gpt-oss-120b es el modelo de lenguaje de mayor tamaño de OpenAI con pesos abiertos para razonamiento de uso general, programación y trabajo de agentes. Recibe y produce texto. El fabricante publica 117 mil millones de parámetros totales, con 5,1 mil millones de parámetros activos por token en una arquitectura de mezcla de expertos. Es la edición 120b de la familia, distinta de gpt-oss-20b y de los modelos Safeguard especializados.
La documentación de la versión describe un conjunto de entrenamiento formado solo por texto, mayoritariamente en inglés, centrado en STEM, programación y conocimientos generales. Una tarea ilustrativa consiste en analizar un algoritmo a partir de su código y las condiciones indicadas: explicar las relaciones importantes, comparar posibles soluciones y producir una propuesta concreta de implementación. Para una decisión basada en un documento, proporciona el material y los criterios, y pide después una conclusión vinculada a las pruebas aportadas.
La arquitectura publicada de OpenAI tiene 36 capas, 128 expertos y cuatro expertos activos por token. La versión original utiliza MXFP4 para los pesos de la mezcla de expertos y describe el funcionamiento del modelo en una sola GPU de 80 GB. OpenAI publica los pesos bajo Apache 2.0 y admite el ajuste fino para usos especializados. Son propiedades del modelo y el formato publicados por el proveedor, no una descripción del despliegue concreto de una aplicación.
La documentación del modelo indica una ventana de contexto de 131.072 tokens y una salida generada máxima de 131.072 tokens, con una fecha de corte de conocimientos del 1 de junio de 2024. La entrada, el razonamiento y la salida deben caber en el contexto disponible. Los niveles de razonamiento admitidos son low, medium y high, lo que permite pedir una respuesta breve en un diálogo o un análisis más profundo. OpenAI exige el formato Harmony, que separa el análisis interno de la respuesta final; el fabricante indica que el análisis sin procesar está destinado a desarrolladores y no a mostrarse directamente a los usuarios finales.
El proveedor documenta llamadas a funciones, navegación web, ejecución de código Python mediante herramientas y Structured Outputs. Su ficha también incluye respuestas en flujo, con funciones, un intérprete de código, MCP y búsqueda en el entorno de herramientas documentado. Las aplicaciones proporcionan operaciones, ejecutan sus acciones y devuelven resultados reales. Un cálculo o una búsqueda pueden convertirse en pruebas para otro paso de razonamiento, mientras que una solicitud de herramienta propuesta sigue siendo distinta de una operación ya ejecutada.
Prepara un objetivo claro, las definiciones y el entregable final útil: una explicación, una propuesta de código, una fórmula o un conjunto estructurado de hallazgos. Identifica qué hechos deben conservarse durante una transformación y cómo debe representarse la información ausente. Una respuesta final útil relaciona su conclusión con las condiciones proporcionadas y los resultados reales de las herramientas, si los hay. Para una consulta posterior, incorpora a la siguiente solicitud las pruebas importantes y la decisión que aún debe tomarse.
", "aboutText": "gpt-oss-120b es el modelo de lenguaje de mayor tamaño de OpenAI con pesos abiertos para razonamiento de uso general, programación y trabajo de agentes. Recibe y produce texto. El fabricante publica 117 mil millones de parámetros totales, con 5,1 mil millones de parámetros activos por token en una arquitectura de mezcla de expertos. Es la edición 120b de la familia, distinta de gpt-oss-20b y de los modelos Safeguard especializados.\n\nLa documentación de la versión describe un conjunto de entrenamiento formado solo por texto, mayoritariamente en inglés, centrado en STEM, programación y conocimientos generales. Una tarea ilustrativa consiste en analizar un algoritmo a partir de su código y las condiciones indicadas: explicar las relaciones importantes, comparar posibles soluciones y producir una propuesta concreta de implementación. Para una decisión basada en un documento, proporciona el material y los criterios, y pide después una conclusión vinculada a las pruebas aportadas.\n\nLa arquitectura publicada de OpenAI tiene 36 capas, 128 expertos y cuatro expertos activos por token. La versión original utiliza MXFP4 para los pesos de la mezcla de expertos y describe el funcionamiento del modelo en una sola GPU de 80 GB. OpenAI publica los pesos bajo Apache 2.0 y admite el ajuste fino para usos especializados. Son propiedades del modelo y el formato publicados por el proveedor, no una descripción del despliegue concreto de una aplicación.\n\nLa documentación del modelo indica una ventana de contexto de 131.072 tokens y una salida generada máxima de 131.072 tokens, con una fecha de corte de conocimientos del 1 de junio de 2024. La entrada, el razonamiento y la salida deben caber en el contexto disponible. Los niveles de razonamiento admitidos son low, medium y high, lo que permite pedir una respuesta breve en un diálogo o un análisis más profundo. OpenAI exige el formato Harmony, que separa el análisis interno de la respuesta final; el fabricante indica que el análisis sin procesar está destinado a desarrolladores y no a mostrarse directamente a los usuarios finales.\n\nEl proveedor documenta llamadas a funciones, navegación web, ejecución de código Python mediante herramientas y Structured Outputs. Su ficha también incluye respuestas en flujo, con funciones, un intérprete de código, MCP y búsqueda en el entorno de herramientas documentado. Las aplicaciones proporcionan operaciones, ejecutan sus acciones y devuelven resultados reales. Un cálculo o una búsqueda pueden convertirse en pruebas para otro paso de razonamiento, mientras que una solicitud de herramienta propuesta sigue siendo distinta de una operación ya ejecutada.\n\nPrepara un objetivo claro, las definiciones y el entregable final útil: una explicación, una propuesta de código, una fórmula o un conjunto estructurado de hallazgos. Identifica qué hechos deben conservarse durante una transformación y cómo debe representarse la información ausente. Una respuesta final útil relaciona su conclusión con las condiciones proporcionadas y los resultados reales de las herramientas, si los hay. Para una consulta posterior, incorpora a la siguiente solicitud las pruebas importantes y la decisión que aún debe tomarse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "33e00d86df0583cdbb0e9346e9abe0b00153dd4e17617fad509697f4e7a335fd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "openai/gpt-oss-120b:batchEl modelo gpt-oss de mayor tamaño de OpenAI, con pesos abiertos, utiliza razonamiento con mezcla de expertos para texto, programación y trabajo de agentes. Admite los niveles de esfuerzo de razonamiento low, medium y high, llamadas a funciones y Structured Outputs en un entorno conectado a herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
gpt-oss-120b es el modelo de lenguaje de mayor tamaño de OpenAI con pesos abiertos para razonamiento de uso general, programación y trabajo de agentes. Recibe y produce texto. El fabricante publica 117 mil millones de parámetros totales, con 5,1 mil millones de parámetros activos por token en una arquitectura de mezcla de expertos. Es la edición 120b de la familia, distinta de gpt-oss-20b y de los modelos Safeguard especializados.
La documentación de la versión describe un conjunto de entrenamiento formado solo por texto, mayoritariamente en inglés, centrado en STEM, programación y conocimientos generales. Una tarea ilustrativa consiste en analizar un algoritmo a partir de su código y las condiciones indicadas: explicar las relaciones importantes, comparar posibles soluciones y producir una propuesta concreta de implementación. Para una decisión basada en un documento, proporciona el material y los criterios, y pide después una conclusión vinculada a las pruebas aportadas.
La arquitectura publicada de OpenAI tiene 36 capas, 128 expertos y cuatro expertos activos por token. La versión original utiliza MXFP4 para los pesos de la mezcla de expertos y describe el funcionamiento del modelo en una sola GPU de 80 GB. OpenAI publica los pesos bajo Apache 2.0 y admite el ajuste fino para usos especializados. Son propiedades del modelo y el formato publicados por el proveedor, no una descripción del despliegue concreto de una aplicación.
La documentación del modelo indica una ventana de contexto de 131.072 tokens y una salida generada máxima de 131.072 tokens, con una fecha de corte de conocimientos del 1 de junio de 2024. La entrada, el razonamiento y la salida deben caber en el contexto disponible. Los niveles de razonamiento admitidos son low, medium y high, lo que permite pedir una respuesta breve en un diálogo o un análisis más profundo. OpenAI exige el formato Harmony, que separa el análisis interno de la respuesta final; el fabricante indica que el análisis sin procesar está destinado a desarrolladores y no a mostrarse directamente a los usuarios finales.
El proveedor documenta llamadas a funciones, navegación web, ejecución de código Python mediante herramientas y Structured Outputs. Su ficha también incluye respuestas en flujo, con funciones, un intérprete de código, MCP y búsqueda en el entorno de herramientas documentado. Las aplicaciones proporcionan operaciones, ejecutan sus acciones y devuelven resultados reales. Un cálculo o una búsqueda pueden convertirse en pruebas para otro paso de razonamiento, mientras que una solicitud de herramienta propuesta sigue siendo distinta de una operación ya ejecutada.
Prepara un objetivo claro, las definiciones y el entregable final útil: una explicación, una propuesta de código, una fórmula o un conjunto estructurado de hallazgos. Identifica qué hechos deben conservarse durante una transformación y cómo debe representarse la información ausente. Una respuesta final útil relaciona su conclusión con las condiciones proporcionadas y los resultados reales de las herramientas, si los hay. Para una consulta posterior, incorpora a la siguiente solicitud las pruebas importantes y la decisión que aún debe tomarse.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObligatorio | Valores y límites /v1/chat/completions | Predeterminado— |
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-oss-120b:batch | Predeterminado— |
Camporequests | Tipobatch_item[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Camporequests[].custom_id | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campocompletion_window | Tipostring | RequisitoOpcional | Valores y límites 24h | Predeterminado— |
Campoprovider | Tipoobject|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Camporequests[].body.model | Tipostring | RequisitoOpcional | Valores y límites openai/gpt-oss-120b:batch, openai/gpt-oss-120b | Predeterminado— |
Campoprovider.only | Tipostring[] | RequisitoOpcional | Valores y límites deepinfra/bf16 | Predeterminado— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoOpcional | Valores y límites false, null | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratoendpoint, model, requests |
Parámetromaterial_types | Contratotext |
Parámetrorepresentation | Contratorequests[] en la propia solicitud; cada elemento tiene custom_id y body |
Parámetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parámetrofile_material | ContratoEl cliente puede leer localmente el JSONL real en UTF-8 e incorporarlo a requests[]. No se utiliza purpose de carga, input_file_id ni ninguna referencia a archivos. Si falta el material del cliente o está vacío, la preparación se detiene antes del POST. |
Parámetroserialization_order | Contratoendpoint, model, provider (si se proporciona), completion_window (si se proporciona), requests al final |
Parámetrooptional_controls | Contratoprovider.only, provider.allow_fallbacks, completion_window |
Parámetroschema_scope | ContratoCuerpos de Chat Completions de texto incluidos directamente en el contenedor Batch documentado. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · response.id real de la respuesta de creación original; mismo usuario, clave y grupo
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0000592 / 1K tokens Salida · Tokens de salida $0.000272 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0000592 / 1K tokens Salida · Tokens de salida $0.000272 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-oss-120b:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-oss-120b:batch', 'openai/gpt-oss-120b']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-oss-120b:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON de results[].response.body incluido directamente
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el JSON completo del estado original, cada resultado y su custom_id, y el cuerpo completo de la respuesta o del error. Guarda los results[] completados como JSONL sin filtrarlos.
Conserva el ID de la operación original. 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado se desconoce.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl contenedor documentado con contenido incluido directamente no es válido, hay claves duplicadas, la identidad de un elemento no es válida o existe un conflicto con las capacidades configuradas del modelo. | Siguiente pasoCorrige los campos indicados antes de cualquier nuevo envío. |
Respuesta401 · authentication_error | CondiciónClave API no válida. | Siguiente pasoUsa la clave Ailoot autorizada. |
Respuesta403 · permission_error | CondiciónGrupo de Batch no disponible. | Siguiente pasoComprueba los permisos de la clave y del grupo. |
Respuesta422 · invalid_request_error | CondiciónBatch se factura con cargo al saldo; se rechaza su creación con una suscripción. | Siguiente pasoUsa el grupo autorizado que se factura con cargo al saldo. |
Respuesta422 · price_unavailable | CondiciónNo se puede calcular el presupuesto de la entrada de Batch. | Siguiente pasoConserva la respuesta; usa la entrada documentada para la familia. |
Respuesta402 · billing_error | CondiciónReserva de Batch no disponible. | Siguiente pasoResuelve la admisión antes de enviar una nueva solicitud. |
Respuesta503 · price_unavailable | CondiciónPrecio del método Batch o tarifas nativas no disponibles. | Siguiente pasoConserva la respuesta; no sustituyas los precios. |
Respuesta503 · api_error | CondiciónLa ruta exacta del proveedor no está disponible. | Siguiente pasoConserva la respuesta para reparar la ruta. |
Respuesta503 · result_pending_check | CondiciónEl resultado original requiere comprobación; X-Should-Retry:false. | Siguiente pasoConserva el operation_id/id original y consulta su estado; nunca repitas el POST original. |
Respuesta404 · not_found | CondiciónLa operación de consulta de estado de Batch no existe o pertenece a otra identidad. | Siguiente pasoUsa el id original exacto y el mismo usuario, clave y grupo. |
Ailoot Ultra openai/gpt-oss-120b:batch
Usa las rutas de método indicadas arriba.