OpenAI 发布两款高性能模型免费可商用开源大模型gpt-oss-120b 与 gpt-oss-20b，在本地运行接近 o4-mini 的模型

OpenAI 今日正式发布两款开放权重语言模型：gpt-oss-120b 和 gpt-oss-20b。

这是自 GPT-2 以来，OpenAI 首次向公众开放其语言模型权重，标志着公司在开放性与透明度上的重大转变。

• GitHub：https://github.com/openai/gpt-oss
• 模型：https://huggingface.co/collections/openai/gpt-oss-68911959590a1634ba11c7a4
• 试用：https://www.gpt-oss.com
• 官方介绍：https://openai.com/open-models

这两款模型并非实验性项目，而是基于 OpenAI 当前最先进的训练技术构建，性能媲美甚至超越同级别闭源模型，在推理、工具使用与现实部署效率方面表现突出。

更重要的是，它们采用 Apache 2.0 许可证，允许自由使用、修改与商业部署。

为什么现在发布开源模型？

过去几年，尽管 OpenAI 以闭源方式推动了大模型能力的边界，但社区始终期待其在开放生态中扮演更积极角色。

此次发布的 gpt-oss 系列，正是对这一需求的回应：

• 为研究者提供可审计的模型，推动对齐、安全与推理机制的研究；
• 让开发者在本地运行高性能模型，保障数据隐私与控制权；
• 降低全球创新门槛，使资源受限的团队也能获得顶级模型能力。

正如 OpenAI 所强调：

“健康的开放模型生态系统，是实现广泛可及、普惠 AI 的关键一环。”

模型能力：小尺寸，大能量

🔹 gpt-oss-120b：接近 o4-mini 的推理强者

• 总参数：117B（激活 5.1B/token，MoE 架构）
• 推理性能：在多项任务上与 o4-mini 持平甚至超越
• 部署要求：可在单块 80GB GPU 上高效运行

在核心评估中：

• HealthBench：优于 o1 和 GPT-4o
• AIME 2024/2025 数学竞赛：超越 o4-mini
• TauBench 代理评估：工具调用与 CoT 推理表现优异
• Codeforces 编码竞赛：显著优于 o3-mini

🔹 gpt-oss-20b：边缘设备上的全能选手

• 总参数：21B（激活 3.6B/token）
• 推理性能：与 o3-mini 相当
• 部署要求：仅需 16GB 内存，可在消费级设备运行

适用于：

• 本地开发环境
• 移动端或嵌入式设备推理
• 快速迭代与私有化部署场景

尽管规模较小，它在竞赛数学、健康问答等任务上仍展现出惊人潜力，甚至在某些指标上反超 o3-mini。

技术架构：为效率与现实部署而生

gpt-oss 系列采用先进架构设计，兼顾性能与实用性：

• 混合专家（MoE）架构：大幅减少每 token 的激活参数，提升推理效率
• 交替密集与局部带状稀疏注意力：类似 GPT-3 的高效注意力模式
• 分组多查询注意力（GQA）：分组大小为 8，优化内存占用
• 旋转位置编码（RoPE）：原生支持高达 128k 上下文长度
• 分词器开源：使用 o200k_harmony 分词器（GPT-4o 与 o4-mini 的超集），现已在 Hugging Face 开源

训练数据聚焦于：

• STEM 领域
• 编程与算法
• 通用知识
• 以英语为主，未包含多模态内容

后训练：与闭源模型共享技术栈

gpt-oss 模型的后训练流程与 o4-mini 高度一致，包含：

1. 监督微调（SFT）
2. 高强度强化学习（RL）

目标是让模型：

• 在生成答案前进行 链式推理（Chain-of-Thought, CoT）
• 主动调用工具（如代码执行、网页搜索）
• 与 OpenAI Model Spec 对齐

此外，模型支持三种推理力度（低、中、高），开发者可通过系统消息灵活控制延迟与性能的权衡。

关键设计原则：不监督 CoT，以便监控

一个值得关注的技术决策是：

gpt-oss 系列未对链式推理（CoT）进行直接监督对齐。

这一做法延续自 o1-preview 的设计理念。OpenAI 认为：

• 如果 CoT 被直接监督，攻击者可能绕过安全机制，生成“看似合理”的有害推理；
• 保留原始、未对齐的 CoT 输出，有助于开发者构建自己的监控系统，检测幻觉、欺骗或滥用行为。

⚠️ 但 OpenAI 明确提醒：

开发者不应将 CoT 内容直接展示给用户。
它可能包含幻觉、不安全语言或模型被禁止输出的信息。

安全是底线：从训练到对抗性评估

OpenAI 将安全视为开源模型发布的首要原则。

训练阶段的安全措施：

• 预训练时过滤 CBRN（化学、生物、放射性、核）相关有害数据
• 后训练中采用 审议对齐（Deliberation Alignment） 与 指令层次（Instruction Hierarchy），强化模型拒绝不安全请求的能力

发布前的对抗性评估：

为评估模型被恶意微调的风险，OpenAI 主动进行了“最坏情况”测试：

• 在生物学与网络安全领域对模型进行对抗性微调
• 模拟攻击者行为，尝试去除模型的拒绝能力
• 使用 Preparedness Framework 评估其能力上限

结果表明：即使使用 OpenAI 最先进的训练栈，这些微调后的模型也无法达到高风险能力水平。

该方法已由三个独立专家小组审查，并推动了训练与评估流程的改进。详细内容见《安全论文》与模型卡。

红队挑战：邀请全球共同提升安全性

为促进更安全的开源生态，OpenAI 同时启动 红队挑战（Red Teaming Challenge）：

• 奖金池：50 万美元
• 参与者：全球研究人员、开发者、安全专家
• 目标：发现 gpt-oss 模型的新安全问题
• 评审：由 OpenAI 及其他领先实验室专家组成

挑战结束后，OpenAI 将：

• 发布综合报告
• 开源基于发现构建的评估数据集

此举旨在让整个社区能立即受益于最新安全研究成果。

如何使用？全面兼容主流生态

gpt-oss 模型已全面接入主流部署平台，确保广泛可访问性。

✅ 模型获取

• 权重已发布于 Hugging Face
• 支持 MXFP4 原生量化
• 免费下载，Apache 2.0 许可

✅ 部署支持

合作平台包括：

• 云服务：Azure、AWS、Databricks、Baseten、Fireworks、Together AI
• 推理引擎：vLLM、llama.cpp、Ollama、LM Studio
• CDN 与边缘：Cloudflare、Vercel
• 硬件厂商：NVIDIA、AMD、Cerebras、Groq

✅ 本地运行

• 提供 PyTorch 与 Apple Metal 的参考实现
• 支持 macOS、Linux、Windows
• 微软已将 gpt-oss-20b 优化版本引入 Windows 设备，通过 ONNX Runtime 支持本地推理，可在 VS Code AI Toolkit 中使用

✅ 开发工具

• 开源 harmony 提示格式渲染器（Python & Rust）
• 提供示例工具集（代码执行、搜索等）
• 支持 Structured Outputs 与 Responses API（适用于代理工作流）

为何开放模型至关重要？

OpenAI 表示，发布 gpt-oss 系列不仅是为了技术展示，更是为了推动更广泛的社会价值：

• 降低创新门槛：使初创公司、学术机构、发展中国家团队也能获得顶级模型能力
• 增强透明度与信任：允许外部审查模型行为与训练方法
• 促进安全研究：为对齐、监控、防御机制提供真实研究对象
• 构建民主化 AI 基础设施：让 AI 发展不被少数闭源系统垄断