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-m3з 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.
| Модель | Постачальник | Розмірність | Макс. вхід | Безкоштовний ліміт |
|---|---|---|---|---|
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) |
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 | bashВідкрийте 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.
| Потреба | Сімейство моделі | Чому |
|---|---|---|
| Короткий англійський або багатомовний текст, багато провайдерів | bge-m3 | 1024 виміри, 8 192 токени вводу. Кілька безкоштовних провайдерів обслуговують її, тож для резервного переходу є більше варіантів. |
| Пошук високої якості з ключем Google | gemini-embedding-001 | 3072 виміри. Ліміт вводу становить 2 048 токенів, тому ділите довгі документи на фрагменти. |
| Довгі документи в одному векторі | embed-v4.0 (Cohere) | Великий вхідний вікно. Пробний ключ дозволяє лише 1 000 викликів на місяць, які ділиться з чатом. |
| Малі вектори і швидкий пошук | bge-small-en-v1.5 | 384 виміри. Лише англійська, а ліміт вводу становить 512 токенів. |
| Пошук коду | codestral-embed | Навчена 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-001з 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.
Усунення несправностей
| Проблема | Причина | Рішення |
|---|---|---|
| Помилка 429 під час масового індексування | Досягнуто ліміт провайдера для сімейства | Додайте другий ключ провайдера для того самого сімейства або надсилайте менше запитів за хвилину |
| Результати пошуку неправильні після зміни | Документи і запити використовують різні сімейства | Використовуйте одне значення model для обох. Створіть ембедінги для документів знову, якщо ви його змінили |
| Довжина вектора не та, яку ви очікували | auto використовує сімейство за замовчуванням | Задайте явну назву сімейства або перевірте значення за замовчуванням на сторінці Models, Embeddings |
| Довгі тексти дають погані збіги | Текст довший за ліміт вводу | Розбийте текст на менші фрагменти |
| Помилка 401 | Уніфікований ключ неправильний або відсутній | Скопіюйте уніфікований ключ знову зі сторінки Keys |
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
- Безкоштовний LLM API для RAG
- Безкоштовний LLM API для LangChain
- Безкоштовний LLM API на Python
- free cohere api
- Ліміти запитів безкоштовного LLM API
Джерела
- FreeLLMAPI docs: Embeddings (перевірено 20 November 2026)
- Google AI Studio docs: Embeddings (перевірено 20 November 2026)
- Cloudflare Workers AI pricing (перевірено 20 November 2026)
- Cohere docs: API keys and rate limits (перевірено 20 November 2026)
- OVHcloud AI Endpoints capabilities (перевірено 20 November 2026)