OpenAI: gpt-oss-120b (batch)

OpenAI: gpt-oss-120b (batch) es un modelo de lenguaje de pesos abiertos de OpenAI. Es un modelo de Mezcla de Expertos (MoE) con 117 mil millones de parámetros totales, de los cuales 5.1 mil millones se activan por pase forward. Fue lanzado por el proveedor el 2025-08-05 y se sitúa en la categoría de texto. El sufijo "batch" en el id del modelo indica la variante batch de este modelo tal como se sirve en api14.

El modelo recibe texto y devuelve texto, con una ventana de contexto de 131,072 tokens y una salida máxima de 117,964 tokens. Su fecha de corte de conocimiento es 2024-06-30. Está diseñado para casos de uso de producción de alto razonamiento, agénticos y de propósito general, y admite controles de razonamiento, por lo que puedes decidir cuánto esfuerzo de razonamiento aplica el modelo y si el contenido de razonamiento se incluye en la respuesta.

Esas capacidades apuntan a un conjunto bastante amplio de usos prácticos. El contexto largo y la gran salida máxima son adecuados para tareas de análisis, resumen y generación de documentos largos donde tanto la entrada como la respuesta son grandes. El enfoque en razonamiento y capacidades agénticas lo hace una opción razonable para resolución de problemas de varios pasos, flujos de trabajo impulsados por herramientas y extracción estructurada, ya que admite llamadas a herramientas y salidas estructuradas. La generación de texto de propósito general, como el trabajo de redacción y transformación, también se deriva de su diseño de texto de entrada y texto de salida.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id del modelo "openai/gpt-oss-120b:batch". Como la interfaz es compatible con OpenAI, las bibliotecas cliente de OpenAI existentes y las formas de solicitud funcionan con él. Los parámetros de solicitud admitidos son 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 y top_p. Los controles de muestreo (temperature, top_p, top_k, min_p, las penalizaciones, seed y stop), los límites de salida (max_tokens), los controles de razonamiento (reasoning, reasoning_effort, include_reasoning) y el uso estructurado y de herramientas (response_format, structured_outputs, tools, tool_choice) están todos disponibles, por lo que puedes ajustar tanto la forma como el determinismo de las respuestas.

Una cosa a tener en cuenta es la modalidad: la entrada y la salida son solo texto, así que si tu tarea depende de imágenes o audio, este modelo no es la opción adecuada. La fecha de corte de conocimiento del 2024-06-30 también significa que cualquier cosa posterior a esa fecha queda fuera de sus datos de entrenamiento, y deberías proporcionar información reciente en el prompt o mediante herramientas donde sea importante. Dentro de esos límites, la combinación de una ventana de contexto grande, una salida máxima grande y soporte de razonamiento más herramientas cubre la mayoría de las cargas de trabajo de producción de texto.