gpt-oss-120b

gpt‑oss‑120b est le modèle le plus puissant de la famille gpt‑oss. Avec 117 milliards de paramètres au total et 5,1 milliards actifs, il est conçu pour le raisonnement approfondi, l’exécution précise d’instructions multi-étapes et les workflows agentiques complexes. Sa fenêtre de contexte de 131 072 tokens permet de traiter de longs documents, des analyses détaillées et des conversations prolongées. Il prend en charge function calling, JSON structuré et streaming.

• SIÈGE DU FOURNISSEUR: Hors UE
• PARAMÈTRES: 117B (5,1B actifs)
• CONTEXTE MAX.: 131K token
• LICENCE: Apache 2.0
• FONCTIONNALITÉS: Function calling, Raisonnement
• FORMATS DE SORTIE: Raw_text, Json_object, Json_schema

• Raisonnement multi-étapes sur de longs documents
• Agents autonomes pour décisions complexes
• Analyse juridique et conformité
• Génération de rapports structurés

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-120b",
"messages": [
{
"role": "system",
"content": "Sei un assistente conciso."
},
{
"role": "user",
"content": "Spiega cos'\''è un embedding."
}
],
"temperature": 0.7,
"max_tokens": 1000
}'

{
"id": "chatcmpl-5c3c7148-63df-4255-a49d-b6811f1d326d",
"created": 1787560820,
"model": "gpt-oss-120b",
"object": "chat.completion",
"system_fingerprint": "vllm-0.24.0-0068fb53",
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "Un **embedding** è una rappresentazione numerica (solitamente un vettore di dimensione ridotta) di dati discreti o strutturati (parole, immagini, nodi di un grafo, ecc.) in uno spazio continuo. Lo scopo è catturare le relazioni semantiche o strutturali: elementi simili nel dominio originale hanno vettori vicini nella rappresentazione.\n\n- **Word embedding** (es. Word2Vec, GloVe): mappa parole in vettori dove la distanza riflette similarità di significato.\n- **Image embedding**: estratto da una rete neurale convoluzionale, consente confronti di immagini tramite distanza euclidea o coseno.\n- **Graph embedding**: mappa nodi o interi grafi in vettori per compiti come classificazione o clustering.\n\nGli embedding si apprendono tipicamente tramite reti neurali (auto‑encoder, modelli di language modeling, contrastive learning) o metodi di fattorizzazione matriciale, riducendo la dimensionalità e facilitando l’uso di algoritmi di machine learning tradizionali.",
"role": "assistant",
"reasoning_content": "The user asks in Italian: \"Spiega cos'è un embedding.\" They want explanation of what an embedding is. Concise. So respond in Italian, concise. Probably define embedding in machine learning, vector representation, mapping from discrete to continuous space, examples like word embeddings, image embeddings, etc. Keep concise.",
"provider_specific_fields": {
"reasoning": "The user asks in Italian: \"Spiega cos'è un embedding.\" They want explanation of what an embedding is. Concise. So respond in Italian, concise. Probably define embedding in machine learning, vector representation, mapping from discrete to continuous space, examples like word embeddings, image embeddings, etc. Keep concise.",
"refusal": null
}
},
"provider_specific_fields": {}
}
],
"usage": {
"completion_tokens": 307,
"prompt_tokens": 89,
"total_tokens": 396
}
}

• Qwen3.5‑122B‑A10B

• Hugging Face
• Documentation API
• Blog OpenAI