OpenAI: gpt-oss-120b

OpenAI : gpt-oss-120b est un modèle de langage à poids ouverts d'OpenAI. C'est un modèle Mixture-of-Experts (MoE) avec 117B de paramètres au total, dont 5,1B sont activés par passe avant. Il a été publié par le fournisseur le 2025-08-05 et est conçu pour des cas d'usage de production à haut raisonnement, agentiques et polyvalents.

Le modèle fonctionne avec une entrée texte et produit une sortie texte. Il dispose d'une fenêtre de contexte de 131072 tokens et d'une sortie maximale de 117964 tokens, de sorte que les entrées longues et les générations longues tiennent toutes deux confortablement dans une seule requête. Sa date limite de connaissances est le 2024-06-30. En tant que modèle MoE, il n'active qu'une fraction de ses paramètres par passe avant, ce qui est pertinent si vous vous intéressez à la façon dont le modèle est servi plutôt qu'à sa seule sortie.

Parce qu'il est conçu pour le raisonnement et le travail agentique, les adéquations naturelles sont les tâches où le modèle doit réfléchir à un problème avant de répondre : analyse multi-étapes, planification et flux de travail pilotés par outils. Les paramètres d'outils et de sortie structurée le rendent utilisable comme cœur de raisonnement d'un agent qui appelle des fonctions ou renvoie du JSON. La génération de texte polyvalente, le résumé et la réponse à des questions sur de longs documents découlent également de la grande fenêtre de contexte et de l'interface texte uniquement.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "openai/gpt-oss-120b". Les paramètres de requête pris en charge sont 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 et top_p. Le comportement de raisonnement est contrôlé via les paramètres reasoning, reasoning_effort et include_reasoning, et l'utilisation d'outils via tools et tool_choice. L'échantillonnage peut être ajusté avec temperature, top_p, top_k, min_p, top_a, les paramètres de pénalité et seed, tandis que response_format et structured_outputs couvrent les réponses structurées.

Deux contraintes méritent d'être notées avant de vous engager. L'entrée et la sortie sont uniquement du texte, donc si votre application doit envoyer ou recevoir des images ou de l'audio, ce modèle n'est pas le bon choix. La date limite de connaissances du 2024-06-30 signifie également que le modèle n'a aucune connaissance intégrée de quoi que ce soit après cette date, donc pour les questions sur des événements récents, vous devriez fournir l'information dans le prompt ou via des outils.