embedding 3 Large (ElectronHub)text-embedding-3-large | ElectronHub | 3072 | 8192 | $0.25/week shared free credits |
Nemotron 3 Embed 8B (Inferbase)nvidia-nemotron-3-embed-8b | Inferbase | 4096 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 0.6B (Inferbase)qwen3-embedding-0-6b | Inferbase | 1024 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 4B (Inferbase)qwen3-embedding-4b | Inferbase | 2560 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 8B (Inferbase)qwen3-embedding-8b | Inferbase | 4096 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
LFM2.5 Embedding 350M (LLMTR)liquid/lfm-2.5-embedding-350m-free | LLMTR | 1024 | 512 | Ongoing zero-price route; provider terms apply |
BGE-M3 (SEA-LION)BAAI/bge-m3 | SEA-LION | 1024 | 8192 | free · 10 rpm |
Cohere Embed English v3embed-english-v3.0 | Cohere | 1024 | 512 | 1K calls/mo (shared w/ chat) |
Qwen3 Embedding 8B (OVH)Qwen3-Embedding-8B | OVH AI Endpoints | 4096 | 32768 | free · anonymous 2 req/min per IP |
BGE-M3 (OVH)bge-m3 | OVH AI Endpoints | 1024 | 8192 | free · anonymous 2 req/min per IP |
BGE Multilingual Gemma2 (OVH)bge-multilingual-gemma2 | OVH AI Endpoints | 3584 | 8192 | free · anonymous 2 req/min per IP |
Mistral: Codestral Embed (ElectronHub)codestral-embed | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
Mistral: Mistral Embed (ElectronHub)mistral-embed | ElectronHub | 1024 | 8192 | $0.25/week shared free credits |
Google: Gemini Embedding 2 (ElectronHub)gemini-embedding-2 | ElectronHub | 3072 | 8192 | $0.25/week shared free credits |
Google: Gemini Embedding 001 (ElectronHub)gemini-embedding-001 | ElectronHub | 3072 | 2048 | $0.25/week shared free credits |
OpenAI: Text Embedding Ada 002 (ElectronHub)text-embedding-ada-002 | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
Cohere Embed English Light v3embed-english-light-v3.0 | Cohere | 384 | 512 | 1K calls/mo (shared w/ chat) |
Cohere Embed Multilingual v3embed-multilingual-v3.0 | Cohere | 1024 | 512 | 1K calls/mo (shared w/ chat) |
Cohere Embed Multilingual Light v3embed-multilingual-light-v3.0 | Cohere | 384 | 512 | 1K calls/mo (shared w/ chat) |
FreeLLMAPI பட்டியலிலிருந்து நேரடி தரவு (பதிப்பு 2026.11.19, சரிபார்க்கப்பட்டது 2026-11-19). இலவச வரம்புகள் அடிக்கடி மாறும். பட்டியல் ஒவ்வொரு நாளும் சரிபார்க்கப்படுகிறது.
- ஒரு குடும்பத்துக்குப் பல வழங்குநர்கள்:
bge-m3போன்ற ஒரு குடும்பம் ஒன்றுக்கு மேற்பட்ட வழங்குநர்களில் இலவசம். அப்போது failover-க்கு ஒரு இடம் இருக்கும். - அதிகபட்ச உள்ளீடு: அதிகபட்ச உள்ளீட்டை விட நீளமான துண்டுகள் வெட்டப்படும் அல்லது நிராகரிக்கப்படும். துண்டுகளை இந்த மதிப்பை விடச் சிறியதாக ஆக்குங்கள்.
- மொழிகள்: ஆங்கிலம் அல்லாத உரைக்கு,
bge-m3போன்ற பல மொழி குடும்பத்தைப் பயன்படுத்துங்கள். பெயரில்-en-உள்ள குடும்பங்கள் ஆங்கிலத்துக்கானவை. - பரிமாணங்கள்: பெரிய vectors அதிக சேமிப்பிடத்தைப் பயன்படுத்துகின்றன. சிறிய குறியீட்டுக்கு இது சிக்கல் இல்லை.
Python-இல் முழுமையான RAG குறியீடு
இந்த நிரல் உரைக் கோப்புகளைத் துண்டுகளாகப் பிரிக்கிறது, தொகுதிகளாக embed செய்கிறது, vectors-ஐ NumPy மூலம் சேமிக்கிறது. பின்னர் சிறந்த துண்டுகளைப் பயன்படுத்தி ஒரு கேள்விக்குப் பதிலளித்து மூலங்களைத் தருகிறது. ஒரு வரம்பு கோரிக்கையை நிறுத்தும்போது அது மீண்டும் முயற்சிக்கிறது.
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?"))சில ஆயிரம் துண்டுகளுக்கு மேல் இருந்தால், NumPy தேடலுக்குப் பதிலாக ஒரு vector தரவுத்தளத்தைப் பயன்படுத்துங்கள். embedding மற்றும் chat அழைப்புகள் அப்படியே இருக்கும்.
பயனர்கள் அதே கேள்வியை அடிக்கடி மீண்டும் கேட்கின்றனர். FreeLLMAPI ஒரே மாதிரியான கோரிக்கைகளுக்கு விருப்பத்தேர்வான பதில் cache-ஐக் கொண்டுள்ளது. cache hit எந்த வழங்குநர் ஒதுக்கீட்டையும் பயன்படுத்தாது. X-FreeLLM-Cache: on அல்லது off header மூலம் ஒரு கோரிக்கைக்கு cache-ஐ இயக்கலாம் அல்லது அணைக்கலாம். temperature=0-ஐப் பயன்படுத்துங்கள், அதனால் அதே கேள்வி அதே கோரிக்கையை உருவாக்கும்.
ஒரு rerank படியைச் சேர்க்கவும்
vector தேடல் ஒத்த உரையைக் கண்டறிகிறது, ஆனால் முதல் துண்டு எப்போதும் சிறந்த பதிலாக இருக்காது. ஒரு rerank படி வேட்பாளர்களை மீண்டும் வரிசைப்படுத்துகிறது. FreeLLMAPI ஆவணங்கள் ஒரு பிரத்யேக rerank endpoint-ஐ விவரிக்கவில்லை. rerank செய்பவராக ஒரு வேகமான chat மாடலைப் பயன்படுத்தலாம். 15 வேட்பாளர்களைப் பெற்று, சிறந்த 5-ஐ வைத்திருங்கள்.
auto:fast உடன் LLM rerank
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]rerank படி ஒரு கேள்விக்கு ஒரு chat கோரிக்கையைச் சேர்க்கிறது. உங்கள் இலவச வரம்புகள் இறுக்கமாக இருந்தால், அதைத் தவிர்க்கவும். சிறந்த துண்டாக்கம் பெரும்பாலும் rerank படியை விட அதிக உதவி செய்கிறது.
நீண்ட context: மீட்டெடுப்பு தேவைப்படாதபோது
இன்று, 56 இலவச மாடல் சலுகைகள் 1 மில்லியன் டோக்கன்கள் அல்லது அதற்கு மேற்பட்ட context window கொண்டவை. உங்கள் ஆவணங்கள் சிறியதாக இருந்தால், அவை அனைத்தையும் prompt-இல் அனுப்பி vector குறியீட்டைத் தவிர்க்கலாம். இது எளிமையானது, ஆனால் ஒவ்வொரு கேள்வியும் பல டோக்கன்களை அனுப்புகிறது.
| மாதிரி | இலவசம் | சூழல் அளவு | இலவச வரம்புகள் (சிறந்த சலுகை) | கருவிகள் | படப் பார்வை |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | இல்லை | இல்லை |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 கோரிக்கை/நிமிடம் 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | ஆம் | ஆம் |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 கோரிக்கை/நிமிடம் 20 கோரிக்கை/நாள் 250,000 டோக்கன்/நிமிடம் ~3M | ஆம் | ஆம் |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 கோரிக்கை/நிமிடம் 50 கோரிக்கை/நாள் Shared rate limit | ஆம் | இல்லை |
| DeepSeek V4 Flash 0731 | ElectronHub, Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | இல்லை | இல்லை |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 கோரிக்கை/நிமிடம் 20 கோரிக்கை/நாள் 250,000 டோக்கன்/நிமிடம் ~3M | ஆம் | ஆம் |
| GLM 5.2 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | இல்லை | இல்லை |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 கோரிக்கை/நிமிடம் 20 கோரிக்கை/நாள் 250,000 டோக்கன்/நிமிடம் ~3M | ஆம் | ஆம் |
| DeepSeek V4 Pro | APINex, Router9 | 1M | 5 கோரிக்கை/நிமிடம் 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | இல்லை | இல்லை |
| Nemotron 3 Ultra 550B | Gizmo, Kilo Gateway, LLMTR +3 மேலும் | 1M | 200 கோரிக்கை/நாள் 200 rpd | ஆம் | இல்லை |
பொருந்தும் 35 இலவச மாதிரிகளில் 10 காட்டப்படுகின்றன. அனைத்து மாதிரிகளையும் பார்க்கவும்.
FreeLLMAPI பட்டியலிலிருந்து நேரடி தரவு (பதிப்பு 2026.11.19, சரிபார்க்கப்பட்டது 2026-11-19). இலவச வரம்புகள் அடிக்கடி மாறும். பட்டியல் ஒவ்வொரு நாளும் சரிபார்க்கப்படுகிறது.
- நீண்ட context-ஐப் பயன்படுத்துங்கள் சில ஆவணங்களுக்கு, முழு உரை தேவைப்படும் கேள்விகளுக்கு, அல்லது ஒரே அறிக்கைக்கு.
- மீட்டெடுப்பைப் பயன்படுத்துங்கள் பல ஆவணங்களுக்கு, அடிக்கடி கேட்கப்படும் கேள்விகளுக்கு, அல்லது இலவச நிமிட-டோக்கன் வரம்புகள் குறைவாக இருக்கும்போது.
- இரண்டையும் இணைக்கவும்: 20 அல்லது அதற்கு மேற்பட்ட துண்டுகளை மீட்டெடுத்து, அவற்றை நீண்ட-context மாடலுக்கு அனுப்புங்கள்.
குறைந்த நிமிட-டோக்கன் வரம்பு கொண்ட வழங்குநரில் பெரிய prompt தோல்வியடையலாம். அப்போது FreeLLMAPI அடுத்த வழங்குநரை முயற்சிக்கிறது. பெரிய prompts எந்த மாடல்களைப் பெறுகின்றன என்பதைக் கட்டுப்படுத்த, நீண்ட-context மாடல்கள் மட்டும் கொண்ட fallback சங்கிலி profile ஒன்றை உருவாக்குங்கள். அதை auto:<profile> ஆகப் பயன்படுத்துங்கள்.
வரம்புகளும் சிக்கல் தீர்வும்
| சிக்கல் | காரணம் | தீர்வு |
|---|---|---|
| உட்செலுத்தல் 429-இல் நிற்கிறது | embedding குடும்பம் எல்லா வழங்குநர்களிலும் அதன் வரம்பில் உள்ளது | பெரிய தொகுதிகளைப் பயன்படுத்துங்கள், Retry-After வரை காத்திருங்கள், பகுதிகளாக உட்செலுத்துங்கள் |
| மாற்றத்துக்குப் பிறகு மோசமான முடிவுகள் | குறியீட்டில் இரண்டு குடும்பங்களின் vectors உள்ளன | எல்லா துண்டுகளையும் ஒரே குடும்பத்துடன் மீண்டும் embed செய்யுங்கள் |
| உள்ளீட்டு நீளம் பற்றிய பிழை | ஒரு துண்டு குடும்பத்தின் அதிகபட்ச உள்ளீட்டை விட நீளமானது | சிறிய துண்டுகளைப் பயன்படுத்துங்கள் |
| பதில் மூலங்களைப் புறக்கணிக்கிறது | மாடல் தனது சொந்த அறிவிலிருந்து பதிலளிக்கிறது | temperature=0 மற்றும் கடுமையான system prompt-ஐப் பயன்படுத்துங்கள் |
| பதிலில் context நீளப் பிழை | அதிக அல்லது மிக நீளமான துண்டுகள் | k-ஐக் குறைக்கவும், அல்லது நீண்ட-context profile-ஐப் பயன்படுத்தவும் |
| பதில்களின் நடை மாறுகிறது | router வேறு மாடலைத் தேர்ந்தெடுத்தது | X-Session-Id header-ஐ அனுப்புங்கள், அல்லது ஒரு மாடலை நிலைப்படுத்துங்கள் |
இலவச அடுக்குகளுக்கு SLA இல்லை. வலிமையான மாடல்கள் முதலில் தங்கள் தினசரி வரம்புகளை அடைகின்றன, பல வரம்புகள் நள்ளிரவு UTC-க்கு மீட்டமைகின்றன. உங்கள் சங்கிலி உண்மையில் பயன்படுத்தும் மாடல்களுடன் உங்கள் பைப்லைனைச் சோதியுங்கள்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
RAG-க்கு இலவச API உள்ளதா?
ஆம். பல வழங்குநர்கள் இலவச embedding மற்றும் chat அடுக்குகளை வழங்குகின்றனர். FreeLLMAPI இரண்டையும் ஒரே OpenAI-compatible key மூலம், வழங்குநர்களுக்கிடையே failover உடன் வழங்குகிறது.
RAG-க்கு எந்த இலவச embedding மாடல் சிறந்தது?
பல வழங்குநர்களில் இலவசமாக உள்ள, உங்கள் மொழிகளுக்குப் பொருந்தும் ஒரு குடும்பத்தைத் தேர்ந்தெடுங்கள். பல மொழி உரைக்கு, bge-m3 ஒரு பொதுவான தேர்வு. முழு குறியீட்டுக்கும் ஒரே குடும்பத்தை வையுங்கள்.
இலவச rerank API உள்ளதா?
FreeLLMAPI ஆவணங்கள் rerank endpoint-ஐ விவரிக்கவில்லை. இந்தப் பக்கத்தில் காட்டியபடி ஒரு வேகமான chat மாடலுடன் நீங்கள் rerank செய்யலாம், அல்லது rerank படியைத் தவிர்க்கலாம்.
ஓர் இலவச மாடலுக்கு 1 மில்லியன் டோக்கன் context இருந்தால் எனக்கு RAG தேவையா?
சில சிறிய ஆவணங்களுக்குத் தேவையில்லை. பல ஆவணங்களுக்கோ அடிக்கடி கேள்விகளுக்கோ, மீட்டெடுப்பு ஒவ்வொரு கோரிக்கைக்கும் குறைவான டோக்கன்களை அனுப்புகிறது, இலவச வரம்புகளுக்குள் இருக்கிறது.
பின்னர் embedding மாடலை மாற்ற முடியுமா?
முடியும், ஆனால் நீங்கள் எல்லா துண்டுகளையும் மீண்டும் embed செய்ய வேண்டும். இரண்டு மாடல்களின் vectors பொருந்தாது, எனவே ஒரே குறியீட்டில் அவற்றைக் கலக்காதீர்கள்.
தொடர்புடைய வழிகாட்டிகள்
- இலவச embeddings API
- 1 மில்லியன் டோக்கன் context கொண்ட இலவச LLM API
- LlamaIndex க்கான இலவச LLM
- LangChain-க்கான இலவச LLM API
- Python இல் இலவச LLM API
ஆதாரங்கள்
- FreeLLMAPI docs: embeddings (families and failover rules) (சரிபார்க்கப்பட்டது 20 November 2026)
- FreeLLMAPI docs: routing strategies and response headers (சரிபார்க்கப்பட்டது 20 November 2026)
- OpenAI Python SDK: embeddings, errors and retries (சரிபார்க்கப்பட்டது 20 November 2026)
அனைத்து வழிகாட்டிகள் · அனைத்து இலவச மாதிரிகளையும் பார்க்கவும்