gpt-oss-safeguard-20b est le modèle à poids ouverts d’OpenAI pour le raisonnement en matière de sécurité et la classification de texte selon une politique fournie au moment de l’inférence. Il est issu d’un ajustement fin de gpt-oss-20b et destiné aux tâches de sécurité comme le filtrage des entrées et sorties de modèles ou l’étiquetage de contenus en ligne et hors ligne. L’entrée combine une politique écrite et du contenu ; le résultat est une classification et l’explication demandée.
La politique fait partie de la requête plutôt que d’une taxonomie fixe intégrée au classificateur. Un produit peut ainsi modifier ses définitions ou ses critères sans réentraîner le modèle à chaque révision de politique. Un exemple de tâche consiste à examiner un message selon une règle de communauté : fournissez la règle, le message et le format de décision, puis demandez la catégorie applicable et une brève justification liée à la politique.
Le guide d’OpenAI recommande d’organiser les prompts de politique en instructions, définitions, critères et exemples. Définissez les contenus interdits et autorisés, précisez quelle règle a priorité lorsque les critères entrent en conflit et fournissez des exemples proches de la frontière de décision. Précisez littéralement le format final : une étiquette binaire, une liste de catégories ou une décision en forme de JSON avec des références aux règles. Une justification concise peut identifier le fondement dans la politique sans reproduire l’analyse interne du modèle.
Le concepteur publie 21 milliards de paramètres au total, dont 3,6 milliards de paramètres actifs pour cette édition. Sa configuration exacte publiée fixe une fenêtre positionnelle maximale de 131 072 tokens. Le modèle prend en charge les niveaux d’effort de raisonnement low, medium et high, avec medium comme valeur par défaut documentée dans le guide. OpenAI exige le format Harmony, qui sépare le canal de raisonnement du canal de classification finale. Le raisonnement interne brut du modèle est destiné aux développeurs et aux professionnels de la sécurité plutôt qu’aux utilisateurs finaux en général.
Le guide suggère de commencer par une politique concise d’environ 400 à 600 tokens, tout en adaptant sa longueur réelle aux définitions et aux cas nécessaires. Il permet d’évaluer plusieurs politiques dans une requête, le concepteur précisant que l’ajout de politiques peut réduire la précision de classification. Gardez de la place pour l’analyse du modèle et la décision finale, et vérifiez si les exemples et les instructions de sortie couvrent les cas limites visés.
La publication identifie deux limites pratiques : un classificateur dédié entraîné sur de nombreux exemples étiquetés de qualité peut mieux traiter certains risques complexes, et le raisonnement sur les politiques peut demander plus de temps et de calcul qu’un classificateur plus petit. Utilisez la décision renvoyée dans le processus de révision de l’application, avec un parcours explicite pour les cas ambigus. Un résultat utile consigne la version de politique fournie, la classification, la règle pertinente et une courte justification, afin de comparer le résultat à la politique et de le réviser lorsque ses définitions changent.
", "aboutText": "gpt-oss-safeguard-20b est le modèle à poids ouverts d’OpenAI pour le raisonnement en matière de sécurité et la classification de texte selon une politique fournie au moment de l’inférence. Il est issu d’un ajustement fin de gpt-oss-20b et destiné aux tâches de sécurité comme le filtrage des entrées et sorties de modèles ou l’étiquetage de contenus en ligne et hors ligne. L’entrée combine une politique écrite et du contenu ; le résultat est une classification et l’explication demandée.\n\nLa politique fait partie de la requête plutôt que d’une taxonomie fixe intégrée au classificateur. Un produit peut ainsi modifier ses définitions ou ses critères sans réentraîner le modèle à chaque révision de politique. Un exemple de tâche consiste à examiner un message selon une règle de communauté : fournissez la règle, le message et le format de décision, puis demandez la catégorie applicable et une brève justification liée à la politique.\n\nLe guide d’OpenAI recommande d’organiser les prompts de politique en instructions, définitions, critères et exemples. Définissez les contenus interdits et autorisés, précisez quelle règle a priorité lorsque les critères entrent en conflit et fournissez des exemples proches de la frontière de décision. Précisez littéralement le format final : une étiquette binaire, une liste de catégories ou une décision en forme de JSON avec des références aux règles. Une justification concise peut identifier le fondement dans la politique sans reproduire l’analyse interne du modèle.\n\nLe concepteur publie 21 milliards de paramètres au total, dont 3,6 milliards de paramètres actifs pour cette édition. Sa configuration exacte publiée fixe une fenêtre positionnelle maximale de 131 072 tokens. Le modèle prend en charge les niveaux d’effort de raisonnement low, medium et high, avec medium comme valeur par défaut documentée dans le guide. OpenAI exige le format Harmony, qui sépare le canal de raisonnement du canal de classification finale. Le raisonnement interne brut du modèle est destiné aux développeurs et aux professionnels de la sécurité plutôt qu’aux utilisateurs finaux en général.\n\nLe guide suggère de commencer par une politique concise d’environ 400 à 600 tokens, tout en adaptant sa longueur réelle aux définitions et aux cas nécessaires. Il permet d’évaluer plusieurs politiques dans une requête, le concepteur précisant que l’ajout de politiques peut réduire la précision de classification. Gardez de la place pour l’analyse du modèle et la décision finale, et vérifiez si les exemples et les instructions de sortie couvrent les cas limites visés.\n\nLa publication identifie deux limites pratiques : un classificateur dédié entraîné sur de nombreux exemples étiquetés de qualité peut mieux traiter certains risques complexes, et le raisonnement sur les politiques peut demander plus de temps et de calcul qu’un classificateur plus petit. Utilisez la décision renvoyée dans le processus de révision de l’application, avec un parcours explicite pour les cas ambigus. Un résultat utile consigne la version de politique fournie, la classification, la règle pertinente et une courte justification, afin de comparer le résultat à la politique et de le réviser lorsque ses définitions changent.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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-20bUn modèle de raisonnement d’OpenAI pour la sécurité qui classe du texte selon une politique fournie par l’application. Utilisez des définitions, des critères et des exemples explicites pour renvoyer une étiquette, les règles de politique pertinentes et une justification concise dans un processus de modération ou de révision.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
gpt-oss-safeguard-20b est le modèle à poids ouverts d’OpenAI pour le raisonnement en matière de sécurité et la classification de texte selon une politique fournie au moment de l’inférence. Il est issu d’un ajustement fin de gpt-oss-20b et destiné aux tâches de sécurité comme le filtrage des entrées et sorties de modèles ou l’étiquetage de contenus en ligne et hors ligne. L’entrée combine une politique écrite et du contenu ; le résultat est une classification et l’explication demandée.
La politique fait partie de la requête plutôt que d’une taxonomie fixe intégrée au classificateur. Un produit peut ainsi modifier ses définitions ou ses critères sans réentraîner le modèle à chaque révision de politique. Un exemple de tâche consiste à examiner un message selon une règle de communauté : fournissez la règle, le message et le format de décision, puis demandez la catégorie applicable et une brève justification liée à la politique.
Le guide d’OpenAI recommande d’organiser les prompts de politique en instructions, définitions, critères et exemples. Définissez les contenus interdits et autorisés, précisez quelle règle a priorité lorsque les critères entrent en conflit et fournissez des exemples proches de la frontière de décision. Précisez littéralement le format final : une étiquette binaire, une liste de catégories ou une décision en forme de JSON avec des références aux règles. Une justification concise peut identifier le fondement dans la politique sans reproduire l’analyse interne du modèle.
Le concepteur publie 21 milliards de paramètres au total, dont 3,6 milliards de paramètres actifs pour cette édition. Sa configuration exacte publiée fixe une fenêtre positionnelle maximale de 131 072 tokens. Le modèle prend en charge les niveaux d’effort de raisonnement low, medium et high, avec medium comme valeur par défaut documentée dans le guide. OpenAI exige le format Harmony, qui sépare le canal de raisonnement du canal de classification finale. Le raisonnement interne brut du modèle est destiné aux développeurs et aux professionnels de la sécurité plutôt qu’aux utilisateurs finaux en général.
Le guide suggère de commencer par une politique concise d’environ 400 à 600 tokens, tout en adaptant sa longueur réelle aux définitions et aux cas nécessaires. Il permet d’évaluer plusieurs politiques dans une requête, le concepteur précisant que l’ajout de politiques peut réduire la précision de classification. Gardez de la place pour l’analyse du modèle et la décision finale, et vérifiez si les exemples et les instructions de sortie couvrent les cas limites visés.
La publication identifie deux limites pratiques : un classificateur dédié entraîné sur de nombreux exemples étiquetés de qualité peut mieux traiter certains risques complexes, et le raisonnement sur les politiques peut demander plus de temps et de calcul qu’un classificateur plus petit. Utilisez la décision renvoyée dans le processus de révision de l’application, avec un parcours explicite pour les cas ambigus. Un résultat utile consigne la version de politique fournie, la classification, la règle pertinente et une courte justification, afin de comparer le résultat à la politique et de le réviser lorsque ses définitions changent.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-oss-safeguard-20b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.000075 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.000075 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra openai/gpt-oss-safeguard-20b
Utilisez les chemins de méthode indiqués ci-dessus.
openai/gpt-oss-safeguard-20bUn modèle de raisonnement d’OpenAI pour la sécurité qui classe du texte selon une politique fournie par l’application. Utilisez des définitions, des critères et des exemples explicites pour renvoyer une étiquette, les règles de politique pertinentes et une justification concise dans un processus de modération ou de révision.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
gpt-oss-safeguard-20b est le modèle à poids ouverts d’OpenAI pour le raisonnement en matière de sécurité et la classification de texte selon une politique fournie au moment de l’inférence. Il est issu d’un ajustement fin de gpt-oss-20b et destiné aux tâches de sécurité comme le filtrage des entrées et sorties de modèles ou l’étiquetage de contenus en ligne et hors ligne. L’entrée combine une politique écrite et du contenu ; le résultat est une classification et l’explication demandée.
La politique fait partie de la requête plutôt que d’une taxonomie fixe intégrée au classificateur. Un produit peut ainsi modifier ses définitions ou ses critères sans réentraîner le modèle à chaque révision de politique. Un exemple de tâche consiste à examiner un message selon une règle de communauté : fournissez la règle, le message et le format de décision, puis demandez la catégorie applicable et une brève justification liée à la politique.
Le guide d’OpenAI recommande d’organiser les prompts de politique en instructions, définitions, critères et exemples. Définissez les contenus interdits et autorisés, précisez quelle règle a priorité lorsque les critères entrent en conflit et fournissez des exemples proches de la frontière de décision. Précisez littéralement le format final : une étiquette binaire, une liste de catégories ou une décision en forme de JSON avec des références aux règles. Une justification concise peut identifier le fondement dans la politique sans reproduire l’analyse interne du modèle.
Le concepteur publie 21 milliards de paramètres au total, dont 3,6 milliards de paramètres actifs pour cette édition. Sa configuration exacte publiée fixe une fenêtre positionnelle maximale de 131 072 tokens. Le modèle prend en charge les niveaux d’effort de raisonnement low, medium et high, avec medium comme valeur par défaut documentée dans le guide. OpenAI exige le format Harmony, qui sépare le canal de raisonnement du canal de classification finale. Le raisonnement interne brut du modèle est destiné aux développeurs et aux professionnels de la sécurité plutôt qu’aux utilisateurs finaux en général.
Le guide suggère de commencer par une politique concise d’environ 400 à 600 tokens, tout en adaptant sa longueur réelle aux définitions et aux cas nécessaires. Il permet d’évaluer plusieurs politiques dans une requête, le concepteur précisant que l’ajout de politiques peut réduire la précision de classification. Gardez de la place pour l’analyse du modèle et la décision finale, et vérifiez si les exemples et les instructions de sortie couvrent les cas limites visés.
La publication identifie deux limites pratiques : un classificateur dédié entraîné sur de nombreux exemples étiquetés de qualité peut mieux traiter certains risques complexes, et le raisonnement sur les politiques peut demander plus de temps et de calcul qu’un classificateur plus petit. Utilisez la décision renvoyée dans le processus de révision de l’application, avec un parcours explicite pour les cas ambigus. Un résultat utile consigne la version de politique fournie, la classification, la règle pertinente et une courte justification, afin de comparer le résultat à la politique et de le réviser lorsque ses définitions changent.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-oss-safeguard-20b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.000075 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.000075 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "openai/gpt-oss-safeguard-20b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra openai/gpt-oss-safeguard-20b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.