OpenAI: gpt-oss-120b (batch)
openai/gpt-oss-120b:batch
Pesos del modelogpt-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 to run on a single H100 GPU with native MXFP4 quantization. The model supports configurable reasoning depth, full chain-of-thought access, and native tool use, including function calling, browsing, and structured output generation.
Proveedores
Distintas empresas alojan el mismo modelo. OpenRouter enruta su solicitud a una de ellas según el modo de enrutamiento que elija: Balanced (precio + velocidad), Nitro (el más rápido) o Floor (el más económico).
| 0,0296 US$ | 0,136 US$ | -- | -- |
Entrada 0,0296 US$ / Salida 0,136 US$-- tok/s-- de tiempo de actividad
Precios
El precio medio que los clientes pagan realmente por este modelo, junto a los precios que publican los proveedores. El uso de caché y los descuentos hacen que el precio realmente pagado a menudo sea muy inferior al publicado.
Media ponderada
gpt-oss-120b (batch) — Historial de precios
| 0,00 US$ | 0,00 US$ | 0,0 % | 100,0 % |
- En vigor en 0,00 US$ / Salida efectiva 0,00 US$Proporción de tókenes100,0 %
Rendimiento
La velocidad de generación indica lo rápido que escribe el modelo (tokens por segundo: cuanto mayor, mejor). La latencia es el tiempo total de ida y vuelta (cuanto menor, mejor). TTFT es el tiempo hasta el primer token: cuánto tarda en aparecer algo en pantalla (cuanto menor, mejor).
Tiempo de actividad
El tiempo de actividad es el porcentaje de los últimos 3 días en que al menos un proveedor respondía a las solicitudes. La disponibilidad es el porcentaje de tiempo en que la inferencia se sirvió correctamente. OpenRouter supervisa continuamente y utiliza el siguiente mejor proveedor cuando uno devuelve un error.
Aún no hay suficientes datos de tiempo de actividad para mostrar.
Cuando se produce un error en un proveedor ascendente, podemos recuperarnos enrutando la solicitud a otro proveedor que funcione correctamente, si los filtros de su solicitud lo permiten. Puede acceder mediante programación a los datos de tiempo de actividad de cada proveedor a través de la API de endpoints. Obtenga más información sobre nuestras opciones de equilibrio de carga y enrutamiento de proveedores.
Pruebas de rendimiento
Puntuaciones en evaluaciones estandarizadas y respuestas de este modelo a instrucciones compartidas de las pruebas de referencia. Los porcentajes más altos son mejores, y cada posición indica dónde se sitúa este modelo entre los modelos evaluados en esa fuente.
| Fuente | Prueba de rendimiento | Puntuación |
|---|---|---|
| Artificial Analysis | gpt-oss-120b (High) Intelligence Index | 3,8 |
| Artificial Analysis | gpt-oss-120b (High) Coding Index | 30,4 |
| Artificial Analysis | gpt-oss-120b (High) Agentic Index | 3,7 |
| Artificial Analysis | gpt-oss-120b (High) GPQA Diamond | 78.2% |
| Artificial Analysis | gpt-oss-120b (High) HLE | 19.6% |
| Artificial Analysis | gpt-oss-120b (High) IFBench | 69.0% |
| Artificial Analysis | gpt-oss-120b (High) τ²-Bench Telecom | 65.8% |
| Artificial Analysis | gpt-oss-120b (High) AA-LCR | 52.0% |
| Artificial Analysis | gpt-oss-120b (High) τ-Bench Banking | 12.8% |
| Artificial Analysis | gpt-oss-120b (High) GDPval-AA | 5.8% |
| Artificial Analysis | gpt-oss-120b (High) CritPt | 1.1% |
| Artificial Analysis | gpt-oss-120b (High) LiveCodeBench | 87.8% |
| Artificial Analysis | gpt-oss-120b (High) SciCode | 34.0% |
| Artificial Analysis | gpt-oss-120b (High) Terminal-Bench Hard | 23.5% |
| Artificial Analysis | gpt-oss-120b (High) Terminal-Bench 4.0 | 0.0% |
| Artificial Analysis | gpt-oss-120b (High) Terminal-Bench 2.1 | 26.2% |
| Artificial Analysis | gpt-oss-120b (High) MMLU-Pro | 80.8% |
| Artificial Analysis | gpt-oss-120b (High) AA-Omniscience Accuracy | 21.7% |
| Artificial Analysis | gpt-oss-120b (High) AA-Omniscience Non-Hallucination Rate | 13.1% |
| Artificial Analysis | gpt-oss-120b (High) AIME 2025 | 93.4% |
| Artificial Analysis | gpt-oss-120b (Low) Coding Index | 21,2 |
| Artificial Analysis | gpt-oss-120b (Low) GPQA Diamond | 67.2% |
| Artificial Analysis | gpt-oss-120b (Low) HLE | 5.9% |
| Artificial Analysis | gpt-oss-120b (Low) IFBench | 58.3% |
| Artificial Analysis | gpt-oss-120b (Low) τ²-Bench Telecom | 45.0% |
| Artificial Analysis | gpt-oss-120b (Low) AA-LCR | 46.0% |
| Artificial Analysis | gpt-oss-120b (Low) τ-Bench Banking | 2.9% |
| Artificial Analysis | gpt-oss-120b (Low) GDPval-AA | 0.0% |
| Artificial Analysis | gpt-oss-120b (Low) CritPt | 0.0% |
| Artificial Analysis | gpt-oss-120b (Low) LiveCodeBench | 70.7% |
| Artificial Analysis | gpt-oss-120b (Low) Terminal-Bench Hard | 5.3% |
| Artificial Analysis | gpt-oss-120b (Low) Terminal-Bench 2.1 | 13.9% |
| Artificial Analysis | gpt-oss-120b (Low) MMLU-Pro | 77.5% |
| Artificial Analysis | gpt-oss-120b (Low) AIME 2025 | 66.7% |
| Design Arena | GPT OSS 120B Models Arena 3D Elo | 881 |
| Design Arena | GPT OSS 120B Models Arena Code Categories Elo | 952 |
| Design Arena | GPT OSS 120B Models Arena Data Visualization Elo | 984 |
| Design Arena | GPT OSS 120B Models Arena Game Development Elo | 981 |
| Design Arena | GPT OSS 120B Models Arena UI Component Elo | 917 |
| Design Arena | GPT OSS 120B Models Arena Website Elo | 960 |
| Vals AI | GPT OSS 120B AIME | 92.6% |
| Vals AI | GPT OSS 120B CaseLaw v2 | 48.8% |
| Vals AI | GPT OSS 120B CorpFin v2 | 58.2% |
| Vals AI | GPT OSS 120B Finance Agent v1.1 | 21.5% |
| Vals AI | GPT OSS 120B GPQA Diamond | 78.5% |
| Vals AI | GPT OSS 120B LiveCodeBench | 83.2% |
| Vals AI | GPT OSS 120B LegalBench | 75.9% |
| Vals AI | GPT OSS 120B MATH 500 | 94.8% |
| Vals AI | GPT OSS 120B MedQA | 91.4% |
| Vals AI | GPT OSS 120B MGSM | 92.0% |
| Vals AI | GPT OSS 120B MMLU Pro | 79.2% |
| Vals AI | GPT OSS 120B SWE-bench | 33.6% |
| Vals AI | GPT OSS 120B TaxEval v2 | 71.6% |
| Vals AI | GPT OSS 120B Terminal-Bench 2.0 | 19.1% |
Aplicaciones
Aplicaciones públicas que envían más tráfico a este modelo. Una buena señal de cómo son las cargas de trabajo reales en producción, y una pista sobre los casos de uso para los que este modelo es más adecuado.
Aún no hay suficientes datos sobre las aplicaciones que usan este modelo.
Actividad
Volumen de tokens y tráfico de solicitudes a este modelo a lo largo del tiempo.
API
Código listo para usar para llamar a este modelo. La API de OpenRouter es compatible con OpenAI: la mayoría de los SDK funcionan con solo cambiar la URL base. Lo único que cambia entre modelos es el identificador del modelo que aparece a continuación.
Actualmente no está disponible mediante el enrutamiento dentro de la región de la UE. Documentación de enrutamiento dentro de la región
Documentación
Guías, recetarios, artículos de blog y herramientas para desarrollar con OpenAI: gpt-oss-120b (batch) en OpenRouter.
Preguntas frecuentes
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 to run on a single H100 GPU with native MXFP4 quantization.
La documentación de gpt-oss-120b (batch) en OpenRouter incluye la publicación del blog LLM Quantization: What fp8 and fp4 Do to Quality and Price. La guía de inicio rápido cubre las claves de API y su primera solicitud, y la referencia de la API enumera todos los parámetros.
gpt-oss-120b (batch) cuesta 0,0296 US$/M de tokens de entrada y 0,136 US$/M de tókenes de salida.
gpt-oss-120b (batch) tiene una ventana de contexto de 131.072 tókenes. Admite hasta 131.072 tókenes de respuesta.
Sí. gpt-oss-120b (batch) admite tools y tool_choice para llamadas a funciones. También admite salidas estructuradas mediante un esquema JSON en response_format.
gpt-oss-120b (batch) está disponible a través de 1 proveedor en OpenRouter: DeepInfra.
GPT-6.1 Terra Pro, GPT-6.1 Terra, GPT-6 Luna Decisions y 58 más son otros modelos de texto de OpenAI.
gpt-oss-120b (batch) se lanzó el 5 de agosto de 2025. Su fecha límite de conocimientos es 30 de junio de 2024.