gpt-oss-safeguard-20b ist OpenAIs Reasoning-Modell mit offenen Gewichten für Sicherheitsaufgaben. Es klassifiziert Text anhand einer bei der Inferenz bereitgestellten Richtlinie. Es wurde auf Basis von gpt-oss-20b feinabgestimmt und ist für Sicherheitsaufgaben wie das Filtern von Modelleingaben und -ausgaben oder das Kennzeichnen von Online- und Offline-Inhalten vorgesehen. Die Eingabe verbindet eine schriftliche Richtlinie mit Inhalten; das Ergebnis ist eine Klassifikation mit der angeforderten Erklärung.
Die Richtlinie ist Teil der Anfrage und keine fest in den Klassifikator eingebaute Taxonomie. Dadurch kann ein Produkt seine Definitionen oder Kriterien ändern, ohne das Modell für jede Richtlinienänderung erneut zu trainieren. Ein beispielhafter Auftrag ist die Prüfung einer Nachricht anhand einer Gemeinschaftsregel: Stellen Sie Regel, Nachricht und Entscheidungsformat bereit und fordern Sie die zutreffende Kategorie sowie eine kurze, auf die Richtlinie bezogene Begründung an.
OpenAIs Leitfaden empfiehlt, Richtlinien-Prompts in Anweisungen, Definitionen, Kriterien und Beispiele zu gliedern. Definieren Sie sowohl regelwidrige als auch zulässige Inhalte. Klären Sie, welche Regel bei widersprüchlichen Kriterien Vorrang hat, und geben Sie Beispiele nahe der Entscheidungsgrenze. Legen Sie das abschließende Format wörtlich fest: eine binäre Kennzeichnung, eine Kategorienliste oder eine Entscheidung in JSON-Form mit Regelverweisen. Eine knappe Begründung kann die Richtliniengrundlage benennen, ohne die interne Analyse des Modells wiederzugeben.
Der Hersteller nennt für diese Edition insgesamt 21 Milliarden Parameter und 3,6 Milliarden aktive Parameter. Die genaue veröffentlichte Konfiguration legt ein maximales Positionsfenster von 131.072 Token fest. Das Modell unterstützt die Reasoning-Stufen low, medium und high; der Leitfaden nennt medium als Standard. OpenAI verlangt das Harmony-Format, das den Reasoning-Kanal vom Kanal für die abschließende Klassifikation trennt. Die ungefilterten internen Denkprozesse des Modells sind für Entwickler und Fachleute für Sicherheitsaufgaben vorgesehen, nicht für allgemeine Endnutzer.
Der Leitfaden empfiehlt als Ausgangspunkt eine knappe Richtlinie von etwa 400–600 Token. Die tatsächliche Länge richtet sich dabei nach den benötigten Definitionen und Fällen. Er unterstützt die Prüfung mehrerer Richtlinien in einer Anfrage; der Hersteller weist darauf hin, dass zusätzliche Richtlinien die Klassifikationsgenauigkeit verringern können. Lassen Sie Platz für die Modellanalyse und die abschließende Entscheidung und prüfen Sie, ob Beispiele und Ausgabeanweisungen die vorgesehenen Grenzfälle abdecken.
Die Veröffentlichung nennt zwei praktische Grenzen: Ein spezialisierter Klassifikator, der mit vielen hochwertigen gekennzeichneten Beispielen trainiert wurde, kann bei einigen komplexen Risiken besser abschneiden. Zudem kann das Schlussfolgern anhand von Richtlinien mehr Zeit und Rechenleistung beanspruchen als ein kleinerer Klassifikator. Nutzen Sie die zurückgegebene Entscheidung im Prüfprozess der Anwendung, mit einem klaren Vorgehen für mehrdeutige Fälle. Ein nützliches Ergebnis hält die bereitgestellte Richtlinienversion, die Klassifikation, die relevante Regel und eine kurze Begründung fest. So lässt es sich mit der Richtlinie vergleichen und überarbeiten, wenn sich deren Definitionen ändern.
", "aboutText": "gpt-oss-safeguard-20b ist OpenAIs Reasoning-Modell mit offenen Gewichten für Sicherheitsaufgaben. Es klassifiziert Text anhand einer bei der Inferenz bereitgestellten Richtlinie. Es wurde auf Basis von gpt-oss-20b feinabgestimmt und ist für Sicherheitsaufgaben wie das Filtern von Modelleingaben und -ausgaben oder das Kennzeichnen von Online- und Offline-Inhalten vorgesehen. Die Eingabe verbindet eine schriftliche Richtlinie mit Inhalten; das Ergebnis ist eine Klassifikation mit der angeforderten Erklärung.\n\nDie Richtlinie ist Teil der Anfrage und keine fest in den Klassifikator eingebaute Taxonomie. Dadurch kann ein Produkt seine Definitionen oder Kriterien ändern, ohne das Modell für jede Richtlinienänderung erneut zu trainieren. Ein beispielhafter Auftrag ist die Prüfung einer Nachricht anhand einer Gemeinschaftsregel: Stellen Sie Regel, Nachricht und Entscheidungsformat bereit und fordern Sie die zutreffende Kategorie sowie eine kurze, auf die Richtlinie bezogene Begründung an.\n\nOpenAIs Leitfaden empfiehlt, Richtlinien-Prompts in Anweisungen, Definitionen, Kriterien und Beispiele zu gliedern. Definieren Sie sowohl regelwidrige als auch zulässige Inhalte. Klären Sie, welche Regel bei widersprüchlichen Kriterien Vorrang hat, und geben Sie Beispiele nahe der Entscheidungsgrenze. Legen Sie das abschließende Format wörtlich fest: eine binäre Kennzeichnung, eine Kategorienliste oder eine Entscheidung in JSON-Form mit Regelverweisen. Eine knappe Begründung kann die Richtliniengrundlage benennen, ohne die interne Analyse des Modells wiederzugeben.\n\nDer Hersteller nennt für diese Edition insgesamt 21 Milliarden Parameter und 3,6 Milliarden aktive Parameter. Die genaue veröffentlichte Konfiguration legt ein maximales Positionsfenster von 131.072 Token fest. Das Modell unterstützt die Reasoning-Stufen low, medium und high; der Leitfaden nennt medium als Standard. OpenAI verlangt das Harmony-Format, das den Reasoning-Kanal vom Kanal für die abschließende Klassifikation trennt. Die ungefilterten internen Denkprozesse des Modells sind für Entwickler und Fachleute für Sicherheitsaufgaben vorgesehen, nicht für allgemeine Endnutzer.\n\nDer Leitfaden empfiehlt als Ausgangspunkt eine knappe Richtlinie von etwa 400–600 Token. Die tatsächliche Länge richtet sich dabei nach den benötigten Definitionen und Fällen. Er unterstützt die Prüfung mehrerer Richtlinien in einer Anfrage; der Hersteller weist darauf hin, dass zusätzliche Richtlinien die Klassifikationsgenauigkeit verringern können. Lassen Sie Platz für die Modellanalyse und die abschließende Entscheidung und prüfen Sie, ob Beispiele und Ausgabeanweisungen die vorgesehenen Grenzfälle abdecken.\n\nDie Veröffentlichung nennt zwei praktische Grenzen: Ein spezialisierter Klassifikator, der mit vielen hochwertigen gekennzeichneten Beispielen trainiert wurde, kann bei einigen komplexen Risiken besser abschneiden. Zudem kann das Schlussfolgern anhand von Richtlinien mehr Zeit und Rechenleistung beanspruchen als ein kleinerer Klassifikator. Nutzen Sie die zurückgegebene Entscheidung im Prüfprozess der Anwendung, mit einem klaren Vorgehen für mehrdeutige Fälle. Ein nützliches Ergebnis hält die bereitgestellte Richtlinienversion, die Klassifikation, die relevante Regel und eine kurze Begründung fest. So lässt es sich mit der Richtlinie vergleichen und überarbeiten, wenn sich deren Definitionen ändern.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Classify under an explicit community rule\n\nApply policy P1. Output labels are PERMITTED and VIOLATION. Rule R1: Unsolicited offers to sell goods are violations; asking how to repair a purchased item is permitted. Example: "How do I replace this handle?" is PERMITTED. Classify: "Buy my spare handles today; message me for prices." Return policy_id, label, rule_id and one sentence explaining the policy match.A decision record containing policy_id, one of the two supplied labels, the applicable rule_id and a concise policy-grounded rationale.Check that the label follows the supplied sales-offer criterion and that no additional taxonomy or internal reasoning trace is returned.openai/gpt-oss-safeguard-20bEin Reasoning-Modell von OpenAI für Sicherheitsaufgaben, das Text anhand einer von der Anwendung bereitgestellten Richtlinie klassifiziert. Nutzen Sie klare Definitionen, Kriterien und Beispiele, um eine Kennzeichnung, die relevanten Regeln der Richtlinie und eine knappe Begründung für einen Moderations- oder Prüfablauf zu erhalten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
gpt-oss-safeguard-20b ist OpenAIs Reasoning-Modell mit offenen Gewichten für Sicherheitsaufgaben. Es klassifiziert Text anhand einer bei der Inferenz bereitgestellten Richtlinie. Es wurde auf Basis von gpt-oss-20b feinabgestimmt und ist für Sicherheitsaufgaben wie das Filtern von Modelleingaben und -ausgaben oder das Kennzeichnen von Online- und Offline-Inhalten vorgesehen. Die Eingabe verbindet eine schriftliche Richtlinie mit Inhalten; das Ergebnis ist eine Klassifikation mit der angeforderten Erklärung.
Die Richtlinie ist Teil der Anfrage und keine fest in den Klassifikator eingebaute Taxonomie. Dadurch kann ein Produkt seine Definitionen oder Kriterien ändern, ohne das Modell für jede Richtlinienänderung erneut zu trainieren. Ein beispielhafter Auftrag ist die Prüfung einer Nachricht anhand einer Gemeinschaftsregel: Stellen Sie Regel, Nachricht und Entscheidungsformat bereit und fordern Sie die zutreffende Kategorie sowie eine kurze, auf die Richtlinie bezogene Begründung an.
OpenAIs Leitfaden empfiehlt, Richtlinien-Prompts in Anweisungen, Definitionen, Kriterien und Beispiele zu gliedern. Definieren Sie sowohl regelwidrige als auch zulässige Inhalte. Klären Sie, welche Regel bei widersprüchlichen Kriterien Vorrang hat, und geben Sie Beispiele nahe der Entscheidungsgrenze. Legen Sie das abschließende Format wörtlich fest: eine binäre Kennzeichnung, eine Kategorienliste oder eine Entscheidung in JSON-Form mit Regelverweisen. Eine knappe Begründung kann die Richtliniengrundlage benennen, ohne die interne Analyse des Modells wiederzugeben.
Der Hersteller nennt für diese Edition insgesamt 21 Milliarden Parameter und 3,6 Milliarden aktive Parameter. Die genaue veröffentlichte Konfiguration legt ein maximales Positionsfenster von 131.072 Token fest. Das Modell unterstützt die Reasoning-Stufen low, medium und high; der Leitfaden nennt medium als Standard. OpenAI verlangt das Harmony-Format, das den Reasoning-Kanal vom Kanal für die abschließende Klassifikation trennt. Die ungefilterten internen Denkprozesse des Modells sind für Entwickler und Fachleute für Sicherheitsaufgaben vorgesehen, nicht für allgemeine Endnutzer.
Der Leitfaden empfiehlt als Ausgangspunkt eine knappe Richtlinie von etwa 400–600 Token. Die tatsächliche Länge richtet sich dabei nach den benötigten Definitionen und Fällen. Er unterstützt die Prüfung mehrerer Richtlinien in einer Anfrage; der Hersteller weist darauf hin, dass zusätzliche Richtlinien die Klassifikationsgenauigkeit verringern können. Lassen Sie Platz für die Modellanalyse und die abschließende Entscheidung und prüfen Sie, ob Beispiele und Ausgabeanweisungen die vorgesehenen Grenzfälle abdecken.
Die Veröffentlichung nennt zwei praktische Grenzen: Ein spezialisierter Klassifikator, der mit vielen hochwertigen gekennzeichneten Beispielen trainiert wurde, kann bei einigen komplexen Risiken besser abschneiden. Zudem kann das Schlussfolgern anhand von Richtlinien mehr Zeit und Rechenleistung beanspruchen als ein kleinerer Klassifikator. Nutzen Sie die zurückgegebene Entscheidung im Prüfprozess der Anwendung, mit einem klaren Vorgehen für mehrdeutige Fälle. Ein nützliches Ergebnis hält die bereitgestellte Richtlinienversion, die Klassifikation, die relevante Regel und eine kurze Begründung fest. So lässt es sich mit der Richtlinie vergleichen und überarbeiten, wenn sich deren Definitionen ändern.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-oss-safeguard-20b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00015 / 1K Token Ausgabe · Ausgabetoken $0.0006 / 1K Token Eingabe · Cache-Lesen $0.000075 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00015 / 1K Token Ausgabe · Ausgabetoken $0.0006 / 1K Token Eingabe · Cache-Lesen $0.000075 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-oss-safeguard-20b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-oss-safeguard-20b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-oss-safeguard-20b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/gpt-oss-safeguard-20b
Verwenden Sie die oben angezeigten Methodenpfade.
openai/gpt-oss-safeguard-20bEin Reasoning-Modell von OpenAI für Sicherheitsaufgaben, das Text anhand einer von der Anwendung bereitgestellten Richtlinie klassifiziert. Nutzen Sie klare Definitionen, Kriterien und Beispiele, um eine Kennzeichnung, die relevanten Regeln der Richtlinie und eine knappe Begründung für einen Moderations- oder Prüfablauf zu erhalten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
gpt-oss-safeguard-20b ist OpenAIs Reasoning-Modell mit offenen Gewichten für Sicherheitsaufgaben. Es klassifiziert Text anhand einer bei der Inferenz bereitgestellten Richtlinie. Es wurde auf Basis von gpt-oss-20b feinabgestimmt und ist für Sicherheitsaufgaben wie das Filtern von Modelleingaben und -ausgaben oder das Kennzeichnen von Online- und Offline-Inhalten vorgesehen. Die Eingabe verbindet eine schriftliche Richtlinie mit Inhalten; das Ergebnis ist eine Klassifikation mit der angeforderten Erklärung.
Die Richtlinie ist Teil der Anfrage und keine fest in den Klassifikator eingebaute Taxonomie. Dadurch kann ein Produkt seine Definitionen oder Kriterien ändern, ohne das Modell für jede Richtlinienänderung erneut zu trainieren. Ein beispielhafter Auftrag ist die Prüfung einer Nachricht anhand einer Gemeinschaftsregel: Stellen Sie Regel, Nachricht und Entscheidungsformat bereit und fordern Sie die zutreffende Kategorie sowie eine kurze, auf die Richtlinie bezogene Begründung an.
OpenAIs Leitfaden empfiehlt, Richtlinien-Prompts in Anweisungen, Definitionen, Kriterien und Beispiele zu gliedern. Definieren Sie sowohl regelwidrige als auch zulässige Inhalte. Klären Sie, welche Regel bei widersprüchlichen Kriterien Vorrang hat, und geben Sie Beispiele nahe der Entscheidungsgrenze. Legen Sie das abschließende Format wörtlich fest: eine binäre Kennzeichnung, eine Kategorienliste oder eine Entscheidung in JSON-Form mit Regelverweisen. Eine knappe Begründung kann die Richtliniengrundlage benennen, ohne die interne Analyse des Modells wiederzugeben.
Der Hersteller nennt für diese Edition insgesamt 21 Milliarden Parameter und 3,6 Milliarden aktive Parameter. Die genaue veröffentlichte Konfiguration legt ein maximales Positionsfenster von 131.072 Token fest. Das Modell unterstützt die Reasoning-Stufen low, medium und high; der Leitfaden nennt medium als Standard. OpenAI verlangt das Harmony-Format, das den Reasoning-Kanal vom Kanal für die abschließende Klassifikation trennt. Die ungefilterten internen Denkprozesse des Modells sind für Entwickler und Fachleute für Sicherheitsaufgaben vorgesehen, nicht für allgemeine Endnutzer.
Der Leitfaden empfiehlt als Ausgangspunkt eine knappe Richtlinie von etwa 400–600 Token. Die tatsächliche Länge richtet sich dabei nach den benötigten Definitionen und Fällen. Er unterstützt die Prüfung mehrerer Richtlinien in einer Anfrage; der Hersteller weist darauf hin, dass zusätzliche Richtlinien die Klassifikationsgenauigkeit verringern können. Lassen Sie Platz für die Modellanalyse und die abschließende Entscheidung und prüfen Sie, ob Beispiele und Ausgabeanweisungen die vorgesehenen Grenzfälle abdecken.
Die Veröffentlichung nennt zwei praktische Grenzen: Ein spezialisierter Klassifikator, der mit vielen hochwertigen gekennzeichneten Beispielen trainiert wurde, kann bei einigen komplexen Risiken besser abschneiden. Zudem kann das Schlussfolgern anhand von Richtlinien mehr Zeit und Rechenleistung beanspruchen als ein kleinerer Klassifikator. Nutzen Sie die zurückgegebene Entscheidung im Prüfprozess der Anwendung, mit einem klaren Vorgehen für mehrdeutige Fälle. Ein nützliches Ergebnis hält die bereitgestellte Richtlinienversion, die Klassifikation, die relevante Regel und eine kurze Begründung fest. So lässt es sich mit der Richtlinie vergleichen und überarbeiten, wenn sich deren Definitionen ändern.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-oss-safeguard-20b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00015 / 1K Token Ausgabe · Ausgabetoken $0.0006 / 1K Token Eingabe · Cache-Lesen $0.000075 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00015 / 1K Token Ausgabe · Ausgabetoken $0.0006 / 1K Token Eingabe · Cache-Lesen $0.000075 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-oss-safeguard-20b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-oss-safeguard-20b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-oss-safeguard-20b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/gpt-oss-safeguard-20b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Classify under an explicit community rule\n\nApply policy P1. Output labels are PERMITTED and VIOLATION. Rule R1: Unsolicited offers to sell goods are violations; asking how to repair a purchased item is permitted. Example: "How do I replace this handle?" is PERMITTED. Classify: "Buy my spare handles today; message me for prices." Return policy_id, label, rule_id and one sentence explaining the policy match.A decision record containing policy_id, one of the two supplied labels, the applicable rule_id and a concise policy-grounded rationale.Check that the label follows the supplied sales-offer criterion and that no additional taxonomy or internal reasoning trace is returned.