Головна / Посібники / Безкоштовний API ембедінгів

Безкоштовний API ембедінгів

API ембедінгів перетворює текст на вектори для пошуку, RAG і кластеризації. Кілька провайдерів надають ембедінги безкоштовно. FreeLLMAPI розміщує 41 безкоштовних моделей ембедінгів за однією кінцевою точкою /v1/embeddings. Цей посібник показує моделі, їхні ліміти і робочий код.

Код, назви моделей і мітки живого каталогу показано англійською.

Як працюють безкоштовні ембедінги у FreeLLMAPI

Кінцева точка /v1/embeddings використовує формат запиту OpenAI. Її може викликати будь-який SDK OpenAI. Ви надсилаєте текст і отримуєте один вектор для кожного вхідного рядка.

Для ембедінгів діє інше правило резервного переходу, ніж для чату. Запити чату можуть перейти до іншої моделі. Запити ембедінгів ніколи не переходять до іншої моделі. Вектори з двох моделей несумісні, тому тиха зміна моделі пошкодила б ваше сховище векторів.

  • Сімейство: FreeLLMAPI групує провайдерів за сімейством. Сімейство це одна ідентичність моделі з одним розміром вектора, наприклад bge-m3 з 1024 вимірами.
  • Резервний перехід: коли один провайдер у сімействі досягає свого ліміту, маршрутизатор пробує наступного провайдера, який обслуговує те саме сімейство.
  • За замовчуванням: model: "auto" використовує сімейство за замовчуванням. Ви задаєте його на сторінці Models, Embeddings панелі керування.

Безкоштовні моделі ембедінгів на сьогодні

Таблиця показує кожну безкоштовну модель ембедінгів у каталозі FreeLLMAPI. Дані беруться з актуального каталогу. "Max input" це максимальна кількість токенів для одного вхідного рядка. "Free limit" це безкоштовна квота, яку публікує провайдер.

МодельПостачальникРозмірністьМакс. вхідБезкоштовний ліміт
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)

Дані в реальному часі з каталогу FreeLLMAPI (версія 2026.11.19, перевірено 2026-11-19). Безкоштовні ліміти часто змінюються. Каталог перевіряється щодня.

Деякі провайдери ділять одну квоту між чатом і ембедінгами. Наприклад, пробний ключ Cohere дозволяє 1 000 викликів API на місяць для всіх кінцевих точок разом. Cloudflare Workers AI дає 10 000 нейронів на день, які спільно використовують усі моделі Workers AI на акаунті.

Крок 1: встановіть FreeLLMAPI і додайте ключі

FreeLLMAPI має відкритий код. Він працює на вашому комп'ютері в Docker. Ключі провайдерів залишаються на вашому комп'ютері.

Встановлення (macOS або Linux)

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

Відкрийте панель керування за адресою http://localhost:3001. Додайте ключі провайдерів на сторінці Keys. Для ембедінгів добрим стартом є ключ Google AI Studio і ключ Cloudflare. Скопіюйте свій уніфікований ключ з тієї самої сторінки.

Крок 2: викличте кінцеву точку ембедінгів

Надішліть список рядків, щоб отримати кілька векторів в одному запиті. Використовуйте те саме значення model для своїх документів і для пошукових запитів.

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: отримати ембедінги і порівняти два тексти

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))

Поле model приймає три форми: auto, назву сімейства, наприклад bge-m3, або ID моделі провайдера, наприклад @cf/baai/bge-m3. ID моделі провайдера зводиться до свого сімейства, тому резервний перехід і далі лишається в межах цього сімейства.

Яку безкоштовну модель ембедінгів обрати

Оберіть модель один раз для кожного сховища векторів. Якщо ви пізніше змінюєте модель, вам треба знову створити ембедінги для всіх документів.

ПотребаСімейство моделіЧому
Короткий англійський або багатомовний текст, багато провайдерівbge-m31024 виміри, 8 192 токени вводу. Кілька безкоштовних провайдерів обслуговують її, тож для резервного переходу є більше варіантів.
Пошук високої якості з ключем Googlegemini-embedding-0013072 виміри. Ліміт вводу становить 2 048 токенів, тому ділите довгі документи на фрагменти.
Довгі документи в одному векторіembed-v4.0 (Cohere)Великий вхідний вікно. Пробний ключ дозволяє лише 1 000 викликів на місяць, які ділиться з чатом.
Малі вектори і швидкий пошукbge-small-en-v1.5384 виміри. Лише англійська, а ліміт вводу становить 512 токенів.
Пошук кодуcodestral-embedНавчена на коді. Використовує квоту безкоштовного режиму Mistral.

Великі вектори займають більше місця і пам'яті у векторній базі даних. Вектор із 3072 вимірами втричі більший за вектор із 1024 вимірами. Для більшості проєктів RAG з меншим ніж мільйон фрагментів, 768 до 1024 вимірів дають добрі результати.

Ліміти і типові помилки

  • Ліміти вводу: текст, довший за значення "Max input", може бути обрізаний або відхилений. Ділите документи на фрагменти по 300 до 800 токенів, перш ніж створювати ембедінги.
  • Одне сімейство на сховище: не змішуйте вектори з двох сімейств в одному індексі. Оцінки подібності не мають сенсу між моделями.
  • Нормалізація: Google каже, що вектори gemini-embedding-001 з менш ніж 3072 вимірами треба нормалізувати самостійно. Нормалізуйте всі вектори, перш ніж використовувати скалярний добуток як оцінку.
  • Ліміти частоти: безкоштовні рівні рахують запити за хвилину або за день. Надсилайте пакети рядків в одному запиті, а не окремий запит для кожного рядка.
  • Анонімні рівні: OVH AI Endpoints дозволяє 2 запити за хвилину для кожної IP-адреси і моделі без ключа. Використовуйте це як резерв, а не для масового індексування.
Порада: тримайте щонайменше двох провайдерів у обраному сімействі. Тоді помилка 429 у одного провайдера не зупиняє ваше завдання індексування.

Усунення несправностей

ПроблемаПричинаРішення
Помилка 429 під час масового індексуванняДосягнуто ліміт провайдера для сімействаДодайте другий ключ провайдера для того самого сімейства або надсилайте менше запитів за хвилину
Результати пошуку неправильні після зміниДокументи і запити використовують різні сімействаВикористовуйте одне значення model для обох. Створіть ембедінги для документів знову, якщо ви його змінили
Довжина вектора не та, яку ви очікувалиauto використовує сімейство за замовчуваннямЗадайте явну назву сімейства або перевірте значення за замовчуванням на сторінці Models, Embeddings
Довгі тексти дають погані збігиТекст довший за ліміт вводуРозбийте текст на менші фрагменти
Помилка 401Уніфікований ключ неправильний або відсутнійСкопіюйте уніфікований ключ знову зі сторінки Keys
Використовуйте кожну з цих моделей через один ключ. FreeLLMAPI це маршрутизатор з відкритим кодом, який ви розгортаєте самі. Він об'єднує всі ці безкоштовні тарифи за однією кінцевою точкою, сумісною з OpenAI, і переходить до наступного, коли один з них досягає ліміту. Переглянути каталог або або почніть роботу.

Часті запитання

Чи є безкоштовний API ембедінгів?

Так. Google AI Studio, Cloudflare Workers AI, Cohere, NVIDIA, Mistral, OVH та інші надають безкоштовні моделі ембедінгів з лімітами частоти. FreeLLMAPI розміщує 41 з них за однією кінцевою точкою, сумісною з OpenAI.

Чи можна використовувати SDK OpenAI для безкоштовних ембедінгів?

Так. Встановіть базову адресу http://localhost:3001/v1 і використовуйте свій уніфікований ключ. Потім викличте client.embeddings.create з назвою сімейства, наприклад bge-m3.

Чому FreeLLMAPI не переходить до іншої моделі ембедінгів?

Вектори з різних моделей несумісні. Тиха зміна моделі зламала б пошук за подібністю. Маршрутизатор переходить лише між провайдерами, які обслуговують одне й те саме сімейство моделей.

Яка найкраща безкоштовна модель ембедінгів для RAG?

Для більшості проєктів bge-m3 є добрим вибором за замовчуванням. Вона має 1024 виміри, ліміт вводу 8 192 токени і кілька безкоштовних провайдерів. Використовуйте gemini-embedding-001, якщо хочете 3072 виміри і маєте ключ Google.

Скільки вимірів мають бути в моїх ембедінгах?

Для більшості задач пошуку і RAG використовуйте від 768 до 1024 вимірів. Більші вектори займають більше місця і пам'яті. Оберіть розмір один раз, бо зміна означає, що треба знову створити ембедінги для всіх документів.

Схожі посібники

Джерела

Усі посібники · Переглянути всі безкоштовні моделі