白嫖清单：2026 年还能免费用的 AI 资源（持续更新）

先说原则：只列我自己在用的，不列"听说能用"的。

下面每一条我都跑通过，额度与限制标注的是我实际遇到的情况，不是官方文档的营销话术。

本文最后更新于 2026-08-20。免费额度变动频繁，使用前请再确认一次。

模型 API

Google AI Studio — Gemini 免费额度

目前性价比最高的免费入口。

• 额度：Flash 系列每分钟 15 次请求、每天 1500 次；Pro 系列额度更低
• 隐藏限制：免费层的数据可能被用于改进模型，敏感业务别用
• 适合：原型验证、批量数据处理

import google.generativeai as genai
 
genai.configure(api_key=YOUR_API_KEY)
model = genai.GenerativeModel("gemini-2.5-flash")
 
# 免费层也能用结构化输出，这点很良心
result = model.generate_content(
    "从这段文本里抽取人名和机构名",
    generation_config=genai.GenerationConfig(
        response_mime_type="application/json",
        response_schema=list[Entity],
    ),
)

Cloudflare Workers AI

被严重低估的一个。

• 额度：每天 1 万次推理（按 neuron 计），够跑小模型应用
• 优势：边缘部署，延迟极低；可直接绑定 Workers 做全栈
• 适合：边缘侧的小模型推理、Embedding 生成

export default {
  async fetch(request, env) {
    const response = await env.AI.run("@cf/baai/bge-base-en-v1.5", {
      text: ["第一句话", "第二句话"],
    });
    return Response.json(response);
  },
};

OpenRouter 免费模型区

聚合平台的好处是可以一个 key 试遍所有模型。

• 额度：部分模型标注 :free 可无限调用，但有速率限制
• 技巧：用 :free 后缀筛选，适合横向对比不同模型
• 注意：免费模型的可用性不稳定，生产环境要有降级

GPU 算力

Google Colab

最稳定，但有隐性成本。

• 免费层：T4 GPU，单次最长 12 小时，会被抢占
• 真实体验：连续跑超过 1 小时大概率被踢，长任务必须做 checkpoint
• 破解之道：把训练脚本设计成可断点续跑

# 每次保存时带上 optimizer 状态，被踢掉也能无缝恢复
torch.save(
    {
        "epoch": epoch,
        "model_state": model.state_dict(),
        "optimizer_state": optimizer.state_dict(),
        "loss": loss,
    },
    f"{CHECKPOINT_DIR}/ckpt_epoch_{epoch}.pt",
)

Kaggle Notebooks

比 Colab 大方，但可玩性稍差。

• 额度：每周 30 小时 GPU（P100 / T4 二选一）
• 优势：时长是按周算的，比 Colab 的按会话算更耐用
• 技巧：Kaggle 预装了大量数据集，做数据科学类项目很方便

Hugging Face Spaces

部署 Demo 的首选。

• 免费层：2 核 CPU / 16GB 内存，足够跑 Gradio Demo
• 升级：免费申请 GPU 额度（需要说明理由，通过率不低）
• 适合：开源项目的在线体验、模型 Demo

开发工具

学习资源

值得完整读的

• 《AI Engineering》（Chip Huyen 著）—— 目前讲 AI 应用层工程化最好的书，没有之一
• Anthropic 官方 Prompt 工程文档 —— 免费，且比 90% 的付费课讲得清楚
• 《Designing Machine Learning Systems》 —— 想做系统而非调参的必读

值得跟的课

• Stanford CS336（语言模型从零实现）—— 课程资料和作业全公开，跟着做完一遍理解会质变
• DeepLearning.AI 短课程 —— 单门 1-2 小时，针对性强，适合补具体短板

论文阅读的正确姿势

不要从头读论文。按这个顺序：

1. 先读 Abstract + Conclusion，判断值不值得读
2. 直接跳到实验表格，看实际提升幅度
3. 只有前两步都通过，才回头读方法部分

用这个筛法，arXiv 上每天新出的几十篇论文，真正值得精读的通常不超过两篇。

免费资源的三个坑

坑一：数据被用于训练。 大部分免费 API 都保留用你的数据改进模型的权利。涉及业务数据的，务必先读隐私条款。

坑二：额度随时可能变。 我见过太多项目建在某个免费额度上，结果政策一改直接瘫痪。免费资源只适合原型和 Demo，不适合生产。

坑三：隐性速率限制。 文档写的是"无限"，实际有未公开的请求频率上限。做压测时一定要先摸底。

免费午餐可以吃，但别把餐厅建在别人的地基上。

持续更新

这份清单我会持续维护。如果你发现某个资源失效或有新的好东西，欢迎邮件告诉我。