OpenAI: gpt-oss-safeguard-20b

OpenAI gpt-oss-safeguard-20b är en säkerhetsresonerande modell från OpenAI, byggd ovanpå gpt-oss-20b. Det är en modell med öppna vikter och 21B parametrar i en Mixture-of-Experts-arkitektur (MoE), och OpenAI positionerar den för säkerhetsrelaterat arbete såsom innehållsklassificering, LLM-filtrering och förtroendeinriktade uppgifter. Den släpptes av leverantören 2025-10-29 och finns i textkategorin på api14.

Modellen tar text som indata och returnerar text som utdata. Den har ett kontextfönster på 131072 tokens och en maximal utdata på 65536 tokens, vilket lämnar gott om utrymme för långa indata tillsammans med ett omfattande genererat svar. Eftersom det är en resonerande modell kan den visa sitt resonemang, och de stödda parametrarna inkluderar include_reasoning och reasoning för detta ändamål. Den är byggd på en Mixture-of-Experts-design, som OpenAI beskriver som att den erbjuder lägre latens för säkerhetsuppgifter.

Dessa egenskaper pekar mot en ganska specifik uppsättning användningsområden. Innehållsklassificering är det tydligaste: att skicka text och be om en kategori eller etikett. LLM-filtrering följer av samma idé, där modellen bedömer huruvida en annan modells indata eller utdata bör släppas igenom. Arbetsflöden för förtroende och säkerhet, inklusive modereringsliknande kontroller och policyinriktad granskning, passar den beskrivning OpenAI ger. Det långa kontextfönstret innebär att du kan skicka stora dokument, transkriptioner eller partier av innehåll i en enda begäran i stället för att dela upp dem först, och det stora utdatataket stöder detaljerade etiketter, förklaringar eller strukturerade resultat.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "openai/gpt-oss-safeguard-20b". Eftersom gränssnittet är OpenAI-kompatibelt fungerar befintliga OpenAI-klientbibliotek och begäransformat med endast bas-URL och modell-id ändrade. De stödda begäransparametrarna är include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools och top_p. I praktiken innebär det att du kan styra sampling med temperature och top_p, begränsa utdata med max_tokens, använda stoppsekvenser, göra körningar reproducerbara med seed, begära strukturerad eller JSON-liknande utdata via response_format och structured_outputs, samt ge modellen verktyg med tools och tool_choice. Parametrarna reasoning och include_reasoning låter dig avgöra huruvida resonemangsinnehåll visas i svaret.

Det finns inga angivna begränsningar i faktaunderlaget utöver modalitet och kontextgränser, så det viktigaste att väga är lämplighet. Indata och utdata är endast text, så om du behöver hantering av bild eller ljud är denna modell inte rätt val. Om din uppgift är allmän konversation eller generering snarare än säkerhetsinriktad klassificering och filtrering kan en allmän modell passa dig bättre. För klassificering, filtrering och förtroendearbete där du vill ha resonemanget synligt och en lång kontext är denna modell en rimlig kandidat att testa.