OpenAI: gpt-oss-safeguard-20b

OpenAI gpt-oss-safeguard-20b es un modelo de razonamiento de seguridad de OpenAI, construido sobre gpt-oss-20b. Es un modelo de pesos abiertos con 21B parámetros en una arquitectura de Mezcla de Expertos (MoE), y OpenAI lo posiciona para trabajo relacionado con seguridad, como clasificación de contenido, filtrado de LLM y tareas orientadas a la confianza. Fue lanzado por el proveedor el 2025-10-29 y se ubica en la categoría de texto en api14.

El modelo toma texto como entrada y devuelve texto como salida. Tiene una ventana de contexto de 131072 tokens y una salida máxima de 65536 tokens, lo que deja amplio espacio para entradas largas junto con una respuesta generada sustancial. Debido a que es un modelo de razonamiento, puede exponer su comportamiento de razonamiento, y los parámetros soportados incluyen include_reasoning y reasoning para ese propósito. Está construido sobre un diseño de Mezcla de Expertos, que OpenAI describe como una oferta de menor latencia para tareas de seguridad.

Esas características apuntan a un conjunto bastante específico de usos. La clasificación de contenido es el más claro: enviar texto y pedir una categoría o etiqueta. El filtrado de LLM se deriva de la misma idea, donde el modelo juzga si la entrada o salida de otro modelo debe pasar. Los flujos de trabajo de confianza y seguridad, incluidos los controles de estilo de moderación y la revisión orientada a políticas, encajan en la descripción que da OpenAI. La ventana de contexto larga significa que puedes pasar documentos grandes, transcripciones o lotes de contenido en una sola solicitud en lugar de dividirlos primero, y el techo de salida grande admite etiquetas detalladas, explicaciones o resultados estructurados.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "openai/gpt-oss-safeguard-20b". Debido a que la interfaz es compatible con OpenAI, las bibliotecas de cliente de OpenAI existentes y las formas de solicitud funcionan con solo cambiar la URL base y el id de modelo. Los parámetros de solicitud soportados son include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools y top_p. En la práctica, eso significa que puedes controlar el muestreo con temperature y top_p, limitar la salida con max_tokens, usar secuencias de parada, hacer ejecuciones reproducibles con seed, solicitar salida estructurada o de estilo JSON a través de response_format y structured_outputs, y dar herramientas al modelo con tools y tool_choice. Los parámetros reasoning e include_reasoning te permiten decidir si el contenido de razonamiento se muestra en la respuesta.

No hay limitaciones declaradas en los hechos más allá de la modalidad y los límites de contexto, así que lo principal a sopesar es el encaje. La entrada y la salida son solo texto, así que si necesitas manejo de imágenes o audio este modelo no es la elección correcta. Si tu tarea es conversación general o generación en lugar de clasificación y filtrado orientados a seguridad, un modelo de propósito general podría convenirte mejor. Para trabajo de clasificación, filtrado y confianza donde quieres razonamiento expuesto y un contexto largo, este modelo es un candidato razonable para probar.