OpenAI's safety classification model (20B). Policy reasoning, content filtering, risk analysis, and justification generation.
gpt-oss-safeguard-20b от OpenAI — open-weight модель безопасности, дообученная на базе gpt-oss-20b и выпущенная 29 октября 2025 года под лицензией Apache 2.0. Она классифицирует текстовый контент на основе политик безопасности, предоставленных разработчиком во время инференса — гораздо более гибкий подход, чем обучение отдельных классификаторов для каждой категории риска. Модель использует цепь рассуждений (с настраиваемым усилием: низкий/средний/высокий) и выводит результаты в формате Harmony от OpenAI.
Модель имеет 21B общих параметров (3.6B активных, MoE-архитектура), что позволяет запускать её на одном GPU с 16 ГБ — идеально для локальных или изолированных пайплайнов безопасности. Она подходит платформам, которым нужно модерировать контент по быстро меняющимся собственным политикам без переобучения классификаторов. Модель принимает два входа одновременно — политику (правила на естественном языке) и подлежащий классификации контент — и выводит обоснованное заключение.
| Тип | Ставка |
|---|---|
| Вход | $0.0756 за 1 млн токенов |
| Выход | $0.216 за 1 млн токенов |
| Дата релиза | 29 октября 2025 г.openai.com ↗ | проверено |
| Лицензия | Apache 2.0huggingface.co ↗ | проверено |
| Архитектура | 21B всего, 3.6B активных параметров (MoE)github.com ↗ | проверено |
| Базовая модель | gpt-oss-20bopenai.com ↗ | проверено |
| Требования к GPU | Помещается на один GPU с ≥16 ГБ VRAMhuggingface.co ↗ | проверено |
| Формат ответа | Формат Harmony (обязателен) — структурированные каналы рассуждений и классификацииgithub.com ↗ | проверено |
| Размер весов | 13.8 ГБ (FP16)huggingface.co ↗ | проверено |
| Дата отсечения данных | Не раскрыто (наследует дату отсечения gpt-oss-20b) | неизвестно |
| Benchmark | Distribution | Score | Source |
|---|---|---|---|
Multi-policy accuracy (internal eval) Оценка на одновременной классификации по нескольким политикам — верный ответ требует совпадения со всеми эталонными метками | Outperforms gpt-5-thinking and gpt-oss | openai.com ↗ | |
2022 Moderation Evaluation Set Оценка по внутренним политикам безопасности. Разница с Safety Reasoner статистически незначима | Slightly outperforms internal Safety Reasoner and gpt-5-thinking | openai.com ↗ | |
ToxicChat Оценка по короткому промпту, адаптированному из внутренних политик. Меньший размер модели ожидаемо уступает лёгким классификаторам | Marginally behind gpt-5-thinking and Safety Reasoner | openai.com ↗ |
Для новых интеграций используйте глобальный endpoint api.therouter.ai из примеров ниже; старый China accelerated endpoint выведен из эксплуатации.
curl https://api.therouter.ai/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer $THE_ROUTER_API_KEY" -d '{
"model": "openai/gpt-oss-safeguard-20b",
"messages": [
{"role": "user", "content": "Summarize the key points from this input."}
]
}'Модели gpt-oss-safeguard используют формат Harmony от OpenAI. Передайте политику и контент в сообщении пользователя. Модель вернёт структурированные рассуждения и заключение.
curl https://api.therouter.ai/v1/chat/completions \
-H "Authorization: Bearer $THEROUTER_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "openai/gpt-oss-safeguard-20b",
"messages": [
{
"role": "system",
"content": "You are a safety classifier. You must respond in the Harmony format."
},
{
"role": "user",
"content": "[POLICY]\nClassify the following user message as:\n- hate_speech: content that attacks or demeans a group based on protected attributes\n- harassment: content that targets an individual with threats or degrading language\n- safe: none of the above\n\n[CONTENT]\nI completely disagree with your opinion on this topic."
}
],
"reasoning_effort": "medium"
}'OpenAI выпустила две open-weight модели безопасности (120B и 20B) под лицензией Apache 2.0, дообученные на базе gpt-oss. Модели принимают политики безопасности от разработчика непосредственно во время инференса для классификации контента без переобучения. Включает технический отчёт, руководство по промптам и партнёрство с ROOST Model Community.
Harmony — это структурированный формат ответов OpenAI для моделей классификации безопасности. Он разделяет рассуждения на отдельные каналы: анализ политики, решение о классификации и обоснование. Модели gpt-oss-safeguard обучены специально для этого формата и не работают правильно без него. Примеры — в руководстве по промптам.
Moderation API использует лёгкие обученные классификаторы с фиксированными политиками. Это быстро и дёшево, но не адаптируется под пользовательские политики без переобучения. gpt-oss-safeguard рассуждает напрямую по любой политике во время инференса — переобучение не требуется — но требует больше вычислений и имеет бо́льшую задержку. На практике многие платформы используют лёгкие классификаторы для первичного фильтра, затем передают отмеченный контент на gpt-oss-safeguard для глубокого анализа.
Да. TheRouter поддерживает gpt-oss-safeguard-20b через стандартный OpenAI-совместимый эндпоинт /v1/chat/completions. Модель требует формат Harmony и не поддерживает tools/tool_choice. См. пример curl выше.
Используйте 'low' для высокопроизводительной предфильтрации, когда скорость важна, а политики просты. 'medium' — значение по умолчанию для большинства production-пайплайнов. 'high' — для сложных нюансированных политик (например, отличия разжигания ненависти от легитимной политической дискуссии) или когда нужна детальная цепь рассуждений для аудита.
| источник | URL | получено | |
|---|---|---|---|
| Дата релиза | openai.com ↗ | 2026-05-29 | проверено |
| Лицензия | huggingface.co ↗ | 2026-05-29 | проверено |
| Архитектура | github.com ↗ | 2026-05-29 | проверено |
| Базовая модель | openai.com ↗ | 2026-05-29 | проверено |
| Требования к GPU | huggingface.co ↗ | 2026-05-29 | проверено |
| Формат ответа | github.com ↗ | 2026-05-29 | проверено |
| Размер весов | huggingface.co ↗ | 2026-05-29 | проверено |
| Дата отсечения данных | — | — | неизвестно |
| Multi-policy accuracy (internal eval) | openai.com ↗ | 2026-05-29 | проверено |
| 2022 Moderation Evaluation Set | openai.com ↗ | 2026-05-29 | проверено |
| ToxicChat | openai.com ↗ | 2026-05-29 | проверено |
| OpenAI выпускает gpt-oss-safeguard — open-weight модели безопасности | openai.com ↗ | 2026-05-29 | проверено |
| Что такое формат Harmony и почему он обязателен? | cookbook.openai.com ↗ | 2026-05-29 | к проверке |
| Чем это отличается от Moderation API OpenAI? | openai.com ↗ | 2026-05-29 | к проверке |
| Какое усилие рассуждений следует использовать? | github.com ↗ | 2026-05-29 | к проверке |