مفت Vision API
Vision API LLM کو تصاویر پڑھنے دیتی ہے۔ آپ اس سے تصویر کی وضاحت کروا سکتے ہیں، رسید پڑھوا سکتے ہیں، یا چارٹ کی وضاحت لے سکتے ہیں۔ FreeLLMAPI کیٹلاگ میں 78 مفت ماڈل پیشکشیں ہیں جو تصاویر قبول کرتی ہیں۔ آپ تصاویر معیاری OpenAI فارمیٹ میں بھیجتے ہیں، اور راؤٹر آپ کے لیے vision ماڈل منتخب کرتا ہے۔ یہ گائیڈ ماڈلز، ہر فراہم کنندہ کی سائز کی حدیں اور کام کرنے والا کوڈ دکھاتی ہے۔
کوڈ، ماڈل کے نام اور براہِ راست کیٹلاگ کے لیبل انگریزی میں دکھائے جاتے ہیں۔
تصویری ان پٹ کیسے کام کرتا ہے
تصاویر messages ارے میں image_url مواد بلاکس کے طور پر بھیجیں۔ URL base64 بائٹس والا data: URL ہو سکتا ہے، یا http(s) URL۔ /v1/chat/completions استعمال کریں۔ /v1/responses اینڈ پوائنٹ ابھی تصاویر قبول نہیں کرتا۔
- خودکار روٹنگ: جب درخواست میں تصویر ہو تو راؤٹر صرف vision ماڈلز استعمال کرتا ہے۔ اس درخواست کے لیے یہ صرف متن والے ماڈلز کو نظرانداز کرتا ہے۔
- متبادل پر منتقلی: جب ایک vision فراہم کنندہ اپنی حد تک پہنچے تو راؤٹر آپ کی زنجیر کا اگلا vision ماڈل آزماتا ہے۔
- واضح خرابی: جب کوئی vision ماڈل فعال نہ ہو تو آپ کو
code: "no_vision_model"کے ساتھ خرابی 422 ملتی ہے۔ تصویر کبھی خاموشی سے ضائع نہیں ہوتی۔
آج کے مفت Vision ماڈلز
جدول آج کیٹلاگ میں تصویری ان پٹ والے سب سے طاقتور مفت ماڈلز دکھاتی ہے۔ یہ براہِ راست کیٹلاگ سے آتی ہے۔ ایک قطار میں کئی فراہم کنندگان ہو سکتے ہیں جو ایک ہی ماڈل پیش کرتے ہیں۔
| ماڈل | مفت دستیاب | سیاق و سباق | مفت حدیں (بہترین پیشکش) | ٹولز | ویژن |
|---|---|---|---|---|---|
| GLM 5.3 Flash | UnoRouter | 1M | 1 درخواستیں فی منٹ 1 req/min per model | ہاں | ہاں |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | ہاں | ہاں |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 درخواستیں فی منٹ 20 درخواستیں فی دن 250,000 ٹوکن فی منٹ ~3M | ہاں | ہاں |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | 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 |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | ہاں | ہاں |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 درخواستیں فی منٹ 50 درخواستیں فی دن 50 req/day account-wide (1,000 after a $10 purchase) | ہاں | ہاں |
| Qwen3.8 27B | ElectronHub, Groq | 262K | 30 درخواستیں فی منٹ 250 درخواستیں فی دن 70,000 ٹوکن فی منٹ ~6M | ہاں | ہاں |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 درخواستیں فی منٹ 20 درخواستیں فی دن 250,000 ٹوکن فی منٹ ~3M | ہاں | ہاں |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | ہاں | ہاں |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 درخواستیں فی منٹ 20 درخواستیں فی دن 250,000 ٹوکن فی منٹ ~3M | ہاں | ہاں |
| Gemini 3.8 Live | Google AI Studio | - | 10 درخواستیں فی منٹ 20 درخواستیں فی دن 250,000 ٹوکن فی منٹ ~3M | ہاں | ہاں |
| Gemini 3.8 Live Extended Thinking | Google AI Studio | - | 10 درخواستیں فی منٹ 20 درخواستیں فی دن 250,000 ٹوکن فی منٹ ~3M | ہاں | ہاں |
| Moondream 3.1 9B A2B | Cloudflare Workers AI, Moondream | 33K | ~10-20M | نہیں | ہاں |
| Moondream 3 Preview | Moondream | - | $5/month shared workspace usage credits | نہیں | ہاں |
67 میں سے 15 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۔
Gemini ماڈلز سب سے بڑا سیاق و سباق دیتے ہیں اور بہت سی تصاویر قبول کرتے ہیں۔ Groq اور Cloudflare پر Qwen 3.8 27B Google سے باہر ایک تیز انتخاب ہے۔ Moondream تصویری کاموں کے لیے بنایا گیا ہے، لیکن اس کا آؤٹ پٹ 4,096 ٹوکنز تک محدود ہے۔
مرحلہ 1: FreeLLMAPI انسٹال کریں اور کلیدیں شامل کریں
FreeLLMAPI اوپن سورس ہے۔ یہ Docker میں آپ کے کمپیوٹر پر چلتا ہے۔ آپ کی فراہم کنندہ کلیدیں آپ کے کمپیوٹر پر رہتی ہیں۔
انسٹال کریں (macOS یا Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 پر ڈیش بورڈ کھولیں۔ Keys صفحے پر ایک Google AI Studio کلید اور ایک اور کلید شامل کریں۔ Fallback Chain صفحے پر vision ماڈلز پر Vision بیج ہوتا ہے۔ یقینی بنائیں کہ کم از کم ایک فعال ہو۔ Keys صفحے سے اپنی یکجا کلید کاپی کریں۔
مرحلہ 2: تصویر بھیجیں
curl: URL سے تصویر
curl http://localhost:3001/v1/chat/completions \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{
"model": "auto",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "Describe this image in two sentences."},
{"type": "image_url", "image_url": {"url": "https://upload.wikimedia.org/wikipedia/commons/4/47/PNG_transparency_demonstration_1.png"}}
]
}]
}'Python: base64 کے طور پر مقامی فائل
import base64
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
with open("receipt.jpg", "rb") as fh:
b64 = base64.b64encode(fh.read()).decode()
resp = client.chat.completions.with_raw_response.create(
model="auto", # the router selects a vision model
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "List each item and price on this receipt as JSON."},
{"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
],
}],
)
print("Routed via:", resp.headers.get("x-routed-via"))
print(resp.parse().choices[0].message.content)data URL میں درست MIME قسم استعمال کریں، مثلاً image/png یا image/jpeg۔ ایک سے زیادہ تصاویر بھیجنے کے لیے اسی پیغام میں مزید image_url بلاکس شامل کریں۔
فراہم کنندہ کے لحاظ سے تصویری حدیں
| فراہم کنندہ | حد (سرکاری) | کیا کریں |
|---|---|---|
| Google Gemini | ان لائن تصاویر کے ساتھ کل درخواست کا سائز: 20 MB۔ فارمیٹس: PNG، JPEG، WEBP، HEIC، HEIF | بھیجنے سے پہلے بڑی تصاویر کو چھوٹا کریں |
| Google Gemini | 384x384 پکسلز تک کی تصویر 258 ٹوکنز لیتی ہے۔ بڑی تصاویر 768x768 ٹائلز میں کاٹی جاتی ہیں، ہر ٹائل 258 ٹوکنز کی | 960x540 کی تصویر 6 ٹائلز استعمال کرتی ہے، تقریباً 1,548 ٹوکنز |
| Groq (Qwen 3.8 27B) | ہر درخواست کے لیے زیادہ سے زیادہ 3 تصاویر۔ تصویر URL والی درخواست کے لیے زیادہ سے زیادہ 20 MB | Groq ماڈلز کو زیادہ سے زیادہ 3 تصاویر بھیجیں |
| Moondream | صرف base64 data URLs۔ بیرونی تصویری URLs سپورٹ نہیں | تصویر کے بائٹس بھیجیں، لنک نہیں |
تصویر کے ٹوکنز مفت ٹائر کی فی منٹ ٹوکنز کی حد میں شمار ہوتے ہیں۔ پانچ بڑی تصاویر والی درخواست چھوٹے فراہم کنندہ کی حد سے بڑی ہو سکتی ہے۔ جب باریک تفصیل درکار نہ ہو تو تصاویر چھوٹی کریں، مثلاً لمبی سمت میں 1024 پکسلز۔
تصویری کاموں کے لیے کارآمد پرامپٹس
- ہر درخواست کے لیے ایک کام: تصویر کے بارے میں ایک واضح سوال پوچھیں۔ ایک پرامپٹ میں کئی سوالات چھوٹے اور کم درست جواب دیتے ہیں۔
- ساختی آؤٹ پٹ: رسیدوں اور فارمز کے لیے وہ فیلڈز نام لیں جو آپ چاہتے ہیں، مثلاً
item،priceاورtotal۔ صرف JSON مانگیں۔ - ناقابلِ پڑھ قدریں: ماڈل کو کہیں کہ جب کوئی قدر نہ پڑھ سکے تو
nullلکھے۔ پھر وہ اندازہ نہیں لگاتا۔ - پہلے کاٹیں: تصویر کو اس حصے تک کاٹیں جو آپ کو چاہیے۔ چھوٹی تصویر کم ٹوکنز لیتی ہے اور بہتر تفصیل دیتی ہے۔
- مستحکم جواب: نکالنے والے کاموں کے لیے
temperatureکو 0 پر سیٹ کریں۔ - اعداد کی جانچ: کل رقم اور تاریخوں کا تصویر سے موازنہ کریں۔ Vision ماڈلز چھوٹے متن اور ملتے جلتے ہندسوں کو غلط پڑھ سکتے ہیں۔
خرابیوں کا ازالہ
| مسئلہ | وجہ | حل |
|---|---|---|
خرابی 422 no_vision_model | آپ کی زنجیر میں کوئی vision ماڈل فعال نہیں | Fallback Chain صفحے پر Vision بیج والا ماڈل فعال کریں |
| ماڈل کہتا ہے کہ وہ تصویر نہیں دیکھ سکتا | درخواست /v1/responses پر گئی | /v1/chat/completions استعمال کریں |
| بیرونی URL پر خرابی 400 | فراہم کنندہ URL ڈاؤن لوڈ نہیں کر سکتا | تصویر base64 data URL کے طور پر بھیجیں |
| بڑی فائلوں پر خرابی 413 یا 400 | تصویر یا درخواست بہت بڑی ہے | تصویر چھوٹی کریں، یا کم تصاویر بھیجیں |
| تصویری درخواستوں پر خرابی 429 | تصویر کے ٹوکنز نے فی منٹ ٹوکنز کی حد استعمال کر لی | تصاویر چھوٹی کریں، یا مزید vision فراہم کنندگان کی کلیدیں شامل کریں |
اکثر پوچھے گئے سوالات
کیا کوئی مفت vision API ہے؟
ہاں۔ Google AI Studio، Groq، Cloudflare، NVIDIA، OpenRouter اور دیگر فراہم کنندگان تصویری ان پٹ والے مفت ماڈلز دیتے ہیں۔ FreeLLMAPI ایک OpenAI سے ہم آہنگ کلید کے پیچھے 78 مفت vision ماڈل پیشکشیں رکھتا ہے۔
میں مفت LLM API کو تصویر کیسے بھیجوں؟
user پیغام میں ایک image_url مواد بلاک شامل کریں۔ base64 data URL یا https URL استعمال کریں، اور اسے /v1/chat/completions پر بھیجیں۔
ایک تصویر کتنے ٹوکنز استعمال کرتی ہے؟
Gemini پر 384x384 پکسلز یا اس سے چھوٹی تصویر 258 ٹوکنز استعمال کرتی ہے۔ بڑی تصویر 768x768 ٹائلز میں کاٹی جاتی ہے، اور ہر ٹائل 258 ٹوکنز استعمال کرتی ہے۔
کیا میں ایک درخواست میں کئی تصاویر بھیج سکتا ہوں؟
ہاں۔ پیغام میں مزید image_url بلاکس شامل کریں۔ کچھ فراہم کنندگان تعداد محدود کرتے ہیں۔ مثلاً Groq Qwen 3.8 27B پر ہر درخواست کے لیے 3 تصاویر کی اجازت دیتا ہے۔
دستاویزات پڑھنے کے لیے کون سا مفت vision ماڈل بہترین ہے؟
رسیدوں، چارٹس اور اسکین شدہ صفحات کے لیے Gemini ماڈل استعمال کریں۔ اس کی سیاق و سباق کی ونڈو بڑی ہے اور یہ بہت سی تصاویر قبول کرتا ہے۔ اعداد کے لیے جواب کو تصویر سے ملائیں، کیونکہ vision ماڈلز چھوٹا متن غلط پڑھ سکتے ہیں۔
متعلقہ گائیڈز
ماخذ
- FreeLLMAPI docs: Vision and image input (20 November 2026 کو جانچا گیا)
- Google AI Studio docs: Image understanding (20 November 2026 کو جانچا گیا)
- Groq docs: Vision (20 November 2026 کو جانچا گیا)
- Moondream OpenAI-compatible API docs (20 November 2026 کو جانچا گیا)