OpenAI: gpt-oss-120b (batch)

OpenAI: gpt-oss-120b (batch) ist ein Sprachmodell mit offenen Gewichten von OpenAI. Es ist ein Mixture-of-Experts-Modell (MoE) mit insgesamt 117 Milliarden Parametern, von denen 5,1 Milliarden pro Vorwärtsdurchlauf aktiviert werden. Es wurde vom Anbieter am 2025-08-05 veröffentlicht und liegt in der Textkategorie. Das Suffix "batch" in der Modell-ID kennzeichnet die Batch-Variante dieses Modells, wie sie auf api14 bereitgestellt wird.

Das Modell nimmt Text entgegen und gibt Text aus, mit einem Kontextfenster von 131.072 Tokens und einer maximalen Ausgabe von 117.964 Tokens. Sein Wissensstand endet am 2024-06-30. Es ist für hochgradig reasoningfähige, agentische und allgemeine Produktionsanwendungsfälle konzipiert und unterstützt Reasoning-Steuerung, sodass Sie entscheiden können, wie viel Reasoning-Aufwand das Modell betreibt und ob Reasoning-Inhalte in die Antwort aufgenommen werden.

Diese Fähigkeiten deuten auf ein recht breites Spektrum praktischer Einsatzmöglichkeiten hin. Der lange Kontext und die große maximale Ausgabe eignen sich für Aufgaben zur Analyse, Zusammenfassung und Generierung langer Dokumente, bei denen sowohl die Eingabe als auch die Antwort umfangreich sind. Der Fokus auf Reasoning und agentische Fähigkeiten macht es zu einer sinnvollen Wahl für mehrstufige Problemlösung, werkzeuggestützte Workflows und strukturierte Extraktion, da es Tool-Aufrufe und strukturierte Ausgaben unterstützt. Allgemeine Textgenerierung, etwa Entwurfs- und Transformationsarbeiten, ergibt sich ebenfalls aus seinem Design mit Text-Eingabe und Text-Ausgabe.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "openai/gpt-oss-120b:batch" auf. Da die Schnittstelle OpenAI-kompatibel ist, funktionieren bestehende OpenAI-Client-Bibliotheken und Anforderungsformen damit. Die unterstützten Anforderungsparameter sind frequency_penalty, include_reasoning, logit_bias, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k und top_p. Sampling-Steuerung (temperature, top_p, top_k, min_p, die Penalties, seed und stop), Ausgabegrenzen (max_tokens), Reasoning-Steuerung (reasoning, reasoning_effort, include_reasoning) sowie strukturierte Nutzung und Tool-Nutzung (response_format, structured_outputs, tools, tool_choice) sind alle verfügbar, sodass Sie sowohl die Form als auch die Determinismus der Antworten abstimmen können.

Ein Punkt, den Sie beachten sollten, ist die Modalität: Eingabe und Ausgabe sind ausschließlich Text. Wenn Ihre Aufgabe also auf Bildern oder Audio basiert, ist dieses Modell nicht die richtige Wahl. Der Wissensstand vom 2024-06-30 bedeutet außerdem, dass alles nach diesem Datum außerhalb seiner Trainingsdaten liegt, und Sie sollten aktuelle Informationen im Prompt oder über Tools bereitstellen, wo dies relevant ist. Innerhalb dieser Grenzen deckt die Kombination aus großem Kontextfenster, großer maximaler Ausgabe sowie Reasoning- und Tool-Unterstützung die meisten Textproduktions-Workloads ab.