Ücretsiz embeddings API
Embeddings API'si, metni arama, RAG ve kümeleme için vektörlere dönüştürür. Birkaç sağlayıcı embeddings'i ücretsiz verir. FreeLLMAPI, 41 ücretsiz embedding modelini tek bir /v1/embeddings uç noktasının arkasına koyar. Bu kılavuz modelleri, limitlerini ve çalışan kodu gösterir.
Kod, model adları ve canlı katalog etiketleri İngilizce gösterilir.
FreeLLMAPI'de ücretsiz embeddings nasıl çalışır
/v1/embeddings uç noktası OpenAI istek biçimini kullanır. Herhangi bir OpenAI SDK'sı onu çağırabilir. Metin gönderirsiniz ve her girdi dizesi için bir vektör alırsınız.
Embeddings, sohbetten farklı bir yedekleme kuralı kullanır. Sohbet istekleri farklı bir modele geçebilir. Embedding istekleri hiçbir zaman farklı bir modele geçmez. İki modelin vektörleri uyumlu değildir, bu yüzden sessiz bir model değişikliği vektör depolamanızı bozar.
- Aile: FreeLLMAPI sağlayıcıları aile bazında gruplar. Bir aile, tek bir vektör boyutuna sahip tek bir model kimliğidir. Örneğin 1024 boyutlu
bge-m3. - Yedekleme: bir ailedeki bir sağlayıcı limitine ulaştığında yönlendirici, aynı aileye hizmet veren bir sonraki sağlayıcıyı dener.
- Varsayılan:
model: "auto", varsayılan aileyi kullanır. Varsayılan aileyi panonun Models, Embeddings sayfasında ayarlarsınız.
Bugün ücretsiz embedding modelleri
Tablo, FreeLLMAPI kataloğundaki her ücretsiz embedding modelini listeler. Veriler canlı katalogdan gelir. "Max input", bir girdi dizesi için en fazla token sayısıdır. "Free limit", sağlayıcının yayımladığı ücretsiz kotadır.
| Model | Sağlayıcı | Boyutlar | En fazla girdi | Ücretsiz limit |
|---|---|---|---|---|
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) |
Canlı veriler FreeLLMAPI kataloğundan alınır (sürüm 2026.11.19, 2026-11-19 tarihinde kontrol edildi). Ücretsiz limitler sık değişir. Katalog her gün kontrol edilir.
Bazı sağlayıcılar, sohbet ve embeddings arasında tek bir kota paylaştırır. Örneğin bir Cohere deneme anahtarı, tüm uç noktalar için birlikte ayda 1,000 API çağrısına izin verir. Cloudflare Workers AI, hesaptaki tüm Workers AI modellerinin paylaştığı günde 10,000 neuron verir.
Adım 1: FreeLLMAPI'yi kurun ve anahtarları ekleyin
FreeLLMAPI açık kaynaklıdır. Docker içinde bilgisayarınızda çalışır. Sağlayıcı anahtarlarınız bilgisayarınızda kalır.
Kurun (macOS veya Linux)
curl -fsSL https://freellmapi.co/install.sh | bashPanoyu http://localhost:3001 adresinde açın. Sağlayıcı anahtarlarınızı Keys sayfasına ekleyin. Embeddings için bir Google AI Studio anahtarı ve bir Cloudflare anahtarı iyi bir başlangıç verir. Birleşik anahtarınızı aynı sayfadan kopyalayın.
Adım 2: Embeddings uç noktasını çağırın
Tek bir istekte birden çok vektör almak için bir dize listesi gönderin. Belgeleriniz ve arama sorgularınız için aynı model değerini kullanın.
curl
curl http://localhost:3001/v1/embeddings \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{"model": "bge-m3", "input": ["the quick brown fox", "a fast brown fox"]}'Python: iki metni embed edip karşılaştırın
import math
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
resp = client.embeddings.create(
model="bge-m3", # a family name, "auto", or a provider model id
input=["How do I reset my password?", "Steps to change a forgotten password"],
)
a, b = resp.data[0].embedding, resp.data[1].embedding
print(len(resp.data), "vectors of", len(a), "dimensions")
dot = sum(x * y for x, y in zip(a, b))
norm = math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b))
print("cosine similarity:", round(dot / norm, 3))model alanı üç biçimi kabul eder: auto, bge-m3 gibi bir aile adı veya @cf/baai/bge-m3 gibi bir sağlayıcı model kimliği. Sağlayıcı model kimliği kendi ailesine çözülür, bu yüzden yedekleme yine o aile içinde kalır.
Hangi ücretsiz embedding modelini seçmelisiniz
Her vektör deposu için modeli bir kez seçin. Modeli daha sonra değiştirirseniz tüm belgeleri yeniden gömmeniz gerekir.
| İhtiyaç | Model ailesi | Neden |
|---|---|---|
| Kısa İngilizce veya çok dilli metin, birçok sağlayıcı | bge-m3 | 1024 boyut, 8,192 girdi token'ı. Birkaç ücretsiz sağlayıcı bunu sunar, bu yüzden yedeklemenin daha fazla seçeneği olur. |
| Google anahtarıyla yüksek kaliteli geri getirme | gemini-embedding-001 | 3072 boyut. Girdi limiti 2,048 token'dır, bu yüzden uzun belgeleri parçalara bölün. |
| Tek bir vektörde uzun belgeler | embed-v4.0 (Cohere) | Büyük girdi penceresi. Deneme anahtarı, sohbetle paylaşılan ayda yalnızca 1,000 çağrıya izin verir. |
| Küçük vektörler ve hızlı arama | bge-small-en-v1.5 | 384 boyut. Yalnızca İngilizce ve girdi limiti 512 token. |
| Kod arama | codestral-embed | Kod için eğitilmiştir. Mistral ücretsiz modunun kotasını kullanır. |
Büyük vektörler, vektör veritabanında daha fazla depolama ve bellek harcar. 3072 boyutlu bir vektör, 1024 boyutlu bir vektörden üç kat büyüktür. Bir milyon parçanın altındaki çoğu RAG projesi için 768 ile 1024 boyut iyi sonuç verir.
Limitler ve tuzaklar
- Girdi limitleri: "Max input" değerinin üzerindeki metin kesilebilir veya reddedilebilir. Gömmeden önce belgeleri 300 ile 800 token arasındaki parçalara bölün.
- Dizin başına bir aile: bir dizinde iki ailenin vektörlerini karıştırmayın. Benzerlik puanları modeller arasında anlamlı değildir.
- Normalleştirme: Google, 3072'den az boyutlu
gemini-embedding-001vektörlerinin sizin tarafınızdan normalleştirilmesi gerektiğini söyler. Puan olarak nokta çarpımını kullanmadan önce tüm vektörleri normalleştirin. - Hız limitleri: ücretsiz katmanlar istekleri dakika veya gün bazında sayar. Her dize için ayrı bir istek yerine, dize gruplarını tek bir istekte gönderin.
- Anonim katmanlar: OVH AI Endpoints, anahtar olmadan her IP adresi ve model için dakikada 2 istek izin verir. Yedek olarak kullanın, toplu dizinleme için kullanmayın.
Sorun giderme
| Sorun | Neden | Çözüm |
|---|---|---|
| Toplu dizinleme sırasında hata 429 | Ailenin sağlayıcı limitine ulaşıldı | Aynı aile için ikinci bir sağlayıcı anahtarı ekleyin veya her dakika daha az istek gönderin |
| Bir değişiklikten sonra arama sonuçları yanlış | Belgeler ve sorgular farklı aileler kullanıyor | İkisi için de tek bir model değeri kullanın. Değiştirdiyseniz belgeleri yeniden gömün |
| Vektör uzunluğu beklediğiniz gibi değil | auto, varsayılan aileyi kullanır | Açık bir aile adı ayarlayın veya varsayılanı Models, Embeddings sayfasında kontrol edin |
| Uzun metinler zayıf eşleşmeler veriyor | Metin girdi limitinden uzun | Metni daha küçük parçalara bölün |
| Hata 401 | Birleşik anahtar yanlış veya eksik | Keys sayfasından birleşik anahtarı yeniden kopyalayın |
Sık sorulan sorular
Ücretsiz bir embeddings API'si var mı?
Evet. Google AI Studio, Cloudflare Workers AI, Cohere, NVIDIA, Mistral, OVH ve diğerleri hız limitli ücretsiz embedding modelleri verir. FreeLLMAPI bunlardan 41 tanesini tek bir OpenAI uyumlu uç noktanın arkasına koyar.
Ücretsiz embeddings için OpenAI SDK'sını kullanabilir miyim?
Evet. Temel URL'yi http://localhost:3001/v1 olarak ayarlayın ve birleşik anahtarınızı kullanın. Sonra bge-m3 gibi bir aile adıyla client.embeddings.create çağırın.
FreeLLMAPI neden farklı bir embedding modeline yedeğe geçmiyor?
Farklı modellerin vektörleri uyumlu değildir. Sessiz bir model değişikliği, benzerlik aramasını bozar. Yönlendirici yalnızca aynı model ailesine hizmet veren sağlayıcılar arasında yedeğe geçer.
RAG için en iyi ücretsiz embedding modeli hangisi?
Çoğu proje için bge-m3 iyi bir varsayılandır. 1024 boyutu, 8,192 token'lık bir girdi limiti ve birkaç ücretsiz sağlayıcısı vardır. 3072 boyut istiyorsanız ve bir Google anahtarınız varsa gemini-embedding-001 kullanın.
Embeddings'im kaç boyuta sahip olmalı?
Çoğu arama ve RAG işi için 768 ile 1024 boyut kullanın. Daha büyük vektörler daha fazla depolama ve bellek kullanır. Boyutu bir kez seçin, çünkü değişiklik yaparsanız tüm belgeleri yeniden gömmeniz gerekir.
İlgili rehberler
- RAG için ücretsiz LLM API
- LangChain için ücretsiz LLM API
- Python ile ücretsiz LLM API
- free cohere api
- Ücretsiz LLM API hız sınırları
Kaynaklar
- FreeLLMAPI docs: Embeddings (20 November 2026 tarihinde kontrol edildi)
- Google AI Studio docs: Embeddings (20 November 2026 tarihinde kontrol edildi)
- Cloudflare Workers AI pricing (20 November 2026 tarihinde kontrol edildi)
- Cohere docs: API keys and rate limits (20 November 2026 tarihinde kontrol edildi)
- OVHcloud AI Endpoints capabilities (20 November 2026 tarihinde kontrol edildi)