FreeLLM API : 34 fournisseurs et 635 endpoints de LLM gratuits derrière un seul /v1 — 31 000 étoiles en un mois

FreeLLM API : 34 fournisseurs et 635 endpoints de LLM gratuits derrière un seul /v1 — 31 000 étoiles en un mois

🔎 Un seul endpoint, 34 fournisseurs, zéro facture

Le pitch tient en trois phrases, et il a fait exploser les compteurs : « 7,4 milliards de tokens par mois. 34 fournisseurs de LLM gratuits. 635 endpoints de modèles gratuits. » C'est celui de FreeLLMAPI, le repo tashfeenahmed/freellmapi qui a empilé plus de 31 000 étoiles en un mois et trône depuis plusieurs semaines dans les tendances GitHub (octobre 2026).

La promesse technique tient en une ligne : un serveur que vous lancez chez vous, qui expose un endpoint /v1 rigoureusement compatible OpenAI, et qui route chaque requête vers l'un des 34 fournisseurs gratuits qu'il agrège. Chat, embeddings, image, audio — tout passe par le même tuyau, avec routing intelligent, failover automatique et clés chiffrées.

Pourquoi maintenant ? Parce que quiconque code des agents le sait : le vrai mur n'est plus technique, il est financier. Et parce que les free tiers, jamais aussi nombreux, n'ont jamais été aussi éclatés. Mais le « gratuit » a des astérisques — on les détaille tous, avec les chiffres du README officiel, le guide communautaire Better Stack et les retours des premiers utilisateurs.

L'essentiel

• Un endpoint /v1 unique compatible OpenAI : pointez n'importe quelle librairie client OpenAI vers votre serveur, le routing est automatique. Chat, embeddings, image et audio inclus.
• 34 fournisseurs, 635 endpoints, 474 familles de modèles : du small-and-fast au raisonnablement capable, avec failover automatique entre fournisseurs (README officiel, octobre 2026).
• 7,4 milliards de tokens/mois = capacité combinée de tous les free tiers supportés — pas votre quota personnel. Le point le plus mal compris du projet.
• Self-hosted et chiffré : vos clés restent chez vous, chiffrées au repos ; tout endpoint custom compatible OpenAI se branche en complément des 34 intégrés.
• Pour expérimenter : oui. Pour produire : non. Quotas variables, fiabilité inégale, aucun SLA — et le projet ne prétend pas le contraire.

Outils recommandés

Ce que fait FreeLLMAPI, concrètement

Un serveur que vous lancez en local ou sur un VPS, qui parle le dialecte OpenAI et redistribue chaque requête vers le fournisseur gratuit le mieux placé au moment de l'appel. C'est tout — et c'est exactement ce qui manquait.

Côté code, le changement tient en une ligne : l'URL de base de votre client OpenAI pointe vers votre serveur au lieu de l'API officielle. Vos scripts, vos frameworks d'agents, vos notebooks continuent de croire qu'ils parlent à OpenAI. Derrière, FreeLLMAPI choisit le fournisseur, gère les quotas, encaisse les erreurs. La communauté l'a confirmé dès les premières semaines : c'est bien un routeur self-hosted qui combine les free tiers en une seule API compatible OpenAI.

Les 635 endpoints couvrent 474 familles de modèles, du small-and-fast — réponses courtes, latence minimale, parfait pour les boucles d'outils — au raisonnablement capable pour le raisonnement, le code et la rédaction.

Le routing et le failover, la vraie prouesse

La couche de routing est le produit. Un fournisseur vous rate-limit ? La requête repart chez le suivant sans que votre code ne voie la différence. Un modèle disparaît d'un free tier ? Le routeur contourne. Pour un agent qui enchaîne des dizaines d'appels, cette résilience change tout : un run de nuit ne meurt plus sur un 429.

Deuxième force : l'extensibilité. Tout endpoint custom compatible OpenAI — un serveur de modèles locaux, une API d'entreprise, un fournisseur de niche — se branche à côté des 34 intégrés. FreeLLMAPI devient alors la couche unique entre votre code et tous vos modèles, gratuits ou non.

Troisième force, souvent oubliée : le chiffrement des clés au repos. Vous manipulez ici des dizaines de clés API ; le fait qu'elles ne dorment pas en clair dans un fichier de config est un détail qui compte.

Au-delà du chat : embeddings, image, audio

Le même /v1 sert le chat, les embeddings, la génération d'images et l'audio. Pour un pipeline RAG, c'est le détail qui compte : embeddings et génération passent par la même configuration, sans multiplier les SDK ni les formats d'authentification.

7,4 milliards de tokens par mois : ce que le chiffre veut vraiment dire

C'est la capacité cumulée de tous les free tiers supportés, pas une promesse faite à chaque utilisateur. Une analyse vidéo du projet le dit sans détour, et le README le présente d'ailleurs lui-même comme une capacité « combinée ». Rare honnêteté marketing — saluons-la.

Le calcul est simple : 34 fournisseurs dont les plafonds publiés s'additionnent, soit en moyenne plus de 200 millions de tokens par fournisseur et par mois. Mais votre plafond réel, à vous, c'est la somme des quotas des fournisseurs que vous connectez effectivement avec vos propres clés. Ni plus, ni moins.

Concrètement, pour un développeur solo qui branche les principaux free tiers, on parle de milliers à dizaines de milliers de requêtes par jour selon les modèles. Énorme pour expérimenter, prototyper, faire tourner des agents personnels. Dérisoire, en revanche, pour servir le trafic d'une application publique — ce n'est de toute façon pas la vocation du projet.

Le chiffre est donc marketing, mais il décrit un phénomène réel : la somme des générosités dispersées des fournisseurs, une fois agrégée et orchestrée, devient une ressource sérieuse. C'est tout le créneau qui le dit — le topic GitHub free-llm-api recense plusieurs projets du même type, dont on parle plus bas.

Pourquoi ça explose maintenant

Parce que le coût d'expérimentation des agents est devenu le premier frein des développeurs indépendants, et que la fragmentation des free tiers n'a jamais été aussi pénalisante.

Un agent, ça brûle des tokens : planification, appels d'outils, reprises sur erreur, évaluations, tests de prompts. Une seule session de debug sur un modèle frontier — GPT-5.5 (91 sur l'index agrégé) ou Claude Opus 4.7 (90) — peut coûter plus cher qu'un mois d'abonnement. Les modèles ouverts, eux, ont rattrapé une grande partie de l'écart : DeepSeek V4 Pro pointe à 88, Kimi K2.6 à 84. Mais chaque free tier a son SDK, son format de quota, ses codes d'erreur. Gérer cinq fournisseurs à la main, c'est un job à temps partiel.

FreeLLMAPI attaque exactement cette douleur. Et le créneau est déjà actif, preuve qu'elle est réelle : FreeAIGateway agrège 16+ fournisseurs pour ~1,7 milliard de tokens/mois avec un endpoint compatible Claude ; freelm couvre Gemini, Groq, OpenRouter, Cloudflare, Mistral, NVIDIA NIM, Z.ai et Cohere avec failover et rotation de clés ; awesome-free-llm-apis catalogue le reste. FreeLLMAPI se positionne en tête du volume agrégé, avec un facteur 4 sur le papier.

La tendance ne date pas d'aujourd'hui. Nos comparatifs des Meilleurs LLM gratuits (mai 2026) et de juin 2026 montraient déjà des free tiers qui s'étoffent mois après mois, pendant que les modèles ouverts grimpent les classements. FreeLLMAPI est la couche d'orchestration qui manquait à ce tableau. Il s'inscrit d'ailleurs dans un moment open source plus large : OpenCV 5.0 intègre désormais LLM et VLM nativement, et l'IA open source passe du statut d'alternative à celui d'infrastructure.

Installation : dix minutes et vos propres clés

git clone, configuration, lancement : le guide communautaire Better Stack détaille chaque étape, et la promesse des dix minutes est globalement tenue si vous avez déjà vos clés.

git clone https://github.com/tashfeenahmed/freellmapi.git
cd freellmapi

Ensuite, trois mouvements. Un : récupérer vos clés API gratuites chez les fournisseurs que vous voulez agréger — c'est la partie la plus longue, chaque inscription prend quelques minutes. Deux : les renseigner dans la configuration, où elles sont chiffrées au repos. Trois : lancer le serveur. Better Stack le résume honnêtement : le projet est self-hosted, l'agrégation couvre environ 28 à 34 fournisseurs selon votre configuration, et les quotas comme la fiabilité dépendent de chaque fournisseur.

Côté client, un seul changement d'environnement :

export OPENAI_BASE_URL="http://localhost:8000/v1"

(Vérifiez le port exact dans la documentation du repo.) Pour un serveur qui tourne 24/7 sans monopoliser votre machine de dev, un VPS d'entrée de gamme chez Hostinger fait l'affaire — le routeur ne fait qu'acheminer des requêtes, l'inférence reste chez les fournisseurs, donc la charge machine est minime.

Dernier conseil : configurez d'abord deux ou trois fournisseurs majeurs, validez le routage et le failover avec quelques appels, puis élargissez. Monter les 34 d'un coup, c'est la meilleure façon de ne plus savoir qui répond quoi quand un comportement déraille.

FreeLLMAPI vs OpenRouter vs free tiers directs

FreeLLMAPI applique la mécanique d'OpenRouter au gratuit — mais vous reprenez la charge opérationnelle qu'un service hébergé porte pour vous.

Mon avis : ce sont des outils complémentaires plus que concurrents. FreeLLMAPI pour itérer gratuitement, OpenRouter ou les API officielles quand le projet devient sérieux. Le frontière — GPT-5.5, Gemini 3.1 Pro, Claude Opus 4.7 — reste de toute façon du côté payant, quel que soit l'outil. Pour choisir vos modèles à chaque étape, notre comparatif mensuel des meilleurs LLM et son édition d'octobre 2026 restent les repères.

Pour qui code des agents, le coût d'expérimenter passe à zéro

C'est là que le projet change vraiment la vie : les agents sont les plus gros consommateurs de tokens, et les plus grands bénéficiaires du failover.

Une boucle d'agent, c'est dix, cinquante, cent appels pour une tâche finie — planifier, appeler un outil, corriger, recommencer. Ajoutez les retries, les évaluations et les tests de prompts, et l'itération devient un luxe. Avec FreeLLMAPI, vos boucles d'exploration tournent sur les endpoints gratuits, et vous ne payez que si vous branchez volontairement un modèle frontier sur une étape critique. Le coût de se tromper devient nul, donc on teste dix fois plus d'idées.

Deuxième bénéfice, sous-estimé : la résilience des runs longs. Un agent qui travaille la nuit traverse les rate limits sans s'arrêter — il bascule de fournisseur en fournisseur. Pour un job planifié à 2h du matin, c'est la différence entre un résultat au réveil et un traceback.

Le pipeline RAG à coût nul

La boucle est bouclée côté données : combinez avec Crawl4AI, le crawler open source numéro 1 de GitHub pour alimenter agents et pipelines, et vous obtenez un pipeline RAG complet — collecte, embeddings, génération — à coût de token nul. Les embeddings gratuits via le même /v1 rendent l'expérimentation RAG vraiment gratuite, pas seulement « presque gratuite ».

Pour aller plus loin : notre dossier sur les API IA gratuites détaille les quotas fournisseur par fournisseur, et si vous voulez sortir des quotas en passant sur votre propre matériel, direction les meilleurs LLM à run en local.

Les limites, expliquées honnêtement

FreeLLMAPI est une couche d'agrégation excellente pour expérimenter. Ce n'est ni un contrat de service, ni une machine à tokens infinis — et le projet ne prétend pas le contraire.

Les quotas restent individuels. Chaque fournisseur applique ses limites à la minute et au jour. Le routing maximise l'usage de ce que vous connectez ; il ne crée pas de capacité. Les 7,4 milliards restent un plafond collectif, jamais un plancher personnel.

La fiabilité est inégale. Les free tiers sont dépriorisés aux heures de pointe, les modèles disparaissent sans préavis, les latences varient du simple au quintuple selon l'heure. Better Stack le documente noir sur blanc : quotas et fiabilité dépendent de chaque fournisseur.

Les modèles frontier restent payants. Google, OpenAI et Anthropic gardent leurs fleurons — Gemini 3.1 Pro, GPT-5.5, Claude Opus 4.7 — hors des free tiers. Les 635 endpoints gratuits couvrent l'open weights et l'entrée de gamme, pas le sommet du classement.

La conformité est votre responsabilité. Le projet agrège des free tiers via vos propres clés : lisez les conditions de chaque fournisseur, respectez leurs quotas, et n'utilisez pas l'outil pour contourner des limites d'usage. Pour de l'expérimentation et un usage personnel, c'est exactement le cadre prévu.

L'angle business, pour finir. La valeur de FreeLLMAPI n'est pas dans les tokens — elle est dans la couche : routing, failover, compatibilité OpenAI, chiffrement, extensibilité. C'est précisément ce que monétise OpenRouter côté payant. Le gratuit prouve ici la demande ; la monétisation naturelle de ce type de couche restera le routage multi-fournisseurs, jamais la revente de tokens gratuits.

❌ Erreurs courantes

Erreur 1 : croire que les 7,4 milliards de tokens sont « pour vous »

Le chiffre agrège la capacité de tous les free tiers supportés. Votre plafond réel = la somme des quotas des fournisseurs que vous connectez avec vos clés. La solution : listez vos fournisseurs, additionnez leurs quotas publiés, dimensionnez vos ambitions là-dessus — et gardez une marge, les plafonds changent sans préavis.

Erreur 2 : basculer un produit en production dessus

Pas de SLA, quotas imprévisibles, modèles retirés du jour au lendemain : un service avec de vrais utilisateurs ne peut pas reposer là-dessus. La solution : prototypez et testez avec FreeLLMAPI, migrez le trafic réel vers des API officielles ou OpenRouter — et gardez éventuellement FreeLLMAPI en fallback secondaire.

Erreur 3 : s'attendre à GPT-5.5 et Claude Opus 4.7 gratuits et illimités

Les free tiers couvrent l'open weights et l'entrée de gamme, pas les fleurons propriétaires. La solution : hiérarchisez vos tâches — modèles gratuits pour les 90 % banales (tri, extraction, brouillons, routage), modèle frontier payant pour les 10 % qui le méritent vraiment.

Erreur 4 : exposer le serveur sans précaution

Clés chiffrées ne signifie pas serveur public. Un endpoint OpenAI-compatible ouvert sur Internet, c'est vos quotas consommés par des inconnus. La solution : restez en local ou derrière un VPN, activez l'authentification du serveur, et surveillez la consommation par fournisseur pour détecter toute dérive.

❓ Questions fréquentes

FreeLLMAPI est-il vraiment gratuit ?

Oui, à double titre : le logiciel est open source, et les tokens proviennent des free tiers des fournisseurs que vous connectez avec vos propres clés. Les limites sont celles des fournisseurs — quotas, rate limits, disponibilité. Le projet lui-même ne coûte rien, hors l'éventuel VPS qui l'héberge.

Quelle différence avec OpenRouter ?

OpenRouter est un service hébergé : endpoint unique, facturation à l'usage, routes gratuites limitées. FreeLLMAPI en est l'équivalent self-hosted appliqué au gratuit : vos clés, votre serveur, zéro intermédiaire — mais vous gérez l'installation et la maintenance. L'un s'achète, l'autre s'héberge.

Faut-il du matériel puissant pour l'héberger ?

Non. Le serveur route des requêtes, il n'exécute aucun modèle : un VPS d'entrée de gamme ou votre machine de bureau suffit largement. L'inférence tourne chez les fournisseurs. La charge dépend de votre volume de requêtes, pas de la taille des modèles routés.

Peut-on l'utiliser en production ?

Pour un projet personnel à faible trafic, éventuellement, à condition d'assurer vous-même la supervision. Pour un produit avec de vrais utilisateurs : non — quotas imprévisibles, absence de SLA, fiabilité variable. La séquence saine : prototyper gratuitement, produire sur des API officielles ou payantes.

Combien de requêtes peut-on faire par jour ?

Cela dépend des fournisseurs connectés et de leurs quotas du moment. En branchant les principaux free tiers, un développeur solo obtient typiquement de quoi faire tourner des milliers de requêtes quotidiennes — largement assez pour prototyper un agent, pas pour alimenter une application publique.

Mes clés API sont-elles en sécurité ?

Elles sont chiffrées au repos par le projet, et le serveur tourne chez vous — rien ne transite par un tiers. La vraie surface de risque est l'exposition réseau : gardez le serveur en local ou derrière un VPN, et n'ouvrez jamais le endpoint sur Internet sans authentification.

✅ Conclusion

FreeLLMAPI ne rend pas les LLM gratuits — il rend leur gratuité enfin utilisable, en transformant 34 îlots de quotas dispersés en un seul endpoint que votre code connaît déjà. Installez-le, branchez vos clés, itérez à coût nul — et gardez en tête que c'est un banc d'essai formidable, pas un socle de production. Pour choisir les modèles qui mériteront votre futur budget, notre comparatif des meilleurs LLM gratuits est mis à jour chaque mois.