OpenRouter의 :free 모델은 비용 0원으로 Claude Code의 서브 에이전트(Sub-agent) 및 배치 처리(Batch processing)에 전용할 수 있다. 2026년 시점에서 코딩 용도로 실용적인 수준인 모델은 Gemini 2.0 Flash Experimental / Qwen3 30B A3B / DeepSeek V3 0324 / Mistral Small 3.1 / Llama 4 Scout의 5가지 모델이다. 용도별로 구분하여 사용하는 것이 중요하며, "요약·분류는 Qwen3", "코드 생성은 DeepSeek V3", "영문 문서 정리는 Llama 4 Scout"가 현시점의 추천 구성이다.

Claude Code (Anthropic 공식 CLI)는 Claude 모델 본체를 호출하지만, 일상적인 배치 처리, 로그 요약, 정형 코드 생성과 같은 "무겁지 않은 태스크"에 계속해서 풀 Claude Sonnet / Opus를 사용하면 API 비용이 쌓이게 된다.

OpenRouter는 여러 프로바이더의 LLM을 단일 엔드포인트(https://openrouter.ai/api/v1)로 제공하며, 모델 이름 끝에 :free가 붙은 것은 1 토큰도 과금되지 않는다. Claude Code의 ANTHROPIC_BASE_URL을 교체할 수는 없지만, 에이전트 내부의 "서브 태스크 처리"나 "프롬프트 전처리 스크립트"로서 호출하는 것은 충분히 가능하다. 본 기사에서는 OpenRouter :free 모델 중 코딩·기술 문서 용도로 실용적인 5가지를 평가 기준별로 비교한다.

모델 ID: google/gemini-2.0-flash-exp:free

적합한 태스크 예시

# 긴 컨텍스트를 활용하는 예
with open("large_codebase_context.txt") as f:
context = f.read()
...

주의점: Experimental 모델이므로 API 사양이 변경될 가능성이 있다. 프로덕션(Production) 용도보다는 검증·개발 플로우에 머무를 것을 권장한다.

모델 ID: qwen/qwen3-30b-a3b:free

일본어 코드 주석 생성이나 일본어 README 자동 작성 정밀도가 5개 모델 중 톱이다. 기술 문서의 일본어 번역·주석 보완 목적이라면 Qwen3가 유일한 선택지다.

적합한 태스크 예시

# 영어 주석을 일본어로 일괄 변환하는 쉘 스크립트 내에서 호출하는 이미지
curl https://openrouter.ai/api/v1/chat/completions \
-H "Authorization: Bearer $OPENROUTER_API_KEY" \
...

주의점: 32K 토큰의 컨텍스트 상한은 중규모 파일에는 충분하지만, 모노레포(Monorepo) 전체를 전달하기에는 부족하다.

모델 ID: deepseek/deepseek-v3-0324:free

레이턴시 (Latency)가 다소 높고 (회당 5~10초), Rate Limit (속도 제한)도 엄격하기 때문에 실시간 보완(Completion)보다는 **배치 코드 생성 (Batch Code Generation)**에 적합하다.

적합한 태스크 예시

# 테스트 자동 생성 배치 처리
import openai
client = openai.OpenAI(
...

주의사항: Rate Limit가 5 RPM으로 엄격하다. 병렬 호출 시에는 asyncio.Semaphore 등을 사용하여 스로틀링 (Throttling)을 구성해야 한다.

모델 ID: mistralai/mistral-small-3.1-24b-instruct:free

코드 생성 정밀도는 DeepSeek나 Gemini에 뒤처지지만, 라우팅 (Routing)·분류·단순 문자열 변환과 같은 전처리 태스크에서는 충분한 정밀도를 보여준다. 에이전트의 라우터로서 "이 태스크는 코드 생성인가, 문서 생성인가"를 분류하는 용도라면 Mistral Small만으로도 충분히 비용 제로(Zero Cost)를 유지할 수 있다.

적합한 태스크 예시

# 태스크 분류 라우터
TASK_ROUTER_PROMPT = """
다음 사용자 요청을 다음 중 하나로 분류하십시오:
...
"""

모델 ID: meta-llama/llama-4-scout:free

Llama 모델은 오픈 웨이트 (Open Weights) 모델이므로 로컬 실행과의 차이가 작으며, OpenRouter에서 테스트한 후 Ollama / llama.cpp를 통해 셀프 호스팅(Self-hosting)으로 이행하는 경로를 설계하기 쉽다는 점도 장점이다.

적합한 태스크 예시

# PR description 자동 생성
def generate_pr_description(diff: str) -> str:
    resp = client.chat.completions.create(
    ...

OpenRouter는 OpenAI SDK와 호환되므로 base_url을 교체하는 것만으로 작동한다.

import openai
client = openai.OpenAI(
    base_url="https://openrouter.ai/api/v1",
    ...

OPENROUTER_API_KEY는 반드시 환경 변수를 통해 전달하고, 코드에 하드코딩하지 말 것 (.env + python-dotenv 조합이 가장 간단하다).

무료 모델은 Rate Limit가 엄격하므로 재시도 로직 (Retry Logic)은 필수다.

import time
import random
from openai import RateLimitError
...

향후 유료 모델로 업그레이드할 때를 대비하여, 모델 선택 부분을 로직에서 분리해 두면 유지보수가 훨씬 수월해진다.

from enum import Enum
from dataclasses import dataclass
class TaskType(Enum):
...

비용 0원으로 실용적인 OpenRouter :free

모델은 확실히 존재하며, 태스크(Task)의 성격에 따른 적절한 선택을 통해 유료 API 호출 횟수를 대폭 줄일 수 있습니다.

• 정밀도 최우선 → DeepSeek V3 0324
• 속도 최우선 → Gemini 2.0 Flash Exp / Mistral Small 3.1
• 일본어 최우선 → Qwen3 30B A3B
• 셀프 호스팅(Self-host) 이전을 고려한다면 → Llama 4 Scout

우선 pip install openai

→ base_url

교체만으로 테스트할 수 있으므로, 오늘 개발 워크플로우(Workflow)에 하나쯤 도입해 보시길 권장합니다.

• OpenRouter 문서
• OpenRouter 모델 목록 (:free 필터)
• Qwen3 공식 리포지토리 (Apache 2.0)
• DeepSeek V3 공식 리포지토리
• Meta Llama 4 공식 페이지
• Mistral AI 공식 문서

✍️ 본 기사 저자: 합동회사 지모라보 (Jimolabo LLC)

지모라보는 하치오지를 거점으로 AI를 활용한 SaaS를 다수 개발하고 있습니다. 본 기사의 기술 검증 또한 그러한 개발 과정의 부산물입니다.

• 🌐 공식 사이트: https://locallab.jp
• 🔍 AI SEO 최적화 SaaS: lookupai.jp
• 📺 YouTube: @locallab_llc
• ✉️ 문의: info@locallab.jp

관심이 생기셨다면 각 SNS 팔로우도 꼭 부탁드립니다!