gpt‑oss‑20b es un modelo de razonamiento open weight de alto rendimiento y baja latencia. Su nivel configurable (bajo, medio, alto) adapta la profundidad del análisis a la criticidad de la tarea. Admite function calling, salidas JSON estructuradas y streaming para flujos automatizados y agentes inteligentes. Su arquitectura Mixture of Experts activa 3,6 mil millones de parámetros de 21 mil millones, ofreciendo eficiencia de cálculo sin sacrificar la calidad de las respuestas.
Descripción general
Especificaciones técnicas
- SEDE DEL PROVEEDOR: Fuera de la UE
- PARÁMETROS: 21,5B (3,6B activos)
- CONTEXTO MÁX.: 131K token
- LICENCIA: Apache 2.0
- FUNCIONALIDADES: Function calling, Razonamiento
- FORMATOS DE SALIDA: Raw_text, Json_object, Json_schema
Casos de uso
- Análisis documental avanzado
- Agentes inteligentes con function calling
- Clasificación y triaje automáticos
- Extracción estructurada de datos
Ejemplos de implementación
Input
curl --request POST \
--url https://apiaruba.it/aiplatform/v1/chat/completions \
--header 'content-type: application/json' \
--header 'x-aruba-api-key: *****' \
--data '{
"model": "gpt-oss-20b",
"messages": [
{
"role": "system",
"content": "Sei un assistente conciso."
},
{
"role": "user",
"content": "Spiega cos'\''è un embedding."
}
],
"temperature": 0.7,
"max_tokens": 1000
}'
Output
{
"id": "chatcmpl-9abcc998-9e21-4fca-b610-f280e96b0f79",
"created": 1787560923,
"model": "gpt-oss-20b",
"object": "chat.completion",
"system_fingerprint": "vllm-0.24.0-c6d97d58",
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "Un **embedding** è una rappresentazione numerica (vettore) di un oggetto (parola, frase, immagine, nodo, ecc.) in uno spazio continuo. \n- Permette di trasformare dati discreti o categorici in numeri che i modelli di machine‑learning possono elaborare. \n- Gli embedding cercano di mantenere relazioni semantiche: elementi simili ottengono vettori vicini. \n- Esempi: Word2Vec/GloVe per parole, BERT per frasi, embeddings grafici per nodi di rete.",
"role": "assistant",
"reasoning_content": "We need to produce concise answer in Italian. The user says: \"Spiega cos'è un embedding.\" We need to explain what an embedding is. They want concise. So something like: \"Un embedding è una rappresentazione vettoriale di un elemento (parole, immagini, ecc.) in uno spazio continuo per permettere algoritmi di machine learning di operare su di esso.\" Provide definition, purpose, examples: word embeddings like Word2Vec, GloVe, sentence embeddings, etc. Keep concise.\n\nLet's answer in Italian concisely.",
"provider_specific_fields": {
"reasoning": "We need to produce concise answer in Italian. The user says: \"Spiega cos'è un embedding.\" We need to explain what an embedding is. They want concise. So something like: \"Un embedding è una rappresentazione vettoriale di un elemento (parole, immagini, ecc.) in uno spazio continuo per permettere algoritmi di machine learning di operare su di esso.\" Provide definition, purpose, examples: word embeddings like Word2Vec, GloVe, sentence embeddings, etc. Keep concise.\n\nLet's answer in Italian concisely.",
"refusal": null
}
},
"provider_specific_fields": {}
}
],
"usage": {
"completion_tokens": 245,
"prompt_tokens": 89,
"total_tokens": 334
}
}
Alternativas en el catálogo
Coste
0,0237 €
+ IVA / 1M token (input)
0,1146 €
+ IVA / 1M token (output)