免费大模型 API 调用避坑指南与实战手册

一、为什么”免费”两个字值得单独写一篇手册

大模型 API 的免费额度，对个人开发者和中小团队来说，往往是验证产品想法、跑通原型链路的第一块敲门砖。但”免费”这个标签在实际调用中经常和宣传口径存在偏差：有的模型名字里带免费字样，实际调用却提示余额不足；有的接口能调通但返回空内容；还有的高频调用直接被限流，十次里成功不了几次。

笔者曾为了一个副业项目集中测试过某云厂商的免费模型，随手多试了几个，结果发现好几处和公开说法对不上。于是花了一整个下午，把该平台公开资料里提到的免费模型 ID 挨个真调了一遍，把额度、限流、返回格式、报错信息全部记录下来。本文就是这次实测的整理，是一份调用手册，不是评测。文中所有数字均为实测结果，复现脚本思路附在文末，读者可以自行跑一遍验证。

先明确范围：笔者手上只有一家云厂商的可用密钥，所以只有这家是真调的。另外两家的状态也顺手记录在文末，仅作状态参考。其他厂商未做测试，不替它们打包票。

二、第一个坑：模型列表接口根本不列免费模型

很多开发者习惯先调 /models 接口拉取可用模型清单，再从中筛选免费项。这个思路在大多数平台上没问题，但在某些平台上会直接失效。

以实测平台为例，调用模型列表接口：

curl https://<api-endpoint>/v4/models \
  -H "Authorization: Bearer $KEY"

返回的是 glm-4.5、glm-4.6、glm-4.7、glm-5、glm-5-turbo、glm-5.1、glm-5.2 这一串——全是付费主力模型，一个带 flash 后缀的免费模型都没有。如果你照着这个接口找免费模型，会一无所获。

结论：免费模型的 ID 只能从官方文档里翻，不能依赖模型列表接口。 这是一个非常容易踩的坑，因为大多数开发者默认”列表接口 = 全量可用模型”，实际上平台可能把免费模型从列表接口中过滤掉了。

三、实测：哪些模型 ID 是真免费

把公开资料里提到过的免费模型 ID 全试了一遍，实测结果如下：

模型 ID	能否调用	耗时	说明
glm-4-flash	✓	0.7–1.7s	最稳，日常主力
glm-4-flash-250414	✓	0.7s	同上，带日期版本号
glm-4-flashx	✗	—	报余额不足，不免费
glm-4.5-flash	✓	18–42s	旧 ID 仍能调通
glm-4.7-flash	⚠	7–10s	能用，但十次六次被限流
glm-z1-flash	✓	5.5–6s	推理模型
glm-4v-flash	✓	1.1s	图像理解
glm-4.1v-thinking-flash	✓	1.9s	图像推理

重点提醒：名字带 flash 不等于免费

glm-4-flashx 这个模型要单独拎出来说。它的名字长得和 glm-4-flash 几乎一模一样，很多汇总文章把它列进免费清单，实际调用它返回的是：

{
  "error": {
    "code": "1113",
    "message": "余额不足或无可用资源包，请充值。"
  }
}

多一个 x，就要钱。 如果账户里没有余额，它一次都跑不通。这类”名字相似但计费策略不同”的模型，是最容易误判的坑。

四、最坑的一个：调通了，但返回是空的

这个坑在真实项目里踩过，而且踩了之后得出了一个错误结论，一直挂到今天。

现象：调用 glm-4.5-flash 或 glm-4.7-flash，HTTP 状态码 200，不报错，但 choices[0].message.content 是空字符串。

当时的结论是”这个思考模型有问题，别用，换 glm-4-flash“。这次挨个试才发现，模型没问题，是参数给错了。

根因：max_tokens 设置过小，推理内容吃掉了输出预算

这类带思考能力的模型，在生成最终回答之前，会先输出一段”思考过程”（reasoning content）。这段思考内容同样消耗 token 预算。如果把 max_tokens 设置得过小，比如只给 50 或 100，那么思考过程还没结束，预算就用完了，最终回答自然就是空字符串。

对照实验：同一个模型、同一个问题，只改 max_tokens：

• max_tokens=50：返回空内容，HTTP 200
• max_tokens=200：返回不完整回答，可能被截断
• max_tokens=1024：返回完整回答

解决方案

1. 给推理模型留足输出预算：建议 max_tokens 至少设为 1024，复杂问题建议 2048 以上。
2. 区分推理模型和普通模型：推理模型的响应时间明显更长（实测 18–42s），不要用普通模型的超时设置去套。
3. 检查返回结构：部分平台的推理模型会在 message 中额外返回 reasoning_content 字段，最终回答在 content 字段。解析时不要只取第一个字段就下结论。

# 解析推理模型返回时的建议写法
message = response["choices"][0]["message"]
reasoning = message.get("reasoning_content", "")
answer = message.get("content", "")
if not answer and reasoning:
    # 说明 max_tokens 被思考过程耗尽
    print("警告：输出预算不足，建议提高 max_tokens")

五、限流：免费额度的隐性成本

glm-4.7-flash 实测十次里有六次被限流。这不是个例，免费模型普遍存在并发和频率限制。

限流的常见表现

• HTTP 429 Too Many Requests
• 返回错误码提示”请求过于频繁”
• 请求超时但无明确报错

应对策略

1. 加退避重试：遇到 429 时不要立即重试，采用指数退避（如 1s、2s、4s、8s）。
2. 控制并发：免费额度通常限制并发数，建议串行调用或限制并发在 1–2。
3. 错峰使用：高峰期限流概率更高，可以把批量任务放到低峰期跑。
4. 做降级预案：主模型被限流时，自动切换到备用免费模型（如从 glm-4.7-flash 降级到 glm-4-flash）。

import time
import random
def call_with_retry(fn, max_retries=5):
    for i in range(max_retries):
        try:
            return fn()
        except RateLimitError:
            wait = (2 ** i) + random.random()
            time.sleep(wait)
    raise Exception("重试次数耗尽")

六、免费模型选型建议

根据实测结果，给出以下选型建议：

场景	推荐模型	理由
日常对话、文本生成	glm-4-flash	最稳，延迟最低
需要固定版本	glm-4-flash-250414	带日期，行为可复现
复杂推理	glm-z1-flash	推理模型，但注意 max_tokens
图像理解	glm-4v-flash	延迟低，1.1s
图像推理	glm-4.1v-thinking-flash	支持思考链
不推荐	glm-4.7-flash	限流严重，十次六次失败
不推荐	glm-4-flashx	实际收费，非免费

七、复现脚本思路

想自己验证的读者，可以按以下步骤操作：

1. 准备一个可用密钥，设置环境变量 KEY。
2. 用 curl 或 Python requests 依次调用上表中的模型 ID。
3. 记录每次调用的 HTTP 状态码、耗时、返回内容长度、错误信息。
4. 对每个模型重复调用 10 次，统计成功率。
5. 对推理模型，分别用 max_tokens=50 和 max_tokens=1024 做对照。

import os
import time
import requests
KEY = os.environ["KEY"]
URL = "https://<api-endpoint>/v4/chat/completions"
models = [
    "glm-4-flash",
    "glm-4-flash-250414",
    "glm-4-flashx",
    "glm-4.5-flash",
    "glm-4.7-flash",
    "glm-z1-flash",
    "glm-4v-flash",
    "glm-4.1v-thinking-flash",
]
for model in models:
    for i in range(10):
        start = time.time()
        try:
            resp = requests.post(
                URL,
                headers={"Authorization": f"Bearer {KEY}"},
                json={
                    "model": model,
                    "messages": [{"role": "user", "content": "你好"}],
                    "max_tokens": 1024,
                },
                timeout=60,
            )
            elapsed = time.time() - start
            data = resp.json()
            content = data.get("choices", [{}])[0].get("message", {}).get("content", "")
            print(f"{model} | {resp.status_code} | {elapsed:.1f}s | len={len(content)}")
        except Exception as e:
            print(f"{model} | ERROR | {e}")

八、其他平台状态备注

除了实测平台外，另外两家平台的状态也顺手记录了一下：

• 某云厂商 A：免费额度需要单独申请，审批周期较长，未做实际调用测试。
• 某云厂商 B：新用户赠送额度，但免费模型列表不透明，需要从控制台手动查看。

这两家均未做真调，仅作状态参考。其他厂商未测试，不替它们打包票。

九、总结

免费大模型 API 的坑主要集中在四个方面：

1. 模型列表接口不列免费模型——必须从文档翻 ID。
2. 名字带 flash 不等于免费——注意后缀差异，如 flashx 实际收费。
3. 返回空内容不一定是模型问题——很可能是 max_tokens 被思考过程耗尽。
4. 限流是免费额度的隐性成本——需要重试、降级、错峰策略。

把这几条记下来，能省下至少一个下午的排查时间。免费额度虽好，但用之前先摸清边界，才能真正把它用稳。