¿Qué es gpt-oss-safeguard?
gpt-oss-safeguard es una pareja de clasificadores de seguridad de pesos abiertos de OpenAI, publicada el 29 de octubre de 2025 y ajustada a partir de gpt-oss. El modelo 20b tiene 21B parámetros con 3.6B activos y cabe en una GPU de 16 GB; el 120b tiene 117B con 5.1B activos. Son una versión abierta del Safety Reasoner que OpenAI usa dentro de sus propios productos.
En lugar de categorías fijas, aportas tu propia política escrita con cada petición y el modelo razona sobre ella antes de dar una etiqueta. La cadena de pensamiento completa es visible, lo que permite a los revisores ver por qué se marcó algo. El esfuerzo de razonamiento puede fijarse en bajo, medio o alto para equilibrar precisión y latencia. Ambos modelos deben usarse con el formato de prompt harmony de OpenAI.
Los pesos son Apache 2.0 en Hugging Face, sin acceso restringido. Se lanzaron con ROOST, la organización sin ánimo de lucro de seguridad en línea, que mantiene una comunidad para profesionales que usan modelos de seguridad abiertos. El 20b se descargó 20,754 veces en el último mes.
¿Cuánto cuesta gpt-oss-safeguard?
| Plan | Precio | Qué incluye |
|---|---|---|
| gpt-oss-safeguard-20b | Free | 21B parámetros, 3.6B activos; GPU de 16 GB |
| gpt-oss-safeguard-120b | Free | 117B parámetros, 5.1B activos |
Pesos abiertos gratuitos bajo Apache 2.0 en Hugging Face; autoalojado. El 20b cabe en una GPU de 16 GB; el 120b puntúa más alto en la prueba multipolítica de OpenAI.
¿Merece la pena gpt-oss-safeguard?
gpt-oss-safeguard traslada la moderación del entrenamiento a la escritura. Un equipo de confianza y seguridad puede publicar una norma nueva por la mañana y aplicarla por la tarde, con una justificación escrita para cada decisión. Las guardas de tipo clasificador no pueden hacerlo sin nuevos datos etiquetados.
Las cifras de la propia OpenAI son modestas, y lo dice con honestidad. En su prueba interna multipolítica, donde todas las etiquetas de varias políticas deben ser correctas, el 120b obtiene un 46.3% y el 20b un 43.6%, por delante de gpt-5-thinking con un 43.2% pero por detrás del Safety Reasoner interno de OpenAI con un 52.2%. En el conjunto público ToxicChat, el 20b alcanza un 79.9% de F1 y el 120b un 79.3%, algo por detrás de gpt-5-thinking con un 81.0%; ambos logran un 82.9% en el conjunto de moderación de OpenAI de 2022.
El informe técnico es claro sobre los límites. Los clasificadores entrenados con decenas de miles de ejemplos etiquetados siguen funcionando mejor en categorías complejas, los modelos son más lentos y pesados que los clasificadores tradicionales, y el razonamiento visible puede contener contenido alucinado que no coincide con la política aplicada de verdad. El patrón de la propia OpenAI es pasar primero clasificadores rápidos y enviar solo una parte del tráfico al modelo de razonamiento.
Frente a Shieldstral 3B de Mistral, que también recibe políticas en tiempo de ejecución y obtiene más o menos el mismo F1 de seguridad de texto en las pruebas de Mistral, gpt-oss-safeguard es mucho mayor pero te muestra su razonamiento. Ese intercambio encaja con colas de revisión y apelaciones, donde una explicación compensa la espera.
Dónde se gana su sitio
Una responsable de confianza y seguridad en un marketplace ante un nuevo tipo de anuncio fraudulento
Aplicar una norma nueva esta semana, antes de que existan ejemplos etiquetados
Escribe la norma como política con ejemplos, pasa el 20b por los anuncios señalados con esfuerzo de razonamiento medio y lee la justificación en los desacuerdos para afinar la redacción.
Un equipo de operaciones de moderación que gestiona apelaciones de usuarios
Dar a los revisores un motivo escrito junto a cada decisión automática
Vuelve a pasar los casos apelados por el 120b con esfuerzo de razonamiento alto y adjunta la cadena de pensamiento al caso, sin olvidar la advertencia de OpenAI de que puede contener contenido alucinado.
Un ingeniero de plataforma con un clasificador rápido ya en producción
Añadir matices para el contenido límite sin ralentizar cada petición
Mantén el clasificador en todo el tráfico y envía solo las puntuaciones dudosas a gpt-oss-safeguard, el patrón por capas que OpenAI describe para sus propios sistemas.
Antes de decidirte
- Puesta en marcha
- Descarga openai/gpt-oss-safeguard-20b o -120b de Hugging Face, sírvelo con un motor compatible con gpt-oss y el formato harmony, y aporta tu política como describe la guía de prompts del cookbook de OpenAI.
- Integraciones
- La misma pila de servicio que gpt-oss; una guía para redactar políticas en el cookbook de OpenAI; la ROOST Model Community para compartir políticas y opiniones.
- Datos y privacidad
- Autoalojado, así que el contenido se queda en tu hardware. Apache 2.0 permite el uso comercial.
- Coste a escala
- Sin tarifa de API. El 20b funciona en una GPU de 16 GB; cada comprobación genera tokens de razonamiento, así que el coste y la latencia suben con el esfuerzo de razonamiento y la longitud de la política.
- Límites
- Solo texto; la ficha no indica la longitud de contexto; formato harmony obligatorio; OpenAI recomienda los gpt-oss normales para cualquier tarea que no sea clasificación de seguridad.
Lo bueno
- Políticas escritas en lenguaje llano y cambiadas sin reentrenar
- Razonamiento visible en cada decisión
- Esfuerzo de razonamiento ajustable: bajo, medio o alto
- Apache 2.0, sin acceso restringido; el 20b cabe en una GPU de 16 GB
Lo malo
- Más lento y pesado que los clasificadores dedicados
- Queda por detrás de clasificadores entrenados con grandes conjuntos etiquetados en categorías complejas
- El razonamiento puede ser alucinado
- Solo funciona con el formato de prompt harmony
Ideal para
Equipos de confianza y seguridad que escriben y revisan sus propias políticas y necesitan una explicación junto a cada decisión.
Alternativas a gpt-oss-safeguard
gpt-oss-safeguard: preguntas frecuentes
- ¿Merece la pena gpt-oss-safeguard?
- La herramienta adecuada cuando tu política de moderación cambia más deprisa de lo que puedes etiquetar datos de entrenamiento, y la equivocada para revisar cada mensaje con baja latencia. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta gpt-oss-safeguard?
- Pesos abiertos gratuitos bajo Apache 2.0 en Hugging Face; autoalojado. El 20b cabe en una GPU de 16 GB; el 120b puntúa más alto en la prueba multipolítica de OpenAI.
- ¿Qué inconvenientes tiene gpt-oss-safeguard?
- Más lento y pesado que los clasificadores dedicados; queda por detrás de clasificadores entrenados con grandes conjuntos etiquetados en categorías complejas; el razonamiento puede ser alucinado; solo funciona con el formato de prompt harmony.
- ¿Para quién es gpt-oss-safeguard?
- Equipos de confianza y seguridad que escriben y revisan sus propias políticas y necesitan una explicación junto a cada decisión.
- ¿Cuánto cuesta gpt-oss-safeguard para un equipo o en producción?
- Sin tarifa de API. El 20b funciona en una GPU de 16 GB; cada comprobación genera tokens de razonamiento, así que el coste y la latencia suben con el esfuerzo de razonamiento y la longitud de la política.
- ¿Es gpt-oss-safeguard seguro para los datos de la empresa?
- Autoalojado, así que el contenido se queda en tu hardware. Apache 2.0 permite el uso comercial.
- ¿Cuáles son las mejores alternativas a gpt-oss-safeguard?
- Las alternativas más cercanas que hemos analizado son Shieldstral 1.0 3B, Granite Guardian 4.1 8B y Qwen3Guard.
Respuestas comprobadas el 6 nov 2026.
¿Desarrollas gpt-oss-safeguard? Muestra esta nota en tu web
