一手实测OpenAI新开源的GPT OSS，o1和GPT-4o都要过气了。

gpt-oss-120b 和 gpt-oss-20b

OpenAI终于把开源的模型放出来了。

gpt-oss系列也是自GPT2以来，OpenAI首次开源的大语言模型。

我也是美滋滋在本地用上了，20B版本通过Ollama在Apple M1 Pro 32GB电脑上运行的第一个问题，它思考了6.1s。

所以，接下来的内容我会用大白话说说

• gpt-oss的技术细节

• 如何体验上gpt-oss

• 以及gpt-oss的实际表现

Here we go！

01｜gpt-oss技术细节

先说纸面数据，

gpt-oss-120b在核心推理基准测试中接近OpenAI o4-mini，只需要单张80GB GPU就可以运行。gpt-oss-20b在常见基准测试中接近o3-mini，只需要16G内存就可以运行。

gpt-oss权重在 Hugging Face 上提供下载，并且原生量化为 MXFP4 格式。而且发布前就跟Azure、Hugging Face、vLLM、Ollama、llama.cpp、LM Studio、AWS、Fireworks、Together AI、Baseten、Databricks、Vercel、Cloudflare、 OpenRouter、NVIDIA、AMD、Cerebras 和 Groq 等都提前合作好了。这几天应该都能用上。甚至微软还有Windows 的GPU优化版本。这豪华名单我只能说不愧是OpenAI。

从左到右分别是gpt-oss-120b（带工具）、gpt-oss-120b、gpt-oss-20b（带工具）、gpt-oss-20b、o3（带工具）、o4-mini（带工具）和o3-mini（带工具）

如果柱形图看起来不够显眼的话，可以看看我好朋友@洛小山整理出来的表格：

20b这个版本是很夸张的，如果纸面分数没有水份的话，也就是说目前开源的7、8、14B等这些适合在本地端侧用的模型都被gpt-oss-20b秒了。

然后，

这两款模型在工具调用（搜索和python代码执行）、少样本函数调用、思维链推理（Tau-Bench）以及 HealthBench 医疗基准测试中表现都超过了o1与GPT-4o。。。

这样的话我有点找不到订阅Plus的理由了，要不就本地gpt-oss搭配MCP，要不就上Pro保证 Deep Reserach 的用量，至于GPT Agent的话，现阶段无视就行。

除了性能外，OpenAI还罕见放出了“简化版”的技术报告，我用300个字讲解一下：

gpt-oss都采用了专家混合系统（MoE）的Transformer架构，

• gpt-oss-120b每个token激活参数是5.1B

• gpt-oss-20b每个token激活参数是3.6B

两个模型都支持128k的上下文。采用了GPT3同款的注意力模式（alternating dense and locally banded sparse attention patterns），为了提升推理和内存效率，使用了8分组的多查询注意力机制。

从训练的数据集上看，用的主要是英文纯文本，侧重点是STEM学科、编程和通用知识。负责处理数据的Tokenizer（分词器）o200k_harmony也会跟着gpt-oss一起开源，这个分词器是o4-mini、gpt-4o分词器的超集。

如果一个集合S2中的每一个元素都在集合S1中，且集合S1中可能包含S2中没有的元素，则集合S1就是S2的一个超集

gpt-oss的后训练阶段采用了o4-mini同款流程，包括监督微调（SFT）和强化学习（RL）。

跟API版本的OpenAI o系列推理模型一样，gpt-oss支持三个推理级别（低、中、高），对应不同的推理思考成本，在系统提示语（system prompt）里通过文字，一句话的形式就可以完成切换。

02｜体验方式

目前体验这两个模型，我比较推荐两个方式，

Ollama「🔗 ollama.Com」，也就是我一开始用到的。

最近升级后有了UI页面，打开默认就是gpt-oss-20b，这时候只需要发一条消息，然后等待模型下载完成就可以了

如果没有大于16GB内存的硬件条件的话，可以去试试隔壁的OpenRouter「🔗 openrouter.ai」，

它甚至把Claude Opus 4.1也上线了，

就价格来看的话，只有OpenAI o3的7%，甚至比我们的价格王DeepSeekR1便宜。不过参数大小摆在这，我们还是要看看真实性能。

03｜真实性能

后续我再想想怎么接入Claude Code或者把拉垮的CodeX配置起来，测试一下gpt-oss项目级的编程能力。今天的话就先跳过简单题，测试一下编程、学科和推理的大题。

简单的3D模拟拉不出两个模型的差距：

我上来直接零帧起手，管你是不是gpt-oss，先做一个完整的3D模拟、完整的2D游戏、 天气组件看看「其实就是稍微复杂点的3D gpt oss都写不出来。。。」。

gpt-oss-120b（思考5s，一言难尽）：

gpt-oss-20b（思考9s，一言难尽）：

就我目前测下来，gpt-oss的编程能力没想象中出色，隔壁Claude4.1估计可以先半场开香槟了。

后面这两道大题，是我的好朋友 @赛博小熊猫Loki 提供的。

先来看看数学，

A与B好奇问C的年龄，爱卖关子的C给出了以下11个数字，C的年龄就是其中的一个：35、36、38、42、45、46、51、55、57、61、62，

并且分别把年龄的十位数告诉给A，把个位数告诉给B

此时，A和B发生以下对话：

A：我不知道C的年龄，我知道你不知道。

B：原本我不知道的，现在我知道了。

A：现在我也知道了。

那么，请问C的年龄是？

gpt-oss-120b（思考4s）：

gpt-oss-20b（思考6s）：

好在数学题没拉垮，思路还是很明确的。

接着是七个小矮人的推理题，

七个小矮人的秘密

七个小矮人在遇到白雪公主前，他们来自不同家乡：水晶洞、松果林、蘑菇谷、彩虹桥、月光湖、岩石山、向日葵田；从事不同职业：矿工、园丁、厨师、医生、歌手、木匠、渔夫；喝不同饮料：薄荷茶、苹果酒、蜂蜜水、热可可、柠檬汁、姜茶、草莓奶昔；戴不同颜色帽子：红、黄、蓝、绿、紫、白、黑；使用不同交通工具：独轮车、滑板、雪橇、三轮车、马车、小船、自行车。有一天，他们的交通工具从左到右排成一行，请根据以下条件推理：1、Doc戴红色帽子

2、Grumpy的交通工具是雪橇

3、Happy来自向日葵田，职业是歌手

1. d.矿工喝热可可

5、三轮车紧邻小船左侧

6、月光湖居民戴紫色帽子

7、医生的交通工具在正中间

8、Sneezy 住在彩虹桥，戴黄色帽子

9、Sleepy的交通工具在滑板右侧第三位

1. j.喝苹果酒者的交通工具与渔夫相邻

11、Dopey 的帽子颜色比 Bashful深（黑>紫>蓝>绿>黄>红>白）

12、园丁使用独轮车

13、岩石山居民戴黑色帽子，交通工具在马车左边第二位

14、喝柠檬汁者的交通工具与医生相隔一辆

15、蘑菇谷居民喝姜茶

16、厨师的交通工具紧邻戴蓝色帽子者

17、使用小船的人来自松果林

18、Happy 不戴白帽子

请问谁戴黑帽子？

gpt-oss-120b（思考61秒，但没答对）：

gpt-oss-20b（思考83秒，再起不能）：

遇到这种复杂推理题，20b会开始出现重复生成的情况，直到卡住不动。

写在最后

我们等这一天都等太久了，

蹲草莓、蹲Orin、蹲发布会

OpenAI终于当了一回字面意义上的OpenAI了。

这周大概率还会有GPT5，

这款从24年期待到25年，

一度被称为AGI起点的模型

真的，我现在已经睡不着了，

也顾不上时差不时差的了，

我要一口气测24小时！

别鸽我了，

我不差Token，

真的。

文章来自于微信公众号“卡尔的AI沃茨”，作者是“AI沃茨”。