Open WebUI కోసం ఉచిత LLM API
Open WebUI అనేది సెల్ఫ్-హోస్ట్ చాట్ ఇంటర్ఫేస్. ఇది OpenAI Chat Completions API ను ఉపయోగించే ఏ సర్వర్కైనా కనెక్ట్ అవుతుంది. ఈ గైడ్ Open WebUIని FreeLLMAPI కు కనెక్ట్ చేస్తుంది. FreeLLMAPI ఒక కీ వెనుక 45 ఉచిత ప్రొవైడర్ టియర్లను కలుపుతుంది. మీరు ఒక కనెక్షన్ జోడిస్తారు. రూటర్ ప్రతి చాట్ను ఉచిత మోడల్కు పంపుతుంది. పరిమితి అభ్యర్థనను ఆపినప్పుడు, అది తదుపరి ప్రొవైడర్కు మారుతుంది.
కోడ్, మోడల్ పేర్లు మరియు ప్రత్యక్ష కేటలాగ్ లేబుల్లు ఇంగ్లీషులోనే చూపబడతాయి.
కనెక్షన్ ఎలా పని చేస్తుంది
Open WebUI ప్రతి OpenAI కనెక్షన్ యొక్క URL కు చాట్ అభ్యర్థనలను పంపుతుంది. FreeLLMAPI http://localhost:3001/v1 వద్ద వింటుంది మరియు అదే అభ్యర్థనలను అంగీకరిస్తుంది. ఇది ఉచిత మోడల్ను ఎంచుకుంటుంది, అభ్యర్థనను పంపుతుంది మరియు సమాధానాన్ని OpenAI ఫార్మాట్లో తిరిగి ఇస్తుంది.
- ఒక కనెక్షన్, అనేక ప్రొవైడర్లు: మీరు ఒక URL మరియు ఒక ఏకీకృత కీని జోడిస్తారు. మీ ప్రొవైడర్ కీలు మీ కంప్యూటర్లోని FreeLLMAPIలోనే ఉంటాయి.
- ఫెయిల్ఓవర్: ఒక ప్రొవైడర్ 429 ఎర్రర్ ఇచ్చినప్పుడు, రూటర్ మీ ఫాల్బ్యాక్ చైన్లోని తదుపరి మోడల్ను ప్రయత్నిస్తుంది.
- పరిమితులు: ఉచిత టియర్లకు అభ్యర్థన మరియు టోకెన్ పరిమితులు ఉంటాయి. ఎక్కువ ప్రొవైడర్ కీలు రోజుకు ఎక్కువ అభ్యర్థనలను ఇస్తాయి. ఫెయిల్ఓవర్ లోడ్ను పంచుతుంది, కానీ పరిమితులను తొలగించదు.
ముందుగా FreeLLMAPIని ఇన్స్టాల్ చేయండి. ఇది Dockerలో నడుస్తుంది. http://localhost:3001 వద్ద డ్యాష్బోర్డ్ను తెరవండి, Keys పేజీలో కనీసం రెండు ఉచిత ప్రొవైడర్ కీలను జోడించండి మరియు మీ ఏకీకృత కీని కాపీ చేయండి.
FreeLLMAPIని ఇన్స్టాల్ చేయండి (macOS లేదా Linux)
curl -fsSL https://freellmapi.co/install.sh | bashదశ 1: సరైన URLని కనుగొనండి
Open WebUI ఉపయోగించాల్సిన URL, ప్రతి ప్రోగ్రామ్ ఎక్కడ నడుస్తుందో దానిపై ఆధారపడి ఉంటుంది. Open WebUI సాధారణంగా Dockerలో నడుస్తుంది. కంటైనర్ లోపల, localhost అంటే కంటైనర్ స్వయంగా, మీ కంప్యూటర్ కాదు.
| Open WebUI నడుస్తుంది | FreeLLMAPI నడుస్తుంది | ఉపయోగించాల్సిన URL |
|---|---|---|
| హోస్ట్పై (pip లేదా uv) | హోస్ట్పై (Docker లేదా డెస్క్టాప్ యాప్) | http://localhost:3001/v1 |
| Docker Desktopలో (macOS, Windows) | హోస్ట్పై | http://host.docker.internal:3001/v1 |
| Linuxలో Dockerలో | Dockerలో (ఇన్స్టాల్ స్క్రిప్ట్) | షేర్ చేసిన Docker నెట్వర్క్లో http://freellmapi:3001/v1 |
| మరొక కంప్యూటర్లో | మీ LANలోని సర్వర్పై | http://<server-ip>:3001/v1, HOST_BIND=0.0.0.0 తో, విశ్వసనీయ నెట్వర్క్లో మాత్రమే |
డిఫాల్ట్గా, FreeLLMAPI కంటైనర్ తన పోర్ట్ను 127.0.0.1 పై మాత్రమే ప్రచురిస్తుంది. Linuxలో, రెండవ కంటైనర్ ఎల్లప్పుడూ హోస్ట్ ద్వారా ఆ పోర్ట్ను చేరుకోలేదు. రెండు కంటైనర్లను ఒకే Docker నెట్వర్క్కు కనెక్ట్ చేయండి. ఆ తర్వాత హోస్ట్ పేరుగా సర్వీస్ పేరు freellmapi ను ఉపయోగించండి.
Open WebUIని FreeLLMAPI నెట్వర్క్కు కనెక్ట్ చేయండి (Linux)
# Find the network of the FreeLLMAPI stack (usually freellmapi_default)
docker network ls
# Attach the Open WebUI container to it
docker network connect freellmapi_default open-webui
# Test the URL from inside the Open WebUI container
docker exec open-webui curl -s http://freellmapi:3001/v1/models \
-H "Authorization: Bearer <unified-key>" | head -c 300దశ 2: కనెక్షన్ను జోడించండి
మీరు కనెక్షన్ను ఇంటర్ఫేస్లో లేదా ఎన్విరాన్మెంట్ వేరియబుల్స్తో జోడించవచ్చు. ఇంటర్ఫేస్ అత్యంత సులభమైన పద్ధతి.
- Admin Panel ను తెరిచి, Settings > Connections కు వెళ్లండి.
- Manage OpenAI API Connections జాబితాను కనుగొనండి. Add Connection పై క్లిక్ చేయండి.
- URL లో, దశ 1 నుండి URLను టైప్ చేయండి, ఉదాహరణకు
http://host.docker.internal:3001/v1. - API Key లో, మీ FreeLLMAPI ఏకీకృత కీని పేస్ట్ చేయండి.
- Verify Connection పై క్లిక్ చేయండి. ఆ తర్వాత Save పై క్లిక్ చేయండి.
కంటైనర్ ప్రారంభమైనప్పుడు కనెక్షన్ను సెట్ చేయడానికి, OPENAI_API_BASE_URL మరియు OPENAI_API_KEY ను ఉపయోగించండి. క్రింది కమాండ్ ఈ రెండు వేరియబుల్స్ జోడించిన ప్రామాణిక Open WebUI docker run కమాండ్.
FreeLLMAPI కనెక్షన్తో docker run
docker run -d -p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-e OPENAI_API_BASE_URL=http://host.docker.internal:3001/v1 \
-e OPENAI_API_KEY=<unified-key> \
-v open-webui:/app/backend/data \
--name open-webui --restart always \
ghcr.io/open-webui/open-webui:mainఇప్పటికే ఉన్న OpenAI కనెక్షన్ను ఉంచడానికి, బహువచన వేరియబుల్స్ను ఉపయోగించండి. OPENAI_API_BASE_URLS మరియు OPENAI_API_KEYS సెమికోలన్లతో వేరు చేసిన జాబితాలను తీసుకుంటాయి. మొదటి కీ మొదటి URLతో వెళ్తుంది.
ఒకే కంటైనర్లో రెండు కనెక్షన్లు
-e OPENAI_API_BASE_URLS="https://api.openai.com/v1;http://host.docker.internal:3001/v1" \
-e OPENAI_API_KEYS="<openai-key>;<unified-key>"ENABLE_PERSISTENT_CONFIG=False ను కూడా సెట్ చేయవచ్చు.దశ 3: మోడల్ జాబితాను చిన్నదిగా ఉంచండి
FreeLLMAPI /v1/models పై తన పూర్తి కేటలాగ్ను ఇస్తుంది. ఆ కేటలాగ్లో మీరు ఇంకా కాల్ చేయలేని మోడల్లు కూడా ఉంటాయి, ఎందుకంటే మీరు వాటి కోసం కీ జోడించలేదు. కనెక్షన్ ఇచ్చే ప్రతి మోడల్ను Open WebUI చూపుతుంది. విఫలమయ్యే మోడల్ల పొడవైన జాబితా ఉపయోగకరం కాదు.
కనెక్షన్ను మళ్లీ తెరిచి, Model IDs ఫీల్డ్ను ఉపయోగించండి. మీరు IDలను జోడించినప్పుడు, Open WebUI ఈ IDలను మాత్రమే చూపుతుంది మరియు పూర్తి జాబితాను చదవడం ఆపేస్తుంది. ముందుగా రూటర్ ఎంట్రీలను జోడించండి:
| మోడల్ ID | రూటర్ ఏమి చేస్తుంది |
|---|---|
auto | డ్యాష్బోర్డ్ నుండి మీ యాక్టివ్ ఫాల్బ్యాక్ చైన్ను అనుసరిస్తుంది |
auto:fast | ప్రారంభించబడిన మోడల్లను కొలిచిన వేగం ప్రకారం ర్యాంక్ చేస్తుంది |
auto:smart | ప్రారంభించబడిన మోడల్లను తెలివితేటల ప్రకారం ర్యాంక్ చేస్తుంది |
auto:reliable | ప్రారంభించబడిన మోడల్లను ఇటీవలి విజయ రేటు ప్రకారం ర్యాంక్ చేస్తుంది |
auto:<profile> | పేరున్న ఫాల్బ్యాక్ చైన్ను ఉపయోగిస్తుంది, ఉదాహరణకు విజన్ చైన్ |
మీరు స్థిరమైన మోడల్ IDని కూడా జోడించవచ్చు, ఉదాహరణకు క్రింది పట్టికలోని మోడల్. స్థిరమైన మోడల్ ప్రతిసారీ ఒకే శైలిలో సమాధానం ఇస్తుంది. ఆ మోడల్ ఉచిత పరిమితి అయిపోయినప్పుడు అది కూడా ఆగిపోతుంది, అదే మోడల్ ఇతర ప్రొవైడర్లలో ఉచితంగా ఉంటే తప్ప.
కోటాను ఆదా చేయడానికి, టాస్క్ మోడల్ను వేగవంతమైన ఎంట్రీకి సెట్ చేయండి. Open WebUI శీర్షికలు మరియు సెర్చ్ ప్రశ్నల కోసం టాస్క్ మోడల్ను ఉపయోగిస్తుంది. వేరియబుల్ TASK_MODEL_EXTERNAL, ఉదాహరణకు TASK_MODEL_EXTERNAL=auto:fast.
| మోడల్ | ఉచితంగా లభ్యం | కాంటెక్స్ట్ | ఉచిత పరిమితులు (ఉత్తమ ఆఫర్) | సాధనాలు | విజన్ |
|---|---|---|---|---|---|
| GLM 5.3 | APINex, UnoRouter | 1M | 5 అభ్యర్థనలు/నిమిషం 10M weighted tokens/day shared across APINex free routes; 4x token multiplier; 5 requests/minute/account | అవును | లేదు |
| GLM 5.3 Flash | APINex, BlazeAPI, NVIDIA NIM +1 మరిన్ని | 1M | 40 అభ్యర్థనలు/నిమిషం 40 RPM | అవును | అవును |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 అభ్యర్థనలు/నిమిషం 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | అవును | అవును |
| Qwen3.8 Flash Next | AMD Radeon Cloud, BlazeAPI, ElectronHub | 262K | Recurring daily account allowance | అవును | లేదు |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | అవును | అవును |
| Deepseek V4.1 Flash | APINex | 1M | 5 అభ్యర్థనలు/నిమిషం 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | లేదు | లేదు |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 అభ్యర్థనలు/నిమిషం 20 అభ్యర్థనలు/రోజు 250,000 టోకెన్లు/నిమిషం ~3M | అవును | అవును |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | అవును | అవును |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 అభ్యర్థనలు/నిమిషం 50 అభ్యర్థనలు/రోజు 50 req/day account-wide (1,000 after a $10 purchase) | అవును | అవును |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 అభ్యర్థనలు/నిమిషం 50 అభ్యర్థనలు/రోజు Shared rate limit | అవును | లేదు |
సరిపోలే 184 ఉచిత మోడల్లలో 10 చూపబడుతున్నాయి. అన్ని మోడల్లను చూడండి.
FreeLLMAPI కేటలాగ్ నుండి ప్రత్యక్ష డేటా (వెర్షన్ 2026.11.19, 2026-11-19 న తనిఖీ చేయబడింది). ఉచిత పరిమితులు తరచుగా మారుతాయి. కేటలాగ్ ప్రతి రోజు తనిఖీ చేయబడుతుంది.
మీరు Open WebUIలో చిత్రాలు పంపితే, ఆ అభ్యర్థన కోసం రూటర్ విజన్ మోడల్లను మాత్రమే ఉపయోగిస్తుంది. మీ చైన్లో విజన్ మోడల్ లేకపోతే, అభ్యర్థన ఎర్రర్ 422 ఇస్తుంది. ఈ ఉచిత మోడల్లు చిత్రాలను అంగీకరిస్తాయి:
| మోడల్ | ఉచితంగా లభ్యం | కాంటెక్స్ట్ | ఉచిత పరిమితులు (ఉత్తమ ఆఫర్) | సాధనాలు | విజన్ |
|---|---|---|---|---|---|
| GLM 5.3 Flash | UnoRouter | 1M | 1 అభ్యర్థనలు/నిమిషం 1 req/min per model | అవును | అవును |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | అవును | అవును |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 అభ్యర్థనలు/నిమిషం 20 అభ్యర్థనలు/రోజు 250,000 టోకెన్లు/నిమిషం ~3M | అవును | అవును |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | అవును | అవును |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 అభ్యర్థనలు/నిమిషం 20 అభ్యర్థనలు/రోజు 250,000 టోకెన్లు/నిమిషం ~3M | అవును | అవును |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | అవును | అవును |
సరిపోలే 67 ఉచిత మోడల్లలో 6 చూపబడుతున్నాయి. అన్ని మోడల్లను చూడండి.
FreeLLMAPI కేటలాగ్ నుండి ప్రత్యక్ష డేటా (వెర్షన్ 2026.11.19, 2026-11-19 న తనిఖీ చేయబడింది). ఉచిత పరిమితులు తరచుగా మారుతాయి. కేటలాగ్ ప్రతి రోజు తనిఖీ చేయబడుతుంది.
డాక్యుమెంట్ల కోసం ఉచిత ఎంబెడ్డింగ్లను ఉపయోగించండి
Open WebUI OpenAI-అనుకూల API ద్వారా మీ డాక్యుమెంట్ల కోసం ఎంబెడ్డింగ్లను తయారు చేయగలదు. FreeLLMAPI /v1/embeddings ను అందిస్తుంది. ఎంబెడ్డింగ్ ఫెయిల్ఓవర్ మోడల్ను ఎప్పుడూ మార్చదు, కాబట్టి మీ స్టోర్లోని వెక్టర్లు అనుకూలంగా ఉంటాయి.
Open WebUI కోసం ఎంబెడ్డింగ్ సెట్టింగ్లు
-e RAG_EMBEDDING_ENGINE=openai \
-e RAG_OPENAI_API_BASE_URL=http://host.docker.internal:3001/v1 \
-e RAG_OPENAI_API_KEY=<unified-key> \
-e RAG_EMBEDDING_MODEL=bge-m3ఒక ఎంబెడ్డింగ్ ఫ్యామిలీని ఎంచుకుని, దానినే ఉంచండి. మీరు ఫ్యామిలీని మార్చితే, అన్ని డాక్యుమెంట్ల ఎంబెడ్డింగ్లను మళ్లీ తయారు చేయండి. నేటి కేటలాగ్లోని ఉచిత ఎంబెడ్డింగ్ మోడల్లు:
| మోడల్ | ప్రొవైడర్ | డైమెన్షన్లు | గరిష్ట ఇన్పుట్ | ఉచిత పరిమితి |
|---|---|---|---|---|
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 కేటలాగ్ నుండి ప్రత్యక్ష డేటా (వెర్షన్ 2026.11.19, 2026-11-19 న తనిఖీ చేయబడింది). ఉచిత పరిమితులు తరచుగా మారుతాయి. కేటలాగ్ ప్రతి రోజు తనిఖీ చేయబడుతుంది.
సమస్య పరిష్కారం
| సమస్య | కారణం | పరిష్కారం |
|---|---|---|
| Verify Connection నెట్వర్క్ ఎర్రర్తో విఫలమవుతుంది | localhost Open WebUI కంటైనర్ను సూచిస్తుంది | దశ 1 లో ఉన్నట్లుగా host.docker.internal లేదా షేర్ చేసిన Docker నెట్వర్క్ను ఉపయోగించండి |
| Verify Connection 401తో విఫలమవుతుంది | కీ తప్పు లేదా అందులో ఖాళీలు ఉన్నాయి | Keys పేజీ నుండి ఏకీకృత కీని మళ్లీ కాపీ చేయండి |
| సెలెక్టర్లో వందల మోడల్లు | కనెక్షన్ పూర్తి కేటలాగ్ను చదువుతుంది | Model IDs లో auto మరియు మీరు ఎంచుకున్న IDలను జోడించండి |
| ప్రతి సందేశంతో ఒక మోడల్ విఫలమవుతుంది | ఆ మోడల్ ప్రొవైడర్ కోసం కీ లేదు | ప్రొవైడర్ కీని జోడించండి, లేదా auto ను ఎంచుకోండి |
| అనేక చాట్ల తర్వాత ఎర్రర్ 429 | చైన్లోని అన్ని ప్రొవైడర్ కీలు వాటి పరిమితి వద్ద ఉన్నాయి | మరిన్ని ప్రొవైడర్ల నుండి కీలను జోడించండి, లేదా Retry-After హెడర్లోని రీసెట్ సమయం వరకు వేచి ఉండండి |
| ఎన్విరాన్మెంట్ వేరియబుల్స్ ప్రభావం చూపవు | డేటాబేస్లో సేవ్ చేసిన విలువలు ముందుంటాయి | Admin Panelలో కనెక్షన్ను సవరించండి |
ఏ ప్రొవైడర్ చాట్కు సమాధానం ఇచ్చిందో చూడటానికి, సమాధానంలోని X-Routed-Via హెడర్ను చదవండి. డ్యాష్బోర్డ్ Analytics మెనులోని Server Logs వ్యూయర్ రూటింగ్ నిర్ణయాలను మరియు కీ కూల్డౌన్లను కూడా చూపుతుంది.
తరచుగా అడిగే ప్రశ్నలు
Open WebUI కోసం ఉచిత API ఉందా?
ఉంది. Open WebUI ఏ OpenAI-అనుకూల API తోనైనా పని చేస్తుంది. FreeLLMAPI ఉచిత ప్రొవైడర్ టియర్లను ఒకే URL మరియు ఒకే కీ వెనుక కలుపుతుంది. ప్రతి ఉచిత టియర్కు దాని స్వంత పరిమితులు ఉంటాయి.
Open WebUIలో OpenAI-అనుకూల కనెక్షన్ కోసం ఏ URL ఉపయోగించాలి?
చివర /v1 ఉన్న బేస్ URLను ఉపయోగించండి, ఉదాహరణకు http://host.docker.internal:3001/v1. /chat/completions జోడించవద్దు. Open WebUI Dockerలో నడిస్తే, localhost ఉపయోగించవద్దు.
Open WebUI నా OPENAI_API_BASE_URL మార్పును ఎందుకు పట్టించుకోదు?
Open WebUI మొదటి ప్రారంభం తర్వాత కనెక్షన్ సెట్టింగ్లను దాని డేటాబేస్లో సేవ్ చేస్తుంది. డేటాబేస్లోని విలువలు ముందుంటాయి. Admin Panelలో కనెక్షన్ను సవరించండి, లేదా ENABLE_PERSISTENT_CONFIG=False ను సెట్ చేయండి.
Open WebUI ఒకేసారి అనేక ఉచిత ప్రొవైడర్లను ఉపయోగించగలదా?
అవును. ప్రతి ప్రొవైడర్కు ఒక కనెక్షన్ జోడించవచ్చు. FreeLLMAPIతో ఒక కనెక్షన్ సరిపోతుంది, ఎందుకంటే రూటర్ ప్రొవైడర్ను ఎంచుకుంటుంది మరియు పరిమితి అభ్యర్థనను ఆపినప్పుడు తదుపరి దానికి మారుతుంది.
Open WebUIలో ఏ ఉచిత మోడల్ ఉత్తమమైనది?
auto తో ప్రారంభించండి. ఇది మీ ఫాల్బ్యాక్ చైన్ను అనుసరిస్తుంది. స్థిరమైన మోడల్ కోసం, ఈ పేజీలోని పట్టిక నుండి పెద్ద కాంటెక్స్ట్ విండో ఉన్న ఒక మోడల్ను ఎంచుకోండి.
సంబంధిత గైడ్లు
- SillyTavern కోసం ఉచిత API
- ఉచిత OpenAI-అనుకూల API base URLs
- ఉచిత embeddings API
- RAG కోసం ఉచిత LLM API
- ఉచిత LLM API రేట్ పరిమితులు
మూలాలు
- Open WebUI docs: environment variable configuration (20 November 2026 న తనిఖీ చేయబడింది)
- Open WebUI docs: connect an OpenAI-compatible provider (20 November 2026 న తనిఖీ చేయబడింది)
- Open WebUI README: Docker installation (20 November 2026 న తనిఖీ చేయబడింది)
- FreeLLMAPI docs: REST API (routing strategies, model listing, embeddings) (20 November 2026 న తనిఖీ చేయబడింది)
- FreeLLMAPI docs: Docker deployment (20 November 2026 న తనిఖీ చేయబడింది)