OpenAI 终于向开源社区扔了一枚重磅冲击波——时隔五年，正式发布开源推理模型 gpt-oss。两款型号均采用混合专家（MoE）架构，配合 4 位量化（MXFP4），原生支持 128k 上下文。更关键的是，20b 版本在 16GB 内存的笔记本上就能跑，120b 版本单张 H100 即可搞定。OpenAI 声称这是开源 SOTA，性能直逼 o4-mini，Apache 2.0 许可全面开放。到底有多强？一起来看看实测数据和背后的门道。

模型表现如何？

OpenAI 的目标很明确：让这款开源模型成为同类中的领头羊。从目前披露的数据来看，确实有底气这么说。

在编程竞赛平台 Codeforces（带工具辅助）上，gpt-oss-120b 得分 2622，gpt-oss-20b 得分 2516，双双超越 DeepSeek R1，但略低于 o3 和 o4-mini。而在号称“人类最后的考试”的 Humanity’s Last Exam 中，120b 拿下 19%，20b 拿下 17.3%，虽然不及 o3，但已经超过了 DeepSeek 和通义千问等现有顶尖开源模型。

不过必须警惕的是，这两款模型的幻觉问题比较突出。在 OpenAI 内部的 PersonQA 基准（测试人物知识准确性）上，120b 幻觉率高达 49%，20b 更是达到 53%。相比之下，早期闭源的 o1 模型仅为 16%，最新的小型闭源 o4-mini 也只有 36%。OpenAI 解释这符合预期：小模型知识储备有限，更容易产生幻觉。

另一个值得关注的对比：gpt-oss-120b（激活参数 51 亿）在主要任务上与 Qwen 3（Thinking / Coder）表现相当，但使用的活跃参数少了约 5 倍，而且精度更低——这意味着架构效率确实了得。

详细评估数据：

模型训练

从训练投入来看，gpt-oss-120b 用了 210 万 H100 GPU·小时，而 DeepSeek-R1 用了 266 万 H800 小时（约 14.8 万亿 tokens，671B 参数）。做个粗略的算力反推：如果单块 H100 有效算力按 300 TFLOPS 算，210 万小时对应约 2.268×10^24 次浮点运算。考虑到 120b 模型（MoE 架构，活跃参数 51 亿）加上注意力开销，等效计算量约 60 亿参数级别，那么训练 token 数大致在 6.3 万亿左右。不过 300 TFLOPS 的实测算力可能偏乐观，实际活跃参数更少，token 数可能在 6.3 万亿量级。

训练方法上，这两款模型都用了高计算资源的强化学习（RL），让模型在模拟环境中习得正确推理。这种技术同样用于 OpenAI 的 o 系列模型，因此新模型获得了类似的链式思考（chain-of-thought）能力。OpenAI 特别指出，这些开放模型很适合用作 AI 智能体，可以调用网络搜索、Python 代码执行等工具辅助推理。不过目前仅支持文本，无法处理图像或音频。

写在最后

在 Playground 上实际试了一下，问它能否在笔记本上运行，结果答非所问，效果不太理想。模型具体表现还有待后续更多测试。无论如何，OpenAI 五年来首次开源，且性能确实能打，对社区来说无疑是一大惊喜。