Ana sayfa / Rehberler / Ücretsiz embeddings API

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.

ModelSağlayıcıBoyutlarEn fazla girdiÜcretsiz limit
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)

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 | bash

Panoyu 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.

İhtiyaçModel ailesiNeden
Kısa İngilizce veya çok dilli metin, birçok sağlayıcıbge-m31024 boyut, 8,192 girdi token'ı. Birkaç ücretsiz sağlayıcı bunu sunar, bu yüzden yedeklemenin daha fazla seçeneği olur.
Google anahtarıyla yüksek kaliteli geri getirmegemini-embedding-0013072 boyut. Girdi limiti 2,048 token'dır, bu yüzden uzun belgeleri parçalara bölün.
Tek bir vektörde uzun belgelerembed-v4.0 (Cohere)Büyük girdi penceresi. Deneme anahtarı, sohbetle paylaşılan ayda yalnızca 1,000 çağrıya izin verir.
Küçük vektörler ve hızlı aramabge-small-en-v1.5384 boyut. Yalnızca İngilizce ve girdi limiti 512 token.
Kod aramacodestral-embedKod 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-001 vektörlerinin 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.
İpucu: seçtiğiniz ailede en az iki sağlayıcı tutun. Böylece bir sağlayıcıdaki 429 hatası dizinleme işinizi durdurmaz.

Sorun giderme

SorunNedenÇözüm
Toplu dizinleme sırasında hata 429Ailenin sağlayıcı limitine ulaşıldıAynı aile için ikinci bir sağlayıcı anahtarı ekleyin veya her dakika daha az istek gönderin
Bir değişiklikten sonra arama sonuçları yanlışBelgeler ve sorgular farklı aileler kullanıyorİkisi için de tek bir model değeri kullanın. Değiştirdiyseniz belgeleri yeniden gömün
Vektör uzunluğu beklediğiniz gibi değilauto, varsayılan aileyi kullanırAçık bir aile adı ayarlayın veya varsayılanı Models, Embeddings sayfasında kontrol edin
Uzun metinler zayıf eşleşmeler veriyorMetin girdi limitinden uzunMetni daha küçük parçalara bölün
Hata 401Birleşik anahtar yanlış veya eksikKeys sayfasından birleşik anahtarı yeniden kopyalayın
Bunların hepsini tek bir anahtarla kullanın. FreeLLMAPI, açık kaynaklı ve kendi sunucunuzda çalışan bir yönlendiricidir. Tüm bu ücretsiz katmanları tek bir OpenAI uyumlu uç noktanın arkasında toplar ve bir sağlayıcı hız limitine takıldığında otomatik olarak başka birine geçer. Kataloğa göz atın veya canlı olarak incele.

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

Kaynaklar

Tüm rehberler · Tüm ücretsiz modelleri incele