OpenAI: gpt-oss-safeguard-20b

O OpenAI gpt-oss-safeguard-20b é um modelo de raciocínio de segurança da OpenAI, construído sobre o gpt-oss-20b. É um modelo de pesos abertos com 21B parâmetros numa arquitetura Mixture-of-Experts (MoE), e a OpenAI posiciona-o para trabalho relacionado com segurança, como classificação de conteúdo, filtragem de LLM e tarefas orientadas para a confiança. Foi lançado pelo fornecedor em 2025-10-29 e situa-se na categoria de texto em api14.

O modelo recebe texto como entrada e devolve texto como saída. Tem uma janela de contexto de 131072 tokens e um máximo de saída de 65536 tokens, o que deixa bastante espaço para entradas longas juntamente com uma resposta gerada substancial. Por ser um modelo de raciocínio, pode expor o seu comportamento de raciocínio, e os parâmetros suportados incluem include_reasoning e reasoning para esse efeito. É construído sobre um design Mixture-of-Experts, que a OpenAI descreve como oferecendo menor latência para tarefas de segurança.

Essas características apontam para um conjunto bastante específico de utilizações. A classificação de conteúdo é a mais clara: enviar texto e pedir uma categoria ou rótulo. A filtragem de LLM decorre da mesma ideia, em que o modelo avalia se a entrada ou a saída de outro modelo deve passar. Fluxos de trabalho de confiança e segurança, incluindo verificações ao estilo de moderação e revisão orientada por políticas, encaixam na descrição que a OpenAI dá. A longa janela de contexto significa que pode passar documentos grandes, transcrições ou lotes de conteúdo num único pedido em vez de os dividir primeiro, e o elevado limite de saída suporta rótulos detalhados, explicações ou resultados estruturados.

Chama o modelo através da API compatível com OpenAI do api14 usando o id de modelo "openai/gpt-oss-safeguard-20b". Como a interface é compatível com OpenAI, as bibliotecas de cliente OpenAI existentes e as formas de pedido funcionam apenas com a alteração do URL base e do id de modelo. Os parâmetros de pedido suportados são include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools e top_p. Na prática, isso significa que pode controlar a amostragem com temperature e top_p, limitar a saída com max_tokens, usar sequências de stop, tornar as execuções reproduzíveis com seed, pedir saída estruturada ou ao estilo JSON através de response_format e structured_outputs, e fornecer ferramentas ao modelo com tools e tool_choice. Os parâmetros reasoning e include_reasoning permitem-lhe decidir se o conteúdo de raciocínio é apresentado na resposta.

Não há limitações declaradas nos factos para além da modalidade e dos limites de contexto, por isso o principal a ponderar é a adequação. A entrada e a saída são apenas texto, por isso se precisar de tratamento de imagem ou áudio este modelo não é a escolha certa. Se a sua tarefa for conversação geral ou geração em vez de classificação e filtragem orientadas para segurança, um modelo de propósito geral pode servir-lhe melhor. Para classificação, filtragem e trabalho de confiança onde quer o raciocínio exposto e um contexto longo, este modelo é um candidato razoável para testar.