OpenAI: gpt-oss-safeguard-20b

OpenAI gpt-oss-safeguard-20b est un modèle de raisonnement de sûreté d'OpenAI, construit sur gpt-oss-20b. C'est un modèle à poids ouverts avec 21B de paramètres dans une architecture Mixture-of-Experts (MoE), et OpenAI le positionne pour les travaux liés à la sûreté tels que la classification de contenu, le filtrage de LLM et les tâches orientées confiance. Il a été publié par le fournisseur le 2025-10-29 et se situe dans la catégorie texte sur api14.

Le modèle prend du texte en entrée et renvoie du texte en sortie. Il dispose d'une fenêtre de contexte de 131072 tokens et d'une sortie maximale de 65536 tokens, ce qui laisse amplement de place pour de longues entrées accompagnées d'une réponse générée substantielle. Comme il s'agit d'un modèle de raisonnement, il peut exposer son comportement de raisonnement, et les paramètres pris en charge incluent include_reasoning et reasoning à cette fin. Il est construit sur une conception Mixture-of-Experts, qu'OpenAI décrit comme offrant une latence plus faible pour les tâches de sûreté.

Ces caractéristiques indiquent un ensemble d'usages assez spécifique. La classification de contenu est le plus évident : envoyer du texte et demander une catégorie ou un label. Le filtrage de LLM découle de la même idée, où le modèle juge si l'entrée ou la sortie d'un autre modèle doit passer. Les flux de travail de confiance et de sûreté, y compris les contrôles de type modération et l'examen orienté politique, correspondent à la description donnée par OpenAI. La longue fenêtre de contexte signifie que vous pouvez transmettre de gros documents, des transcriptions ou des lots de contenu en une seule requête plutôt que de les découper au préalable, et le plafond de sortie élevé prend en charge des labels détaillés, des explications ou des résultats structurés.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "openai/gpt-oss-safeguard-20b". Comme l'interface est compatible OpenAI, les bibliothèques clientes OpenAI existantes et les formes de requêtes fonctionnent avec seulement l'URL de base et l'identifiant de modèle modifiés. Les paramètres de requête pris en charge sont include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools et top_p. En pratique, cela signifie que vous pouvez contrôler l'échantillonnage avec temperature et top_p, plafonner la sortie avec max_tokens, utiliser des séquences stop, rendre les exécutions reproductibles avec seed, demander une sortie structurée ou de style JSON via response_format et structured_outputs, et fournir des outils au modèle avec tools et tool_choice. Les paramètres reasoning et include_reasoning vous permettent de décider si le contenu de raisonnement est exposé dans la réponse.

Il n'y a pas de limitations déclarées dans les faits au-delà de la modalité et des limites de contexte, donc le principal élément à peser est l'adéquation. L'entrée et la sortie sont uniquement du texte, donc si vous avez besoin de traiter des images ou de l'audio, ce modèle n'est pas le bon choix. Si votre tâche est de la conversation générale ou de la génération plutôt que de la classification et du filtrage orientés sûreté, un modèle à usage général peut mieux vous convenir. Pour la classification, le filtrage et le travail de confiance où vous souhaitez un raisonnement exposé et un long contexte, ce modèle est un candidat raisonnable à tester.