TL;DR

OpenRouter の :free モデルは商用利用可能なものが複数存在し、API コールを無料で行える
Claude Code の ANTHROPIC_API_KEY 以外のモデルを呼び出す仕組みを使えば、雑務的な LLM タスクをコストゼロに近づけられる
ただし :free モデルはレートリミット・出力品質・ライセンスに注意が必要

背景

AI を使った開発補助ツールを日常的に使うと、一番気になるのが API 費用 です。Claude Opus や GPT-4o を全タスクに使い続けると、1 日数百〜数千円に達することも珍しくありません。

そこで注目したいのが OpenRouter の :free サフィックス付きモデル です。2025〜2026 年現在、OpenRouter では Qwen3、Llama 4、Mistral、Gemma 3 など複数の高性能モデルが :free プランで提供されており、速度や品質はプレミアムモデルに劣るものの、「繰り返し実行する定型タスク」には十分以上です。

本記事では、OpenRouter :free モデルを使って AI 補助コストを大幅削減する 3 つのパターン を紹介します。

OpenRouter `:free` モデルとは

OpenRouter は複数の LLM を統一 API で呼び出せるルーティングサービスです。
https://openrouter.ai/api/v1 を OpenAI 互換エンドポイントとして扱えるため、既存の openai SDK がそのまま使えます。

:free モデルの特徴:

特徴	内容
費用	$0/token (無料枠)
レートリミット	共有キューのため混雑時に遅延あり
コンテキスト長	モデルによる (8K〜128K)
商用利用	モデルのオリジナルライセンスに依存

2026 年 5 月時点で利用可能な主な :free モデル例:

qwen/qwen3-235b-a22b:free (Apache 2.0 / 商用 OK)
meta-llama/llama-4-scout:free (Llama 4 Community License)
google/gemma-3-27b-it:free (Gemma Terms of Use)
mistralai/mistral-7b-instruct:free (Apache 2.0 / 商用 OK)

⚠️ ライセンス確認は必須: :free は「料金が無料」なだけであり、各モデルのオリジナルライセンス (Apache 2.0 / CC-BY-NC / 独自 Terms) は適用されます。商用プロダクトに組み込む場合は必ず公式ページを確認してください。

パターン 1: コミットメッセージの自動生成

タスクの性質: 短い入力 → 短い出力。品質のゆらぎが許容される典型例。

import openai
import subprocess

client = openai.OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="<YOUR_OPENROUTER_API_KEY>",
)

def get_git_diff() -> str:
    result = subprocess.run(
        ["git", "diff", "--cached", "--stat"],
        capture_output=True, text=True
    )
    return result.stdout[:2000]  # トークン節約のため先頭 2000 文字に限定

def suggest_commit_message(diff: str) -> str:
    response = client.chat.completions.create(
        model="qwen/qwen3-235b-a22b:free",
        messages=[
            {
                "role": "system",
                "content": (
                    "You are a Git commit message generator. "
                    "Output only the commit message in Conventional Commits format. "
                    "No explanation, no markdown."
                ),
            },
            {
                "role": "user",
                "content": f"Generate a commit message for this diff:\n\n{diff}",
            },
        ],
        max_tokens=80,
    )
    return response.choices[0].message.content.strip()

if __name__ == "__main__":
    diff = get_git_diff()
    if not diff:
        print("No staged changes.")
    else:
        print(suggest_commit_message(diff))

使い方:

git add -p
python commit_suggest.py
# => feat(auth): add JWT refresh token rotation

コスト: $0 (:free モデル使用時)
品質: Conventional Commits 準拠で十分使えるレベル。長い diff を渡すと精度が落ちるので --stat のみ渡す。

パターン 2: PR レビューコメントの初稿生成

CI パイプラインに組み込んで「レビュアーが見るべきポイント」を事前サジェストする例です。

import openai
import sys

client = openai.OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="<YOUR_OPENROUTER_API_KEY>",
)

SYSTEM_PROMPT = """
You are a senior software engineer reviewing a pull request.
Point out:
1. Potential bugs or logic errors
2. Missing error handling
3. Security concerns
4. Readability improvements

Be concise. Use bullet points. Maximum 10 points.
""".strip()

def review_diff(diff_text: str) -> str:
    response = client.chat.completions.create(
        model="meta-llama/llama-4-scout:free",
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": f"Review this diff:\n\n```diff\n{diff_text}\n```"},
        ],
        max_tokens=512,
        temperature=0.2,  # 低めにして一貫性を確保
    )
    return response.choices[0].message.content

if __name__ == "__main__":
    diff = sys.stdin.read()
    print(review_diff(diff))

GitLab CI 組み込み例 (.gitlab-ci.yml 抜粋):

review-ai-suggest:
  stage: review
  script:
    - git diff origin/main...HEAD > /tmp/pr.diff
    - python scripts/ai_review.py < /tmp/pr.diff > /tmp/review.md
    - cat /tmp/review.md
  artifacts:
    paths:
      - /tmp/review.md
  rules:
    - if: '$CI_PIPELINE_SOURCE == "merge_request_event"'

注意: AI レビューはあくまで「見落とし補助」です。自動マージに連動させることなく、人間のレビュアーが最終判断を行う運用を推奨します。

パターン 3: README / ドキュメント翻訳バッチ

OSS プロジェクトの多言語対応や、社内技術文書の英語化に。

import openai
import pathlib
import argparse

client = openai.OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="<YOUR_OPENROUTER_API_KEY>",
)

def translate_markdown(source: str, target_lang: str) -> str:
    response = client.chat.completions.create(
        model="google/gemma-3-27b-it:free",
        messages=[
            {
                "role": "system",
                "content": (
                    f"Translate the following Markdown document to {target_lang}. "
                    "Preserve all Markdown syntax, code blocks, and links exactly. "
                    "Only translate prose text."
                ),
            },
            {"role": "user", "content": source},
        ],
        max_tokens=4096,
    )
    return response.choices[0].message.content

def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("input", help="Input .md file")
    parser.add_argument("--lang", default="English", help="Target language")
    args = parser.parse_args()

    src = pathlib.Path(args.input).read_text(encoding="utf-8")
    out = translate_markdown(src, args.lang)

    out_path = pathlib.Path(args.input).with_suffix(f".{args.lang[:2].lower()}.md")
    out_path.write_text(out, encoding="utf-8")
    print(f"Saved: {out_path}")

if __name__ == "__main__":
    main()

python translate.py README.md --lang English
# => README.en.md が生成される

コスト削減効果: 1 万字の README を GPT-4o で翻訳すると約 $0.15 かかりますが、:free モデルなら $0。品質は人手校正が前提ですが、ドラフトとして十分機能します。

`:free` モデルを使う際の 4 つの注意点

1. レートリミットと混雑

:free モデルは共有キューのため、ピーク時間帯 (UTC 14:00〜20:00 頃) はレスポンスが数十秒かかる場合があります。バッチ処理では time.sleep(2) を挟むか、リトライロジック (tenacity ライブラリ等) を組み込みましょう。

from tenacity import retry, wait_exponential, stop_after_attempt

@retry(wait=wait_exponential(min=2, max=30), stop=stop_after_attempt(5))
def call_llm(messages):
    return client.chat.completions.create(...)

2. コンテキスト長の制限

:free モデルによっては 8K トークンまでのものもあります。大きなファイルをそのまま渡すとエラーになるため、チャンク分割を実装してください。

def chunk_text(text: str, max_chars: int = 6000) -> list[str]:
    return [text[i:i+max_chars] for i in range(0, len(text), max_chars)]

3. ライセンスの商用可否

前述のとおり「:free = 無料」であり「商用利用 OK」は別問題です。

モデル	ライセンス	商用利用
Qwen3	Apache 2.0	✅ OK
Mistral 7B	Apache 2.0	✅ OK
Llama 4	Llama 4 Community License	⚠️ 月間 7 億ユーザー超で制限あり
Gemma 3	Gemma Terms of Use	⚠️ Google の規約に準拠

4. 出力の品質ゆらぎ

同じプロンプトでも呼び出しごとに品質が変わります。正確性が重要なタスク (コード生成・セキュリティチェック等) には使わず、ドラフト・補助 用途に限定することを推奨します。

まとめ

パターン	モデル推奨	月間コスト削減試算
コミットメッセージ生成	qwen3-235b:free	数百〜数千円 → $0
PR レビューサジェスト	llama-4-scout:free	同上
ドキュメント翻訳バッチ	gemma-3-27b-it:free	大量翻訳で特に効果大

OpenRouter :free モデルは「完璧な出力」を求めるには不向きですが、CI の補助・ドラフト生成・反復的な定型処理 には十分です。プレミアムモデルと :free モデルを タスクの重要度によって使い分ける ことで、AI 開発コストを構造的に削減できます。

コストポリシーを明示してチームで共有し、「このタスクは :free で十分」という基準を作っていくと、費用対効果の高い AI 活用体制を構築できます。

参考リンク

投稿前セルフレビュー

4-A〜4-D に該当する記述は 1 件もないか? → YES (OSS/公式 API のみ)
コード断片は OSS / 公式 docs / 学習用最小例のみか? → YES
引用した OSS のライセンスを明記したか? → YES (Apache 2.0 / Llama 4 / Gemma Terms)
引用した数値・ベンチマークの出典 URL を記載したか? → YES (公式リンク記載)
タイトルに数字を入れたか? → YES (「3 つの活用パターン」「4 つの注意点」)
タグは Qiita 慣習に合っているか? → 下記参照
末尾にプロフィール+lookupai リンクを付けたか? → YES
lookupai への自然な誘導が 1-2 箇所あるか? → YES (フッターで 1 箇所)
誤字脱字・コードブロックの言語指定は OK か? → YES

推奨タグ (Qiita): OpenRouter, LLM, Python, AI, コスト削減

✍️ 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!