openai
OpenAI: gpt-oss-120b
openai/gpt-oss-120b
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
openai/gpt-oss-120b es un modelo de texto de OpenAI con pesos abiertos que su documentación describe como un diseño mixture-of-experts de 117B parámetros, con 5,1B activos por pasada. La misma fuente indica licencia Apache 2.0, pesos MXFP4 aptos para una sola GPU de 80 GB, esfuerzo de razonamiento configurable en bajo, medio o alto, acceso completo a la cadena de pensamiento, ajuste fino y funciones agénticas. OpenRouter enumera solo entrada y salida de texto, con razonamiento obligatorio y esfuerzo medio predeterminado. Son capacidades declaradas por las fuentes; no se incluyó validación independiente de cargas de trabajo.[1][2]
Puntos fuertes
- La ficha del modelo declara pesos abiertos bajo Apache 2.0, permiso de despliegue comercial y ajuste fino completo de parámetros, lo que puede facilitar productos personalizados.[2]
- Su diseño MoE activa 5,1B de 117B parámetros por pasada, y la documentación indica que la cuantización MXFP4 permite ejecutarlo en una GPU de 80 GB.[2]
- El esfuerzo de razonamiento configurable, la cadena de pensamiento inspeccionable para depuración, las llamadas a funciones, la navegación web, la ejecución de Python y las salidas estructuradas apoyan flujos de trabajo agénticos.[1][2]
Limitaciones
- OpenRouter enumera únicamente entradas y salidas de texto; las fuentes no establecen compatibilidad con imágenes, audio u otras modalidades.[1]
- La documentación de OpenAI advierte que solo debe usarse con el formato de respuesta harmony y que, de otro modo, no funcionará correctamente.[2]
- El catálogo marca el razonamiento como obligatorio, y el paquete contiene solo documentación del proveedor más datos de catálogo; valide latencia, coste, calidad y seguridad en la carga prevista.[1][2]
Dónde utilizarlo
- Considérelo para despliegues comerciales o autoalojados personalizados cuando importen la licencia Apache 2.0 y el ajuste fino.[2]
- Evalúelo para aplicaciones de texto agénticas que requieran llamadas a funciones, navegación web, ejecución de Python o salidas estructuradas.[1][2]
- Puede encajar en asistentes de producción cuando se aproveche el esfuerzo de razonamiento seleccionable y exista capacidad adecuada de aceleradores.[2]
Fuentes
- [1] OpenRouter catalog · OpenAI: gpt-oss-120bFuentes consultadas: 13 nov 2026
- [2] Model documentation · OpenAI: gpt-oss-120bFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
gpt-oss-120b is an open-weight, 117B-parameter Mixture-of-Experts (MoE) language model from OpenAI designed for high-reasoning, agentic, and general-purpose production use cases. It activates 5.1B parameters per forward pass and is optimized...
Especificaciones
- ID del modelo
- openai/gpt-oss-120b
- Creador
- openai
- Añadido a OpenRouter
- 05.08.2025
- Longitud de contexto
- 131,072
- Modalidad
- text->text
- Modalidades de entrada
- text
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.150 / salida $0.600
- Corte de conocimiento
- 30.06.2024
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | CC — por debajo de la franja B | razonamiento: obligatorio · predeterminado medium · esfuerzos: high, medium, low · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | CC — por debajo de la franja B | — |
| Agentes | CC — por debajo de la franja B | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: obligatorio · predeterminado medium · esfuerzos: high, medium, low · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | — |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 3.8 | CC — por debajo de la franja B | 13.11.2026 |
| Artificial Analysis | Coding index | 30.4 | CC — por debajo de la franja B | 13.11.2026 |
| Artificial Analysis | Agentic index | 3.7 | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 29.4% · posición 129 | 884Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 33.4% · posición 138 | 953Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 43.6% · posición 122 | 985Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 40.5% · posición 127 | 982Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 35.7% · posición 132 | 919Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 32.5% · posición 140 | 961Elo | CC — por debajo de la franja B | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Io Netfp4 | 131,052 | $0.030 | $0.150 | — | — | 70% |
| Near AIfp4 | 131,072 | $0.030 | $0.150 | — | — | 100% |
| Veniceint4 | 128,000 | $0.030 | $0.150 | — | — | 100% |
| CoreWeavefp4 | 131,072 | $0.030 | $0.170 | — | — | 100% |
| DekaLLMbf16 | 131,072 | $0.030 | $0.180 | — | — | 100% |
| AkashMLfp4 | 131,072 | $0.030 | $0.187 | — | — | 100% |
| DeepInfrabf16 | 131,072 | $0.037 | $0.170 | — | — | 100% |
| Crusoebf16 | 131,072 | $0.050 | $0.250 | — | — | 100% |
| Mancer 2fp8 | 131,072 | $0.055 | $0.250 | — | — | 100% |
| PrimeIntellectfp4 | 131,072 | $0.057 | $0.122 | — | — | 100% |
| Sail Researchfp4 | 131,072 | $0.060 | $0.400 | — | — | 100% |
| DigitalOcean | 128,000 | $0.060 | $0.420 | — | — | 100% |
| 131,072 | $0.090 | $0.360 | — | — | 69.57% | |
| BaseTenfp4 | 128,072 | $0.100 | $0.500 | — | — | 100% |
| BaseTenfp4 | 128,072 | $0.100 | $0.500 | — | — | 92.86% |
| Parasailfp4 | 131,072 | $0.100 | $0.750 | — | — | 100% |
| SambaNova | 131,072 | $0.140 | $0.950 | — | — | 100% |
| Amazon Bedrock | 131,072 | $0.150 | $0.600 | — | — | 100% |
| Nebiusfp4 | 131,072 | $0.150 | $0.600 | — | — | 100% |
| Amazon Bedrock | 131,072 | $0.150 | $0.600 | — | — | 100% |
| SiliconFlowfp8 | 131,072 | $0.150 | $0.600 | — | — | 100% |
| Together | 131,072 | $0.150 | $0.600 | — | — | 96.43% |
| Groq | 131,072 | $0.150 | $0.600 | — | — | 100% |
| Parasailfp4 | 131,072 | $0.150 | $0.750 | — | — | 100% |
| DeepInfrafp8 | 131,072 | $0.200 | $0.950 | — | — | 100% |
| Cerebrasfp16 | 131,072 | $0.350 | $0.750 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
- Amazon publica SGLang-Neuron para servir modelos en AWS TrainiumSGLang-Neuron, desarrollado por RadixArk en colaboración con Annapurna Labs, ya está disponible públicamente a través de un AWS Deep Learning Container para servir modelos y generar rollouts de aprendizaje por refuerzo con SGLang en AWS Trainium.
- Cuatro opciones de solicitud de Amazon Bedrock que afectan al costo de inferenciaUn artículo de AWS muestra cómo la duración de la caché, el nivel de servicio, el esfuerzo de razonamiento y maxTokens modifican los tokens y las tarifas en Amazon Bedrock, con pruebas en modelos Claude y Nova.