OpenAI: gpt-oss-120b

OpenAI: gpt-oss-120b es un modelo de lenguaje de pesos abiertos de OpenAI. Es un modelo de Mezcla de Expertos (MoE) con 117B parámetros totales, de los cuales 5.1B se activan por pase hacia adelante. Fue lanzado por el proveedor el 2025-08-05 y está diseñado para casos de uso de producción de alto razonamiento, agénticos y de propósito general.

El modelo trabaja con entrada de texto y produce salida de texto. Tiene una ventana de contexto de 131072 tokens y una salida máxima de 117964 tokens, por lo que tanto las entradas largas como las generaciones largas caben cómodamente dentro de una sola solicitud. Su fecha de corte de conocimiento es 2024-06-30. Como modelo MoE, activa solo una fracción de sus parámetros por pase hacia adelante, lo cual es relevante si te importa cómo se sirve el modelo y no solo su salida.

Debido a que está construido para razonamiento y trabajo agéntico, los encajes naturales son tareas donde el modelo tiene que pensar un problema antes de responder: análisis de varios pasos, planificación y flujos de trabajo impulsados por herramientas. Los parámetros de herramientas y salida estructurada lo hacen utilizable como el núcleo de razonamiento de un agente que llama funciones o devuelve JSON. La generación de texto de propósito general, el resumen y la respuesta a preguntas sobre documentos largos también se derivan de la gran ventana de contexto y la interfaz solo de texto.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "openai/gpt-oss-120b". Los parámetros de solicitud admitidos son frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_a, top_k, top_logprobs y top_p. El comportamiento de razonamiento se controla mediante los parámetros reasoning, reasoning_effort e include_reasoning, y el uso de herramientas mediante tools y tool_choice. El muestreo se puede ajustar con temperature, top_p, top_k, min_p, top_a, los parámetros de penalización y seed, mientras que response_format y structured_outputs cubren las respuestas estructuradas.

Vale la pena señalar dos restricciones antes de comprometerte. La entrada y la salida son solo texto, así que si tu aplicación necesita enviar o recibir imágenes o audio, este modelo no es el adecuado. La fecha de corte de conocimiento de 2024-06-30 también significa que el modelo no tiene conocimiento incorporado de nada posterior a esa fecha, así que para preguntas sobre eventos recientes tendrías que proporcionar la información en el prompt o mediante herramientas.