OpenAI: gpt-oss-safeguard-20b

OpenAI gpt-oss-safeguard-20b ist ein Safety-Reasoning-Modell von OpenAI, das auf gpt-oss-20b aufbaut. Es ist ein Modell mit offenen Gewichten und 21B Parametern in einer Mixture-of-Experts-Architektur (MoE), und OpenAI positioniert es für sicherheitsbezogene Aufgaben wie Inhaltsklassifizierung, LLM-Filterung und vertrauensorientierte Aufgaben. Es wurde vom Anbieter am 2025-10-29 veröffentlicht und liegt auf api14 in der Kategorie Text.

Das Modell nimmt Text als Eingabe und gibt Text als Ausgabe zurück. Es hat ein Kontextfenster von 131072 Tokens und eine maximale Ausgabe von 65536 Tokens, was reichlich Raum für lange Eingaben neben einer umfangreichen generierten Antwort lässt. Da es ein Reasoning-Modell ist, kann es sein Reasoning-Verhalten offenlegen, und die unterstützten Parameter umfassen zu diesem Zweck include_reasoning und reasoning. Es basiert auf einem Mixture-of-Experts-Design, das OpenAI als geringere Latenz für Sicherheitsaufgaben bietend beschreibt.

Diese Eigenschaften deuten auf eine ziemlich spezifische Gruppe von Anwendungen hin. Inhaltsklassifizierung ist die klarste: Text senden und nach einer Kategorie oder einem Label fragen. LLM-Filterung folgt aus derselben Idee, wobei das Modell beurteilt, ob die Eingabe oder Ausgabe eines anderen Modells durchgelassen werden sollte. Trust-and-Safety-Workflows, einschließlich Moderationsprüfungen und richtlinienorientierter Überprüfung, passen zu der Beschreibung, die OpenAI gibt. Das lange Kontextfenster bedeutet, dass Sie große Dokumente, Transkripte oder Stapel von Inhalten in einer einzigen Anfrage übergeben können, anstatt sie zuerst aufzuteilen, und die große Ausgabeobergrenze unterstützt detaillierte Labels, Erklärungen oder strukturierte Ergebnisse.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "openai/gpt-oss-safeguard-20b" auf. Da die Schnittstelle OpenAI-kompatibel ist, funktionieren bestehende OpenAI-Client-Bibliotheken und Anfrageformen, wenn nur die Basis-URL und die Modell-ID geändert werden. Die unterstützten Anfrageparameter sind include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools und top_p. In der Praxis bedeutet das, dass Sie die Stichprobenauswahl mit temperature und top_p steuern, die Ausgabe mit max_tokens begrenzen, Stop-Sequenzen verwenden, Läufe mit seed reproduzierbar machen, strukturierte oder JSON-artige Ausgabe über response_format und structured_outputs anfordern und dem Modell Tools mit tools und tool_choice geben können. Die Parameter reasoning und include_reasoning lassen Sie entscheiden, ob Reasoning-Inhalt in der Antwort sichtbar gemacht wird.

Es gibt keine angegebenen Einschränkungen in den Fakten über die Modalität und die Kontextgrenzen hinaus, sodass das Hauptkriterium die Eignung ist. Eingabe und Ausgabe sind nur Text, wenn Sie also Bild- oder Audioverarbeitung benötigen, ist dieses Modell nicht die richtige Wahl. Wenn Ihre Aufgabe allgemeine Konversation oder Generierung statt sicherheitsorientierter Klassifizierung und Filterung ist, könnte ein Allzweckmodell besser zu Ihnen passen. Für Klassifizierung, Filterung und Vertrauensarbeit, bei der Sie Reasoning offengelegt und einen langen Kontext wünschen, ist dieses Modell ein vernünftiger Kandidat zum Testen.