0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@locallab

Claude Code × OpenRouter Free モデル完全比較 2026年版：5モデルを10指標で検証した

0
Posted at

TL;DR

  • OpenRouter の :free モデルは 商用利用可・レートリミットあり という前提を把握してから使う
  • Claude Code などのエージェント用途では コンテキスト長・ツール呼び出し精度・JSON 安定性 の 3 軸が最重要
  • 2026年時点で Qwen3-235B-A22B:free と DeepSeek-R1:free が無料枠最強クラスだが用途で使い分けが必要
  • :free モデルはリクエスト頻度制限があるため、自動化タスクには バックオフ+リトライ が必須

背景

LLM を使った開発自動化が普及するにつれ、API コストの最適化が現実的な課題になってきた。

OpenRouter はさまざまなプロバイダのモデルを統一 API で呼び出せるプロキシサービスだが、中でも注目すべきは :free サフィックスのついたモデル群だ。名前の通り課金なしで利用できる。

ただし「タダだから何でも使える」わけではない。本記事では以下の 5 モデルを 10 指標で比較し、エージェント・コーディング補助・テキスト生成それぞれの用途に何が最適かを整理する。

比較対象モデル（2026年5月時点）

ID（OpenRouter 表記） ベースモデル コンテキスト長
qwen/qwen3-235b-a22b:free Qwen3 235B MoE 32,768
deepseek/deepseek-r1:free DeepSeek R1 65,536
meta-llama/llama-4-maverick:free Llama 4 Maverick 131,072
google/gemma-3-27b-it:free Gemma 3 27B 131,072
mistralai/mistral-7b-instruct:free Mistral 7B Instruct 32,768

注: モデルの提供状況や仕様は変動する。公式 openrouter.ai/models で最新情報を確認すること。

10 指標の評価軸

以下の軸で各モデルを評価した。スコアは ◎ / ○ / △ / × の 4 段階。

# 指標 説明
1 コンテキスト長 長いコードベースを渡せるか
2 JSON 出力安定性 ツール呼び出し / 構造化レスポンスの再現性
3 ツール use 対応 function calling / tool_use をサポートするか
4 日本語品質 日本語指示・日本語生成の自然さ
5 コード生成精度 動作するコードを初回で出力できるか
6 推論・思考力 複数ステップの論理推論・計画立案
7 レスポンス速度 TTFT（最初のトークンまでの時間）の体感
8 レートリミット緩さ :free 枠での実用的な呼び出し頻度
9 ハルシネーション耐性 ファクトを無いものから作りにくいか
10 ライセンス商用可 生成物の商用利用が許諾されているか

比較表

モデル ①CTX ②JSON ③Tool ④日本語 ⑤コード ⑥推論 ⑦速度 ⑧Rate ⑨幻覚 ⑩商用
Qwen3-235B-A22B ○ ◎ ◎ ◎ ◎ ◎ △ ○ ○ ○
DeepSeek-R1 ◎ ○ △ ○ ◎ ◎ △ △ ◎ ○
Llama 4 Maverick ◎ ○ ○ ○ ○ ○ ◎ ◎ ○ ◎
Gemma 3 27B ◎ ○ △ ○ ○ ○ ◎ ◎ ○ ◎
Mistral 7B Instruct ○ △ △ △ △ △ ◎ ◎ △ ◎

スコアは複数の公開ベンチマーク（MMLU / HumanEval / BigCodeBench 等）および OpenRouter 公式ドキュメントをもとにした著者評価。主観を含む。

各モデル深掘り

Qwen3-235B-A22B:free ― エージェント用途最強候補

Alibaba Cloud が公開した Qwen3 シリーズの最大モデル。MoE (Mixture of Experts) アーキテクチャにより、235B パラメータを持ちながら推論コストを抑えている。

強み

  • JSON モード（response_format: { type: "json_object" }）が非常に安定
  • ツール呼び出し（function calling）の形式再現率が高い
  • 中国語・日本語・英語の多言語対応が実用レベル
  • /no_thinking モードを指定することで思考トークンをスキップし高速化できる

弱み

  • 無料枠のスループットが低く、連続リクエストでレートリミットに当たりやすい
  • コンテキスト長 32,768 は長大なコードベースには不足する場合あり

推奨用途
構造化データ抽出・エージェントのプランナーステップ・日本語メール生成

DeepSeek-R1:free ― 推論タスクのベストプラクティス

DeepSeek が MIT ライセンスで公開した推論特化モデル。Chain-of-Thought を内部的に展開する設計のため、数学・論理・コードデバッグが突出して得意。

強み

  • 65,536 トークンのコンテキストで大きめのファイルも一括処理可
  • HumanEval スコアは無料モデル中トップクラス（公開スコア ~96%）
  • ハルシネーションが少なく、根拠を示しながら回答する傾向がある

弱み

  • 思考プロセスのトークンが長くなるため TTFT が遅い
  • tool_use の公式サポートが不安定。構造化出力はプロンプトエンジニアリングで補完が必要
  • レートリミットが他モデルより厳しい（無料枠）

推奨用途
コードレビュー・バグ原因分析・アルゴリズム設計・テスト生成

Llama 4 Maverick:free ― 速さと汎用性のバランス型

Meta が発表した Llama 4 ファミリーの汎用モデル。131,072 トークンという破格のコンテキスト長と、実用的な応答速度が特徴。

強み

  • 長大なコードリポジトリを丸ごと渡せるコンテキスト長
  • Llama 4 Community License による商用利用が可能（制限あり・要確認）
  • TTFT が無料モデル中最速クラス

弱み

  • JSON 出力の安定性は Qwen3 に劣る
  • 日本語の自然さは英語と比べてやや落ちる

推奨用途
大規模コードベースの要約・長文ドキュメント翻訳・RAG のリランキング

Gemma 3 27B:free ― Google品質で安定運用

Google DeepMind の Gemma 3 シリーズ 27B 版。比較的軽量ながら 131,072 トークンのコンテキストに対応。

強み

  • Gemma License で商用利用可（詳細は公式サイトで要確認）
  • レートリミットが緩く、無料枠での連続呼び出しに向いている
  • 応答速度が速く、チャットボット・補完系 UI に馴染みやすい

弱み

  • tool_use の公式対応が限定的（OpenRouter 経由では動くケースもあるが不安定）
  • 推論・コーディングタスクでは上位モデルに差をつけられる

推奨用途
FAQ 応答・テキスト要約・ドキュメント分類・低レイテンシ重視の補完

Mistral 7B Instruct:free ― 軽量・高速の入門モデル

7B という小さなパラメータでありながら、instruction following の品質でリリース当時に大きな注目を集めたモデル。

強み

  • 最も速い TTFT と最も緩いレートリミット
  • Apache 2.0 ライセンスで商用利用フリー
  • プロトタイピング・PoC でのテスト用途に最適

弱み

  • JSON 安定性・tool_use・日本語品質・推論力はすべて上位モデルに劣る
  • 2026年時点では同コスト（無料）帯に強力な後継が揃っており、本番ユースケースには推薦しにくい

推奨用途
API の疎通確認・ラピッドプロトタイプ・超低レイテンシが必要なシンプルなテキスト変換

用途別まとめ：どれを選ぶか

用途 推奨モデル 理由
エージェント（プランナー） Qwen3-235B-A22B JSON + ツール安定性が最高
コードデバッグ・レビュー DeepSeek-R1 推論精度・ハルシネ耐性
長大ファイル一括処理 Llama 4 Maverick 131K コンテキスト + 速度
チャットボット・補完 UI Gemma 3 27B レート緩め・速度良
PoC・疎通確認 Mistral 7B とにかく速くて制約が少ない

実装のポイント：:free モデルを本番に近い環境で使うための 3 Tips

Tip 1: 指数バックオフで 429 を吸収する

:free モデルは同一 IP・同一 API キーへのリクエスト頻度制限が設けられている（OpenRouter 公式ドキュメント参照）。エラーコード 429 を受け取ったら、以下のパターンで再試行する。

import time
import random

def call_with_backoff(client, model, messages, max_retries=5):
    for attempt in range(max_retries):
        try:
            response = client.chat.completions.create(
                model=model,
                messages=messages,
            )
            return response
        except Exception as e:
            if "429" in str(e):
                wait = (2 ** attempt) + random.uniform(0, 1)
                print(f"Rate limited. Waiting {wait:.1f}s...")
                time.sleep(wait)
            else:
                raise
    raise RuntimeError("Max retries exceeded")

Tip 2: JSON 出力は response_format と Pydantic を組み合わせる

Qwen3 / DeepSeek-R1 では response_format: { type: "json_object" } を指定すると JSON 出力が安定する。さらに Pydantic でスキーマバリデーションをかけることで、パース失敗を即座に検知できる。

from pydantic import BaseModel
import json

class TaskResult(BaseModel):
    summary: str
    action_items: list[str]
    confidence: float

def parse_structured(raw_content: str) -> TaskResult:
    data = json.loads(raw_content)
    return TaskResult(**data)

ツール呼び出しが不安定なモデル（DeepSeek-R1 / Gemma 3）では、tool_use の代わりにこのパターンで代替するのが実践的。

Tip 3: モデルを動的にフォールバックする

:free モデルは提供状況が変わることがある。メインモデルが利用不可だったときのためにフォールバックリストを持っておく。

FREE_MODELS = [
    "qwen/qwen3-235b-a22b:free",
    "meta-llama/llama-4-maverick:free",
    "google/gemma-3-27b-it:free",
]

def call_with_fallback(client, messages):
    for model in FREE_MODELS:
        try:
            return call_with_backoff(client, model, messages)
        except Exception as e:
            print(f"{model} failed: {e}. Trying next...")
    raise RuntimeError("All free models exhausted")

ライセンス早見表

商用利用の可否はモデルごとに異なる。必ず原著ライセンスを確認してから本番投入すること。

モデル ライセンス 商用利用
Qwen3-235B-A22B Qwen License v1 ○（月間 1 億アクセス超は要申請）
DeepSeek-R1 MIT ◎（制限なし）
Llama 4 Maverick Llama 4 Community License ○（月間 7 億ユーザー超は要申請）
Gemma 3 27B Gemma Terms of Use ○（禁止用途あり）
Mistral 7B Instruct Apache 2.0 ◎（制限なし）

OpenRouter 経由での利用はあくまでプロキシであり、原著ライセンスは各モデルプロバイダに帰属する。

まとめ

2026年時点で OpenRouter :free モデルは「タダだから妥協」ではなく、ユースケースを絞れば有料モデルに匹敵する実力を持つものが揃っている。

  • 構造化出力・エージェント系 → Qwen3-235B-A22B
  • 推論・コーデング → DeepSeek-R1
  • 長文・速度 → Llama 4 Maverick

コスト最適化の観点から、まず :free モデルで品質を確認し、要件を満たせないタスクだけ有料モデルにエスカレーションする戦略が現実解だ。

参考リンク

✍️ 本記事の著者: 合同会社ジモラボ

ジモラボは、八王子を拠点に AI を活用した SaaS を多数開発しています。本記事の技術検証もそうした開発過程の副産物です。

興味を持っていただけたら、ぜひ各 SNS のフォローもお願いします!

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?