gpt‑oss‑20b è un modello di ragionamento open weight ad alte prestazioni e bassa latenza. Il livello di ragionamento è configurabile (basso, medio, alto) per adattare la profondità dell’analisi alla criticità del task. Supporta function calling, output JSON strutturato e streaming per workflow automatizzati e agenti intelligenti. L’architettura Mixture of Experts attiva 3,6 miliardi di parametri su 21 miliardi, offrendo efficienza di calcolo senza sacrificare la qualità delle risposte.
Panoramica
Specifiche tecniche
- SEDE DEL PROVIDER: Extra UE
- PARAMETRI: 21,5B (3,6B attivi)
- CONTESTO MAX: 131K token
- LICENZA: Apache 2.0
- FUNZIONALITÀ: Function calling, Reasoning
- OUTPUT FORMATS: Raw_text, Json_object, Json_schema
Casi d'uso
- Analisi documentale avanzata
- Agenti intelligenti con function calling
- Classificazione e triage automatico
- Estrazione strutturata di dati
Esempi di implementazione
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
}
}
Alternative nel catalogo
Costo
0,0237 €
+ IVA / 1M token (input)
0,1146 €
+ IVA / 1M token (output)