RAG کے لیے مفت LLM API
Retrieval-augmented generation (RAG) کو دو API چاہئیں: متعلقہ متن تلاش کرنے کے لیے ایک embedding ماڈل، اور جواب لکھنے کے لیے ایک چیٹ ماڈل۔ دونوں مفت ٹائرز پر دستیاب ہیں۔ FreeLLMAPI 41 مفت embedding ماڈلز اور 487 مفت چیٹ ماڈلز کے لیے ایک OpenAI سے مطابقت رکھنے والی کلید دیتا ہے، جس میں فراہم کنندگان کے درمیان فال اوور ہوتا ہے۔ یہ گائیڈ ہر مرحلے کے مفت ماڈلز اور ایک مکمل Python پائپ لائن دکھاتی ہے۔
کوڈ، ماڈل کے نام اور براہِ راست کیٹلاگ کے لیبل انگریزی میں دکھائے جاتے ہیں۔
مفت ٹائرز پر RAG پائپ لائن
| مرحلہ | API | مفت ٹائر کا مسئلہ |
|---|---|---|
| 1. دستاویزات کو ٹکڑوں میں تقسیم کریں | کوئی نہیں (مقامی کوڈ) | کوئی نہیں |
| 2. ہر ٹکڑے کو embed کریں | /v1/embeddings | شروع میں بہت سی درخواستیں۔ کچھ مفت embedding ٹائرز فی منٹ 10 درخواستوں کی اجازت دیتے ہیں۔ |
| 3. سوال کو embed کریں | /v1/embeddings | ہر سوال پر ایک درخواست |
| 4. اوپر کے ٹکڑے تلاش کریں | کوئی نہیں (مقامی ویکٹر تلاش) | کوئی نہیں |
| 5. ٹکڑوں کی دوبارہ درجہ بندی کریں (اختیاری) | /v1/chat/completions | ہر سوال پر ایک اضافی چیٹ درخواست |
| 6. جواب لکھیں | /v1/chat/completions | بڑے پرامپٹس۔ فی منٹ ٹوکنز کی حدیں لاگو ہوتی ہیں۔ |
مرحلہ 2 مہنگا مرحلہ ہے۔ یہ ہر دستاویز کے لیے ایک بار کیا جاتا ہے۔ ویکٹرز محفوظ کریں، اور بعد میں صرف نئی یا تبدیل شدہ دستاویزات کو embed کریں۔
FreeLLMAPI اور Python پیکیجز انسٹال کریں
curl -fsSL https://freellmapi.co/install.sh | bash
python3 -m pip install -U openai numpy
export FREELLMAPI_API_KEY=<unified-key>مفت embedding ماڈل منتخب کریں
ایک embedding خاندان چنیں اور پورے انڈیکس کے لیے اسے رکھیں۔ دو ماڈلز کے ویکٹرز ہم آہنگ نہیں ہیں۔ FreeLLMAPI آپ کو مخلوط ویکٹرز سے بچاتا ہے: embedding کا فال اوور کبھی ماڈل نہیں بدلتا۔ یہ صرف ان فراہم کنندگان کے درمیان جاتا ہے جو ایک ہی خاندان فراہم کرتے ہیں۔
| ماڈل | فراہم کنندہ | ابعاد | زیادہ سے زیادہ ان پٹ | مفت حد |
|---|---|---|---|---|
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 کیٹلاگ کا براہِ راست ڈیٹا (ورژن 2026.11.19، 2026-11-19 کو جانچا گیا)۔ مفت حدیں اکثر بدلتی ہیں۔ کیٹلاگ ہر روز جانچا جاتا ہے۔
- ایک خاندان کے لیے کئی فراہم کنندگان:
bge-m3جیسا خاندان ایک سے زیادہ فراہم کنندگان پر مفت ہے۔ تب فال اوور کے لیے کہیں جانے کی جگہ ہوتی ہے۔ - زیادہ سے زیادہ ان پٹ: زیادہ سے زیادہ ان پٹ سے لمبے ٹکڑے کاٹ دیے جاتے ہیں یا مسترد ہو جاتے ہیں۔ ٹکڑوں کو اس قدر سے چھوٹا رکھیں۔
- زبانیں: انگریزی کے علاوہ متن کے لیے
bge-m3جیسا کثیر لسانی خاندان استعمال کریں۔ جن خاندانوں کے نام میں-en-ہے وہ انگریزی کے لیے ہیں۔ - ابعاد: بڑے ویکٹرز زیادہ اسٹوریج لیتے ہیں۔ چھوٹے انڈیکس کے لیے یہ مسئلہ نہیں ہے۔
Python میں مکمل RAG کوڈ
یہ اسکرپٹ متن کی فائلوں کو ٹکڑوں میں تقسیم کرتی ہے، انہیں بیچ میں embed کرتی ہے اور ویکٹرز NumPy سے محفوظ کرتی ہے۔ پھر یہ اوپر کے ٹکڑوں سے سوال کا جواب دیتی ہے اور ماخذ دیتی ہے۔ جب کوئی حد درخواست کو روکتی ہے تو یہ دوبارہ کوشش کرتی ہے۔
rag.py
import json
import os
import pathlib
import time
import numpy as np
import openai
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:3001/v1",
api_key=os.environ["FREELLMAPI_API_KEY"],
max_retries=3,
timeout=90,
)
EMBED_MODEL = "bge-m3" # keep one family for the whole index
CHAT_MODEL = "auto" # or a long-context profile: auto:<profile>
INDEX = pathlib.Path("index")
def with_retry(fn, *args, **kwargs):
for attempt in range(6):
try:
return fn(*args, **kwargs)
except openai.RateLimitError as err:
header = err.response.headers.get("retry-after", "")
time.sleep(min(int(header) if header.isdigit() else 2 ** attempt, 120))
raise RuntimeError("Rate limited on every provider")
def chunk(text: str, size: int = 1500, overlap: int = 200) -> list[str]:
step = size - overlap
return [text[i:i + size] for i in range(0, max(len(text), 1), step)]
def embed(texts: list[str], batch: int = 32) -> np.ndarray:
out = []
for i in range(0, len(texts), batch):
resp = with_retry(client.embeddings.create, model=EMBED_MODEL, input=texts[i:i + batch])
out.extend(d.embedding for d in resp.data)
vecs = np.array(out, dtype=np.float32)
return vecs / np.linalg.norm(vecs, axis=1, keepdims=True)
def build(folder: str) -> None:
chunks = []
for path in sorted(pathlib.Path(folder).rglob("*.md")):
for part in chunk(path.read_text(encoding="utf-8")):
if part.strip():
chunks.append({"source": str(path), "text": part})
INDEX.mkdir(exist_ok=True)
np.save(INDEX / "vectors.npy", embed([c["text"] for c in chunks]))
(INDEX / "chunks.json").write_text(json.dumps(chunks))
def answer(question: str, k: int = 5) -> str:
vecs = np.load(INDEX / "vectors.npy")
chunks = json.loads((INDEX / "chunks.json").read_text())
q = embed([question])[0]
top = np.argsort(vecs @ q)[::-1][:k]
context = "\n\n".join(f"[{n + 1}] ({chunks[i]['source']})\n{chunks[i]['text']}" for n, i in enumerate(top))
resp = with_retry(
client.chat.completions.create,
model=CHAT_MODEL,
temperature=0,
messages=[
{"role": "system", "content": "Answer only from the sources. Cite them as [1], [2]. If the sources do not answer, say so."},
{"role": "user", "content": f"Sources:\n{context}\n\nQuestion: {question}"},
],
)
return resp.choices[0].message.content
if __name__ == "__main__":
if not (INDEX / "vectors.npy").exists():
build("docs")
print(answer("How do I rotate the API keys?"))چند ہزار سے زیادہ ٹکڑوں کے لیے NumPy تلاش کی جگہ ویکٹر ڈیٹا بیس استعمال کریں۔ embedding اور چیٹ کی کالز وہی رہتی ہیں۔
صارفین اکثر وہی سوال دوبارہ پوچھتے ہیں۔ FreeLLMAPI میں ایک اختیاری جواب کیش ہے جو یکساں درخواستوں کے لیے ہے۔ کیش کا ہٹ فراہم کنندہ کا کوٹا استعمال نہیں کرتا۔ آپ X-FreeLLM-Cache: on یا off ہیڈر کے ساتھ ایک درخواست کے لیے کیش آن یا آف کر سکتے ہیں۔ temperature=0 استعمال کریں، تاکہ ایک ہی سوال ایک ہی درخواست بنائے۔
rerank کا مرحلہ شامل کریں
ویکٹر تلاش ملتے جلتے متن ڈھونڈتی ہے، لیکن اوپر کا ٹکڑا ہمیشہ بہترین جواب نہیں ہوتا۔ rerank کا مرحلہ امیدواروں کو دوبارہ ترتیب دیتا ہے۔ FreeLLMAPI کی دستاویزات میں کوئی مخصوص rerank اینڈ پوائنٹ بیان نہیں ہے۔ آپ بطور reranker ایک تیز چیٹ ماڈل استعمال کر سکتے ہیں۔ 15 امیدوار حاصل کریں اور بہترین 5 رکھیں۔
auto:fast کے ساتھ LLM rerank
def rerank(question: str, candidates: list[str], keep: int = 5) -> list[int]:
listing = "\n".join(f"{n}: {c[:400]}" for n, c in enumerate(candidates))
resp = with_retry(
client.chat.completions.create,
model="auto:fast",
temperature=0,
messages=[{
"role": "user",
"content": (
f"Question: {question}\n\nPassages:\n{listing}\n\n"
f"Return the numbers of the {keep} most useful passages, best first, "
"as a JSON list of integers. Return only the list."
),
}],
)
try:
ids = json.loads(resp.choices[0].message.content.strip())
return [i for i in ids if isinstance(i, int) and 0 <= i < len(candidates)][:keep]
except (json.JSONDecodeError, AttributeError):
return list(range(min(keep, len(candidates)))) # fall back to vector order
# Use it in answer(): take 15 candidates, keep the best 5
# top = np.argsort(vecs @ q)[::-1][:15]
# best = rerank(question, [chunks[i]["text"] for i in top])
# top = [top[i] for i in best]rerank کا مرحلہ ہر سوال پر ایک چیٹ درخواست شامل کرتا ہے۔ اگر آپ کی مفت حدیں تنگ ہیں تو اسے چھوڑ دیں۔ بہتر ٹکڑے بنانا اکثر rerank کے مرحلے سے زیادہ مدد دیتا ہے۔
طویل سیاق و سباق: جب retrieval کی ضرورت نہ ہو
آج 56 مفت ماڈل پیشکشوں کی سیاق و سباق ونڈو 10 لاکھ ٹوکنز یا اس سے زیادہ ہے۔ اگر آپ کی دستاویزات چھوٹی ہیں، تو آپ سب کو پرامپٹ میں بھیج سکتے ہیں اور ویکٹر انڈیکس چھوڑ سکتے ہیں۔ یہ سادہ ہے، لیکن ہر سوال کے ساتھ بہت سے ٹوکنز بھیجے جاتے ہیں۔
| ماڈل | مفت دستیاب | سیاق و سباق | مفت حدیں (بہترین پیشکش) | ٹولز | ویژن |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | نہیں | نہیں |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 درخواستیں فی منٹ 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | ہاں | ہاں |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 درخواستیں فی منٹ 20 درخواستیں فی دن 250,000 ٹوکن فی منٹ ~3M | ہاں | ہاں |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 درخواستیں فی منٹ 50 درخواستیں فی دن Shared rate limit | ہاں | نہیں |
| DeepSeek V4 Flash 0731 | ElectronHub, Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | نہیں | نہیں |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 درخواستیں فی منٹ 20 درخواستیں فی دن 250,000 ٹوکن فی منٹ ~3M | ہاں | ہاں |
| GLM 5.2 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | نہیں | نہیں |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 درخواستیں فی منٹ 20 درخواستیں فی دن 250,000 ٹوکن فی منٹ ~3M | ہاں | ہاں |
| DeepSeek V4 Pro | APINex, Router9 | 1M | 5 درخواستیں فی منٹ 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | نہیں | نہیں |
| Nemotron 3 Ultra 550B | Gizmo, Kilo Gateway, LLMTR +3 مزید | 1M | 200 درخواستیں فی دن 200 rpd | ہاں | نہیں |
35 میں سے 10 مماثل مفت ماڈلز دکھائے جا رہے ہیں۔ تمام ماڈلز دیکھیں.
FreeLLMAPI کیٹلاگ کا براہِ راست ڈیٹا (ورژن 2026.11.19، 2026-11-19 کو جانچا گیا)۔ مفت حدیں اکثر بدلتی ہیں۔ کیٹلاگ ہر روز جانچا جاتا ہے۔
- طویل سیاق و سباق استعمال کریں چند دستاویزات کے لیے، ان سوالات کے لیے جن کو پورا متن چاہیے، یا ایک رپورٹ کے لیے۔
- retrieval استعمال کریں بہت سی دستاویزات کے لیے، بار بار پوچھے جانے والے سوالات کے لیے، یا جب مفت فی منٹ ٹوکنز کی حدیں کم ہوں۔
- دونوں کو ملائیں: 20 یا زیادہ ٹکڑے حاصل کریں اور انہیں طویل سیاق و سباق والے ماڈل کو بھیجیں۔
بڑا پرامپٹ کم فی منٹ ٹوکن حد والے فراہم کنندہ پر ناکام ہو سکتا ہے۔ تب FreeLLMAPI اگلے فراہم کنندہ کو آزماتا ہے۔ یہ کنٹرول کرنے کے لیے کہ بڑے پرامپٹس کون سے ماڈلز لیں، صرف طویل سیاق و سباق والے ماڈلز کا فال بیک چین پروفائل بنائیں۔ اسے auto:<profile> کے طور پر استعمال کریں۔
حدیں اور خرابیوں کا ازالہ
| مسئلہ | وجہ | حل |
|---|---|---|
| انجیشن 429 پر رک جاتی ہے | embedding خاندان تمام فراہم کنندگان پر اپنی حد پر ہے | بڑے بیچ استعمال کریں، Retry-After کا انتظار کریں، حصوں میں انجیسٹ کریں |
| تبدیلی کے بعد خراب نتائج | انڈیکس میں دو خاندانوں کے ویکٹرز ہیں | ایک خاندان کے ساتھ تمام ٹکڑوں کو دوبارہ embed کریں |
| ان پٹ کی لمبائی کے بارے میں غلطی | ایک ٹکڑا خاندان کے زیادہ سے زیادہ ان پٹ سے لمبا ہے | چھوٹے ٹکڑے استعمال کریں |
| جواب ماخذ کو نظر انداز کرتا ہے | ماڈل اپنے علم سے جواب دیتا ہے | temperature=0 اور سخت system prompt استعمال کریں |
| جواب پر سیاق و سباق کی لمبائی کی غلطی | بہت زیادہ یا بہت لمبے ٹکڑے | k کم کریں، یا طویل سیاق و سباق والا پروفائل استعمال کریں |
| جوابات کا انداز بدلتا ہے | راؤٹر نے مختلف ماڈل منتخب کیا | X-Session-Id ہیڈر بھیجیں، یا ایک ماڈل مقرر کریں |
مفت ٹائرز کی کوئی SLA نہیں ہوتی۔ سب سے طاقتور ماڈلز پہلے اپنی روزانہ حدوں تک پہنچتے ہیں، اور بہت سی حدیں آدھی رات UTC پر ری سیٹ ہوتی ہیں۔ اپنی پائپ لائن کو ان ماڈلز کے ساتھ جانچیں جنہیں آپ کی چین حقیقت میں استعمال کرے گی۔
اکثر پوچھے گئے سوالات
کیا RAG کے لیے کوئی مفت API ہے؟
ہاں۔ کئی فراہم کنندگان کے پاس مفت embedding اور چیٹ ٹائرز ہیں۔ FreeLLMAPI دونوں کو ایک OpenAI سے مطابقت رکھنے والی کلید کے ذریعے دیتا ہے، جس میں فراہم کنندگان کے درمیان فال اوور ہوتا ہے۔
RAG کے لیے کون سا مفت embedding ماڈل سب سے اچھا ہے؟
ایسا خاندان منتخب کریں جو کئی فراہم کنندگان پر مفت ہو اور آپ کی زبانوں کے لیے موزوں ہو۔ کثیر لسانی متن کے لیے bge-m3 ایک عام انتخاب ہے۔ پورے انڈیکس کے لیے ایک خاندان رکھیں۔
کیا کوئی مفت rerank API ہے؟
FreeLLMAPI کی دستاویزات میں rerank اینڈ پوائنٹ بیان نہیں ہے۔ آپ اس صفحے پر دکھائے گئے طریقے سے ایک تیز چیٹ ماڈل کے ساتھ rerank کر سکتے ہیں، یا rerank کا مرحلہ چھوڑ سکتے ہیں۔
اگر ایک مفت ماڈل میں 10 لاکھ ٹوکنز کا سیاق و سباق ہو تو کیا مجھے RAG کی ضرورت ہے؟
چند چھوٹی دستاویزات کے لیے نہیں۔ بہت سی دستاویزات یا بار بار پوچھے جانے والے سوالات کے لیے، retrieval ہر درخواست میں کم ٹوکنز بھیجتا ہے اور مفت حدوں کے اندر رہتا ہے۔
کیا میں بعد میں embedding ماڈل بدل سکتا ہوں؟
ہاں، لیکن آپ کو تمام ٹکڑوں کو دوبارہ embed کرنا ہوگا۔ دو ماڈلز کے ویکٹرز ہم آہنگ نہیں ہیں، اس لیے انہیں ایک انڈیکس میں نہ ملائیں۔
متعلقہ گائیڈز
- مفت embeddings API
- 10 لاکھ ٹوکن سیاق و سباق کے ساتھ مفت LLM API
- LlamaIndex کے لیے مفت LLM
- LangChain کے لیے مفت LLM API
- Python میں مفت LLM API
ماخذ
- FreeLLMAPI docs: embeddings (families and failover rules) (20 November 2026 کو جانچا گیا)
- FreeLLMAPI docs: routing strategies and response headers (20 November 2026 کو جانچا گیا)
- OpenAI Python SDK: embeddings, errors and retries (20 November 2026 کو جانچا گیا)