gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.
O lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.
A arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.
A documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.
O produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.
Prepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.
", "aboutText": "gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.\n\nO lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.\n\nA arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.\n\nA documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.\n\nO produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.\n\nPrepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "00fbe203088c91aff1a9c66afdcdd5b6255ca0297476d162803229131dc02517", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "openai/gpt-oss-120b:batchO maior modelo gpt-oss da OpenAI com pesos abertos usa raciocínio com mistura de especialistas para texto, programação e trabalho de agentes. Suporta os níveis de esforço de raciocínio low, medium e high, chamadas de funções e Structured Outputs num ambiente ligado a ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.
O lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.
A arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.
A documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.
O produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.
Prepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObrigatório | Valores e limites /v1/chat/completions | Predefinição— |
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/gpt-oss-120b:batch | Predefinição— |
Camporequests | Tipobatch_item[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Camporequests[].custom_id | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campocompletion_window | Tipostring | RequisitoOpcional | Valores e limites 24h | Predefinição— |
Campoprovider | Tipoobject|null | RequisitoOpcional | Valores e limites | Predefinição— |
Camporequests[].body.model | Tipostring | RequisitoOpcional | Valores e limites openai/gpt-oss-120b:batch, openai/gpt-oss-120b | Predefinição— |
Campoprovider.only | Tipostring[] | RequisitoOpcional | Valores e limites deepinfra/bf16 | Predefinição— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoOpcional | Valores e limites false, null | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratoendpoint, model, requests |
Parâmetromaterial_types | Contratotext |
Parâmetrorepresentation | Contratorequests[] em linha; cada item tem custom_id e body |
Parâmetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parâmetrofile_material | ContratoQuem faz a chamada pode ler localmente o conteúdo JSONL UTF-8 efetivo para requests[]. Não é utilizada qualquer finalidade de carregamento, input_file_id ou referência a ficheiro. Se o material do cliente estiver em falta ou vazio, a preparação é interrompida antes do POST. |
Parâmetroserialization_order | Contratoendpoint, model, provider (se fornecido), completion_window (se fornecido), requests em último lugar |
Parâmetrooptional_controls | Contratoprovider.only, provider.allow_fallbacks, completion_window |
Parâmetroschema_scope | ContratoCorpos de pedidos de texto de Chat Completions na estrutura de lote em linha documentada. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · response.id efetivo da resposta original de criação; mesmo utilizador/chave/grupo
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0000592 / 1K tokens Saída · Tokens de saída $0.000272 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0000592 / 1K tokens Saída · Tokens de saída $0.000272 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 em linha de results[].response.body
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\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve o JSON completo do estado original, todos os resultados/custom_id e o corpo completo da resposta ou do erro. Guarde os results[] concluídos em formato JSONL, sem filtrar.
Preserve o ID original da operação. A resposta 503 result_pending_check inclui X-Should-Retry:false; nunca volte a enviar um lote original de estado desconhecido.
| 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 |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoEstrutura em linha documentada inválida, chaves duplicadas, identidade do item inválida ou conflito com as capacidades configuradas do modelo. | Passo seguinteCorrija os campos indicados antes de qualquer novo envio. |
Resposta401 · authentication_error | CondiçãoChave de API inválida. | Passo seguinteUse a chave Ailoot autorizada. |
Resposta403 · permission_error | CondiçãoGrupo de processamento em lote indisponível. | Passo seguinteVerifique os direitos de acesso da chave/do grupo. |
Resposta422 · invalid_request_error | CondiçãoO processamento em lote usa faturação por débito do saldo; a criação com subscrição é rejeitada. | Passo seguinteUse o grupo autorizado com faturação por débito do saldo. |
Resposta422 · price_unavailable | CondiçãoNão é possível calcular uma estimativa de preço para os dados de entrada do lote. | Passo seguinteConserve a resposta; use os dados de entrada documentados para a família. |
Resposta402 · billing_error | CondiçãoReserva para processamento em lote indisponível. | Passo seguinteResolva a questão da admissão antes de um novo pedido. |
Resposta503 · price_unavailable | CondiçãoPreço do método de processamento em lote/tarifas nativas indisponíveis. | Passo seguinteConserve a resposta; não substitua os preços. |
Resposta503 · api_error | CondiçãoA rota exata do fornecedor está indisponível. | Passo seguinteConserve a resposta para corrigir a rota. |
Resposta503 · result_pending_check | CondiçãoO resultado original requer verificação; X-Should-Retry:false. | Passo seguinteGuarde o operation_id/id original e consulte o respetivo estado; nunca repita o POST original. |
Resposta404 · not_found | CondiçãoA operação de consulta do estado do lote não existe ou pertence a outra identidade. | Passo seguinteUse o id original exato e o mesmo utilizador/chave/grupo. |
Ailoot Ultra openai/gpt-oss-120b:batch
Use os caminhos dos métodos indicados acima.