OpenAI abre gpt-oss, sus primeros modelos de lenguaje desde GPT-2

El 5 de agosto de 2025, OpenAI publicó los pesos de gpt-oss-120b y gpt-oss-20b bajo licencia Apache 2.0. La fuente original sostiene el núcleo documental del hecho; pesos descargables no significan datos, entrenamiento ni servicio completamente abiertos.

La decisión importa por el contraste con la estrategia que convirtió a OpenAI en una de las empresas centrales del sector: GPT-3, GPT-4, la familia o y los modelos de ChatGPT se han distribuido como servicios cerrados. Con gpt-oss, desarrolladores, empresas y administraciones pueden llevar el modelo a su propia infraestructura, ajustar su comportamiento con datos especializados y no enviar necesariamente cada consulta a una API externa.

Dos tamaños para ejecutar en local

Los modelos se distribuyen bajo licencia Apache 2.0, una licencia permisiva que admite usos comerciales, modificaciones y redistribución. No significa que sean software completamente transparente —OpenAI no ha publicado los datos de entrenamiento ni el proceso íntegro de creación—, pero sí entrega los parámetros entrenados, la pieza necesaria para ejecutar y adaptar el modelo.

El mayor, gpt-oss-120b, tiene 117.000 millones de parámetros totales y está diseñado para funcionar en una sola GPU con 80 GB de memoria. El pequeño, gpt-oss-20b, suma 21.000 millones y puede ejecutarse en dispositivos con 16 GB de memoria, una cifra que lo acerca a ordenadores personales potentes y a despliegues locales más asequibles. Documento que sostiene la cifra.

La clave está en su arquitectura de mezcla de expertos, o MoE. En lugar de activar todos los parámetros para cada palabra o fragmento de texto, el modelo selecciona una parte de sus componentes internos. El modelo grande activa 5.100 millones de parámetros por token y el pequeño, 3.600 millones. Ese diseño reduce el coste de inferencia —el trabajo necesario para generar una respuesta— sin renunciar a una capacidad total mucho mayor. Documento que sostiene la cifra.

Ambos admiten contextos de hasta 128.000 tokens, una capacidad suficiente para procesar documentos extensos, repositorios de código o conversaciones largas. Documento que sostiene la cifra.

Razonamiento, herramientas y resultados comparados

OpenAI sitúa a gpt-oss-120b cerca de o4-mini en sus pruebas de razonamiento y asegura que gpt-oss-20b alcanza resultados similares a o3-mini en evaluaciones habituales. La compañía destaca pruebas de matemáticas, programación competitiva, conocimiento general, salud y uso de herramientas.

Los dos modelos pueden regular el esfuerzo de razonamiento en niveles bajo, medio y alto. En la práctica, el desarrollador puede pedir una respuesta rápida para una tarea sencilla o permitir que el sistema dedique más tiempo de cálculo a un problema complejo. También están preparados para llamar funciones y herramientas externas, como búsquedas web o ejecución de código, una capacidad relevante para agentes que no se limitan a redactar texto.

Conviene leer las comparativas con cautela. Los resultados proceden de las evaluaciones publicadas por OpenAI y los benchmarks miden tareas delimitadas, no todos los casos de uso empresariales. Un modelo que destaca en AIME, Codeforces o HealthBench no queda automáticamente validado para diagnosticar pacientes, tomar decisiones financieras o automatizar procesos sin supervisión.

OpenAI advierte expresamente que los modelos no sustituyen a profesionales sanitarios ni están destinados al diagnóstico o tratamiento de enfermedades.

Pesos abiertos no equivale a ausencia de riesgos

La apertura facilita auditorías y adaptaciones, pero también reduce el control de quien publica el modelo sobre los usos posteriores. Una vez descargados los pesos, una organización puede ejecutarlos sin depender de la infraestructura de OpenAI y crear versiones ajustadas para ámbitos concretos.

La empresa afirma haber sometido gpt-oss-120b a evaluaciones de seguridad, incluida una versión afinada de forma adversaria dentro de su Preparedness Framework, el marco con el que analiza riesgos de capacidades avanzadas. También ha publicado una tarjeta del modelo y un trabajo técnico sobre estas pruebas.

Otro elemento poco habitual es el acceso a la cadena de razonamiento del modelo. OpenAI sostiene que no ha aplicado supervisión directa sobre esa cadena interna, con la intención de que investigadores puedan estudiar señales de engaño, mal uso o fallos durante el razonamiento. La compañía, sin embargo, recomienda no mostrarla directamente a usuarios finales: puede incluir errores, contenido dañino o instrucciones que no deberían formar parte de la respuesta visible.

Un cambio de opción para empresas y desarrolladores

El anuncio no sustituye la oferta cerrada de OpenAI. La propia empresa plantea gpt-oss como una alternativa para quienes priorizan coste, latencia, personalización o control de los datos, mientras sus modelos propietarios siguen disponibles mediante API.

Para una empresa con requisitos estrictos de privacidad, poder alojar un modelo dentro de su red puede ser más importante que acceder al sistema más potente disponible. Para desarrolladores independientes, el modelo de 20.000 millones de parámetros abre la puerta a experimentar sin una factura variable por cada consulta. Y para el ecosistema de modelos abiertos, la entrada de OpenAI eleva la competencia frente a propuestas como Llama, Qwen, Mistral o DeepSeek. Documento que sostiene la cifra.

La prueba decisiva llegará fuera de los benchmarks: costes reales de despliegue, calidad en otros idiomas además del inglés, facilidad de ajuste y comportamiento en aplicaciones especializadas. Pero la publicación rompe seis años de una división clara entre la investigación abierta del laboratorio y sus modelos de lenguaje comerciales.

Cómo convertir el titular en una comprobación

El primer paso es congelar la identidad del sistema. OpenAI publicó los pesos de gpt-oss-120b y gpt-oss-20b bajo licencia Apache 2.0. Un nombre comercial puede cubrir revisiones, rutas automáticas y herramientas distintas. La ficha de prueba debe guardar fecha, modalidad de acceso, configuración, permisos y salida completa. Sin esa fotografía, una mejora o un fallo observado hoy no puede atribuirse con rigor a la versión que otra persona usará mañana.

Después hay que convertir cómo auditar licencia, memoria, ejecución, calidad y controles antes de alojar un modelo en casos con criterio de aceptación. Se prepara una muestra propia que incluya tareas fáciles, ambiguas, largas y deliberadamente imposibles. Se anota qué entrada recibe el modelo, qué información puede consultar y qué resultado sería suficiente. Una demostración elegida por el proveedor enseña posibilidad; una batería conservada por el usuario mide fiabilidad.

La autonomía requiere una escala de permisos. Leer y proponer no es lo mismo que modificar, enviar o comprar. La configuración segura concede primero acceso de solo lectura, exige una vista previa y reserva la ejecución para una aprobación explícita. También conserva un registro y una vía de deshacer. El modelo se juzga por los errores que el sistema contiene, no por la confianza con la que describe su plan.

Qué debe quedar registrado

Coste y calidad deben medirse juntos. Una respuesta barata que obliga a revisar desde cero puede costar más que otra lenta pero verificable. La medición incluye espera, reintentos, consumo, supervisión humana y consecuencias de un fallo. pesos descargables no significan datos, entrenamiento ni servicio completamente abiertos. Esa frontera convierte el anuncio en una hipótesis que puede comprobarse en lugar de una promesa que deba creerse.

Una ficha de evidencia separa cuatro columnas: lo que afirma la fuente, lo que muestra, lo que no midió y qué tendría que ocurrir para cambiar la conclusión. Esa disciplina evita que una ausencia se convierta en promesa y que una condición desaparezca al resumir. También permite actualizar la pieza sin reescribir la historia desde el resultado posterior.

Conviene incluir un caso negativo antes de decidir. Se busca una situación donde el sistema, norma, operación o estudio no resuelva la necesidad y se anota la señal que obligaría a parar. Los éxitos seleccionados muestran que algo puede ocurrir; el caso negativo revela el límite y reduce el coste de descubrirlo después del despliegue.

La capacidad que sobrevive al anuncio

La comparación válida conserva denominador y eje. No enfrenta una cifra puntual con un promedio, una capacidad futura con una instalada ni una predicción con una observación. Cuando dos fuentes usan palabras parecidas, se reconstruye qué contaron y durante qué periodo. Si no coinciden, se publican como medidas distintas en vez de fabricar una clasificación.