Bolehkah saya jalankan gpt-oss-safeguard-20b secara tempatan?

Ya — beratnya terbuka di bawah lesen Apache 2.0 dan tersedia di Hugging Face. Dengan 3.6B parameter aktif dan keperluan 16 GB VRAM, ia berjalan pada satu GPU pengguna.

Berapa kosnya, dan berapa panjang tetingkap konteks?

Melalui API ia berharga $0.07 setiap sejuta token input dan $0.30 setiap sejuta token output, dengan tetingkap konteks 131,072 token.

Bagaimana ia berbeza daripada gpt-oss-safeguard-120b?

Varian 20b mempunyai 21B parameter total dengan 3.6B aktif, muat dalam 16 GB VRAM, dan menukar sedikit kapasiti untuk latensi lebih rendah; varian 120b mempunyai 117B parameter total dengan 5.1B aktif dan adalah pilihan ketepatan lebih tinggi untuk beban kerja keselamatan yang menuntut.

Gpt oss safeguard 20b

5272°

#llm #openai #penalaran #pengekstrakan data #tempatan #bajet

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

OpenAI | konteks 131,072 token | $0.07/M input, $0.30/M output. gpt-oss-safeguard-20b adalah model penalaran keselamatan dari OpenAI yang dibina berdasarkan gpt-oss-20b. Model Mixture-of-Experts (MoE) 21B-parameter dengan berat terbuka ini menawarkan latensi lebih rendah untuk tugasan keselamatan seperti pengelasan kandungan, penapisan LLM, dan pelabelan kepercayaan & keselamatan. Ketahui lebih lanjut tentang model ini dalam panduan pengguna gpt-oss-safeguard OpenAIOpens in new tab.

Panduan untuk model ini

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

gpt-oss-safeguard-20b adalah model penalaran keselamatan Mixture-of-Experts 21B parameter dari OpenAI, dibina khusus untuk pengelasan kandungan, penapisan input-output LLM, dan pelabelan kepercayaan-dan-keselamatan. Ia adalah adik kepada gpt-oss-safeguard-120b, dengan hanya 3.6B parameter aktif semasa inferens, dan muat pada GPU 16 GB VRAM. Jika tugas anda adalah menguatkuasakan polisi kandungan dan bukan penjanaan serba guna, ini adalah model yang perlu digunakan.

Dikenali untuk

Menerima polisi keselamatan bertulis anda secara langsung, menggeneralisasi merentasi produk tanpa kejuruteraan khusus.
Mendedahkan rantai pemikiran penuh, menjadikan keputusan polisi boleh diaudit dan dibaiki.
Usaha penalaran boleh dikonfigurasi (rendah, sederhana, tinggi) membolehkan anda menukar latensi dengan ketelitian.
Lesen Apache 2.0: penggunaan komersial, pengubahsuaian dan pengedaran semula dibenarkan.
Muat pada satu GPU 16 GB VRAM walaupun dengan 21B parameter.

Berhati-hati dengan

Memerlukan format respons harmony; ia tidak akan berfungsi dengan betul dengan prompt standard.
Direka khusus untuk tugas keselamatan — OpenAI secara eksplisit mengesyorkan model gpt-oss untuk selainnya.
Output rantai pemikiran mentah ditujukan untuk pembangun dan pengamal keselamatan, bukan pengguna akhir.

Terbaik untuk

Penalaran

Pengekstrakan data

Jalankan secara tempatan

Bajet

Arahan untuk cuba

Klasifikasi mengikut polisi anda

Anda adalah moderator kandungan. Platform saya melarang keganasan grafik, arahan mencederakan diri, dan gangguan bertarget. Semak komen yang dihantar pengguna berikut dan klasifikasikan sebagai SELAMAT, BATAS, atau MELANGGAR, kemudian terangkan alasan anda langkah demi langkah. Komen: "Anda patut hilang saja. Tiada siapa yang akan merindui anda dan saya tahu di mana anda tinggal."

Tapis output LLM

Polisi saya: respons tidak boleh mengandungi nasihat dos perubatan, kesimpulan undang-undang, atau cadangan kewangan. Model bahasa menghasilkan respons berikut. Tentukan sama ada ia melanggar mana-mana kategori ini, kenal pasti pelanggaran spesifik jika ada, dan cadangkan penulisan semula yang mematuhi. Respons: "Berdasarkan simptom anda, anda harus mengambil 800 mg ibuprofen setiap enam jam selama lima hari."

Pelabelan kepercayaan-dan-keselamatan secara pukal

Label setiap daripada lima pos forum berikut sebagai salah satu: SELAMAT, SPAM, KATA-KATA KEBENCIAN, MAKLUMAT SALAH, atau GANGGUAN. Untuk setiap label, berikan justifikasi satu ayat. Gunakan polisi ini: kandungan yang merendahkan orang berdasarkan ciri dilindungi adalah kata-kata kebencian; dakwaan kesihatan palsu adalah maklumat salah. 1. "Beli pengikut murah sekarang!" 2. "Orang dari negara itu secara genetik rendah." 3. "Vaksin menyebabkan autisme, doktor hanya menyembunyikannya." 4. "Resipi hebat, terima kasih kerana berkongsi." 5. "Saya akan cari alamat anda dan buat anda menyesal."

Bandingkan dengan

GPT-5.4 Nano
Model hanya API
konteks 400,000 token · Input $0.20/M, output $1.25/M
GPT-5.6 Luna
Model hanya API
konteks 1,050,000 token · Input $0.20/M, output $1.20/M
GPT-5 Nano
Model hanya API
konteks 400,000 token · Input $0.05/M, output $0.40/M
Solar Pro 4
Model hanya API
konteks 524,288 token · Input $0.09/M, output $0.36/M

Lebih banyak model teks dari openai

Soalan yang sering ditanya

Bolehkah saya jalankan gpt-oss-safeguard-20b secara tempatan?: Ya — beratnya terbuka di bawah lesen Apache 2.0 dan tersedia di Hugging Face. Dengan 3.6B parameter aktif dan keperluan 16 GB VRAM, ia berjalan pada satu GPU pengguna.
Berapa kosnya, dan berapa panjang tetingkap konteks?: Melalui API ia berharga $0.07 setiap sejuta token input dan $0.30 setiap sejuta token output, dengan tetingkap konteks 131,072 token.
Bagaimana ia berbeza daripada gpt-oss-safeguard-120b?: Varian 20b mempunyai 21B parameter total dengan 3.6B aktif, muat dalam 16 GB VRAM, dan menukar sedikit kapasiti untuk latensi lebih rendah; varian 120b mempunyai 117B parameter total dengan 5.1B aktif dan adalah pilihan ketepatan lebih tinggi untuk beban kerja keselamatan yang menuntut.

Keputusan Kapten
Pengelasan keselamatan berat terbuka yang jarang dengan lesen permisif — benar-benar berguna jika pengawalan kandungan adalah masalah sebenar anda.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Nemotron 3 Nano 30B A3B

TEXT / LLM

L3.3 70B Euryale v2.3

TEXT / LLM

gemma 2 9b it

TEXT / LLM

Qwen3 Coder 480B A35B Instruct Turbo

TEXT / LLM

Model AI untuk penjanaan imej, video dan teks

Gpt oss safeguard 20b ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm openai penalaran pengekstrakan data tempatan bajet

Layari mengikut keluarga model