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。

🌐 公式サイト: https://locallab.jp
🔍 AI SEO 最適化 SaaS: lookupai.jp
📺 YouTube: @locallab_llc
✉️ お問い合わせ: info@locallab.jp

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!