OpenAI: gpt-oss-120b

OpenAI: gpt-oss-120b è un modello linguistico open-weight di OpenAI. È un modello Mixture-of-Experts (MoE) con 117B parametri totali, di cui 5,1B vengono attivati per ogni forward pass. È stato rilasciato dal provider il 2025-08-05 ed è progettato per casi d'uso di produzione ad alto ragionamento, agentici e general-purpose.

Il modello funziona con input testuale e produce output testuale. Ha una finestra di contesto di 131072 token e un output massimo di 117964 token, quindi input lunghi e generazioni lunghe rientrano comodamente in una singola richiesta. Il suo knowledge cutoff è 2024-06-30. In quanto modello MoE attiva solo una frazione dei suoi parametri per ogni forward pass, il che è rilevante se ti interessa come il modello viene servito e non solo il suo output.

Poiché è costruito per il ragionamento e il lavoro agentico, gli impieghi naturali sono i compiti in cui il modello deve riflettere su un problema prima di rispondere: analisi multi-step, pianificazione e flussi di lavoro guidati da strumenti. I parametri per tool e structured output lo rendono utilizzabile come nucleo di ragionamento di un agente che chiama funzioni o restituisce JSON. Anche la generazione di testo general-purpose, il riassunto e la risposta a domande su documenti lunghi derivano dalla grande finestra di contesto e dall'interfaccia solo testuale.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando il model id "openai/gpt-oss-120b". I parametri di richiesta supportati sono 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 e top_p. Il comportamento di ragionamento è controllato tramite i parametri reasoning, reasoning_effort e include_reasoning, e l'uso degli strumenti tramite tools e tool_choice. Il campionamento può essere regolato con temperature, top_p, top_k, min_p, top_a, i parametri di penalità e seed, mentre response_format e structured_outputs coprono le risposte strutturate.

Due vincoli meritano attenzione prima di impegnarti. Input e output sono solo testuali, quindi se la tua applicazione deve inviare o ricevere immagini o audio, questo modello non è adatto. Il knowledge cutoff del 2024-06-30 significa anche che il modello non ha alcuna consapevolezza integrata di ciò che è accaduto dopo quella data, quindi per domande su eventi recenti dovresti fornire le informazioni nel prompt o tramite strumenti.