GPT OSS 是 OpenAI 推出的 重量级开放模型，面向强推理、智能体任务以及多样化开发场景。该系列包含两款模型：拥有 117B 参数的和拥有 21B 参数的。二者皆采用 Mixture‑of‑Experts (MoE) 架构，并在 MoE 权重上使用 4‑bit 量化方案 MXFP4。由于 active 参数更少，它们在保持资源占用低的同时实现了快速推理：120B 版本可部署于单张 H100 GPU，20B 版本则能在 16 GB 显存内运行，适合消费级硬件和端侧应用。
为了让社区受益更大，模型采用 Apache 2.0 许可证，并附带精简使用政策：
我们希望工具能被安全、负责且民主地使用，同时最大化您对使用方式的控制权。使用 gpt‑oss 即表示您同意遵守所有适用法律。
OpenAI 表示，这一发布是其长期承诺开源生态、实现“让人工智能惠及全人类”使命的重要一步。许多场景需要私有或本地部署，Hugging Face 对的加入深感振奋，并相信 GPT OSS 将成为长期且富有启发性的旗舰模型。
能力与架构概览
共计 21B 与 117B 参数，对应 3.6B 与 5.1B 活跃参数。 4‑bit MXFP4 量化仅应用于 MoE 权重：120B 版可容纳于单张 80 GB GPU，20B 版可容纳于单张 16 GB GPU。 纯文本推理模型，内置链式思维 (Chain‑of‑Thought) 并可调节推理强度。 支持指令跟随与工具调用，适配生成式 AI 和 AI 智能体工作流。 提供基于 transformers、vLLM、llama.cpp、Ollama 的多种推理实现。 建议使用进行推理。 许可证：Apache 2.0，并附带简易使用政策。
架构细节
Token‑choice MoE，激活函数采用 SwiGLU。 在选出 Top‑k 专家后对其权重执行 softmax (softmax‑after‑topk) 。 注意力层使用 RoPE，相对位置编码最长支持 128K Token。 注意力层交替采用“全局上下文”与“滑动 128 Token 窗口”机制。 每个注意力头引入 learned attention sink：在 softmax 分母中加入可学习偏置，增强长上下文稳定性。 与 GPT‑4o 等 OpenAI API 模型共用分词器，并新增 Token 以兼容 Responses API。
通过推理提供商调用 API
GPT OSS 已接入 Hugging Face 的服务。您可使用统一的 JavaScript 或 Python SDK，通过多家推理提供商 (如 AWS、Cerebras 等) 快速调用模型。这正是官方演示站点的底层基础设施，亦可直接复用于个人或企业项目。
下面以 Python + Cerebras 为例：
from openai import OpenAI
client = OpenAI(
inference_provider="cerebras",
api_key="YOUR_HF_API_KEY"
)
response = client.chat.completions.create(
model="openai/gpt-oss-120b",
messages=[{"role": "user", "content": "用中文解释 MXFP4 量化是什么？"}],
)
print(response.choices[0].message.content)
更多代码示例和性能对比，参见模型卡中的以及我们专门撰写的。
下面示例展示了使用 Python 调用超高速 Cerebras 提供商。如需更多代码片段，请查阅模型卡中的以及我们专门撰写的。
import os
from openai import OpenAI
client = OpenAI(
base_url="https://router.huggingface.co/v1",
api_key=os.environ["HF_TOKEN"],
)
completion = client.chat.completions.create(
model="openai/gpt-oss-120b:cerebras",
messages=[
{
"role": "user",
"content": "How many rs are in the word 'strawberry'?",
}
],
)
print(completion.choices[0].message)
Inference Providers 还实现了兼容 OpenAI 的 Responses API——这是目前针对聊天模型最先进、最灵活、最直观的接口。 下面示例展示了如何在 Fireworks AI 提供商上使用 Responses API。更多细节参见开源项目。
import os
from openai import OpenAI
client = OpenAI(
base_url="https://router.huggingface.co/v1",
api_key=os.getenv("HF_TOKEN"),
)
response = client.responses.create(
model="openai/gpt-oss-20b:fireworks-ai",
input="How many rs are in the word 'strawberry'?",
)
print(response)
本地推理
使用 Transformers
请确保安装最新版 transformers (≥ v4.55) ，以及 accelerate 与 kernels：
pip install --upgrade accelerate transformers kernels
模型权重采用 mxfp4 量化格式，可在 Hopper 或 Blackwell 系列 GPU 上运行，包括数据中心卡 (H100、H200、GB200) 以及最新消费级 50xx 系列显卡。若您拥有此类显卡，mxfp4 能在速度与显存占用上提供最佳表现。要启用该格式，需要安装 triton 3.4 与 triton_kernels。若未安装这些库 (或显卡不兼容) ，加载模型时将自动退回至 bfloat16 (从量化权重解包) 。
我们的测试表明，Triton 3.4 与最新版 PyTorch 2.7.x 兼容。您也可以选择安装 PyTorch 2.8 (撰写本文时为预发布版本，) ，它与 triton 3.4 搭配更加稳定。以下命令可安装自带 triton 3.4 的 PyTorch 2.8 及 triton kernels：
# Optional step if you want PyTorch 2.8, otherwise just `pip install torch`
pip install torch==2.8.0 --index-url https://download.pytorch.org/whl/test/cu128
# Install triton kernels for mxfp4 support
pip install git+https://github.com/triton-lang/triton.git@main#subdirectory=python/triton_kernels
下面示例演示了如何使用 20B 模型进行简单推理。在 mxfp4 下运行时，占用 16 GB 显存；若使用 bfloat16，显存约为 48 GB。
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "openai/gpt-oss-20b"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
device_map="auto",
torch_dtype="auto",
)
messages = [
{"role": "user", "content": "How many rs are in the word 'strawberry'?"},
]
inputs = tokenizer.apply_chat_template(
messages,
add_generation_prompt=True,
return_tensors="pt",
return_dict=True,
).to(model.device)
generated = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(generated[0][inputs["input_ids"].shape[-1]:]))
Flash Attention 3
模型引入 attention sink 技术，vLLM 团队已将其与 Flash Attention 3 兼容。我们将他们的优化 kernel 打包至。截至撰稿时，该超高速 kernel 已在 Hopper 卡 + PyTorch 2.7/2.8 上通过测试，未来将支持更多硬件。若您使用 H100、H200 等 Hopper GPU，请执行 pip install --upgrade kernels，并在代码中添加：
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "openai/gpt-oss-20b"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
device_map="auto",
torch_dtype="auto",
+ # Flash Attention with Sinks
+ attn_implementation="kernels-community/vllm-flash-attn3",
)
messages = [
{"role": "user", "content": "How many rs are in the word 'strawberry'?"},
]
inputs = tokenizer.apply_chat_template(
messages,
add_generation_prompt=True,
return_tensors="pt",
return_dict=True,
).to(model.device)
generated = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(generated[0][inputs["input_ids"].shape[-1]:]))
该行代码会自动从 kernels-community 下载编译好的优化 kernel，具体机制可参考我们。Transformers 团队已对该代码进行构建与测试，可放心使用。
其他优化
若显卡为 Hopper 或更新架构，强烈建议使用 mxfp4；若可同时启用 Flash Attention 3，则务必一起开启！
若显卡不支持
mxfp4，可考虑使用 MegaBlocks MoE kernels 以获得可观的加速。只需在推理代码中进行如下调整：
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "openai/gpt-oss-20b"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
device_map="auto",
torch_dtype="auto",
+ # Optimize MoE layers with downloadable` MegaBlocksMoeMLP
+ use_kernels=True,
)
messages = [
{"role": "user", "content": "How many rs are in the word 'strawberry'?"},
]
inputs = tokenizer.apply_chat_template(
messages,
add_generation_prompt=True,
tokenize=True,
return_tensors="pt",
return_dict=True,
).to(model.device)
generated = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(generated[0][inputs["input_ids"].shape[-1]:]))
MegaBlocks 优化 MoE kernel 需要模型运行于
bfloat16，因此相比mxfp4会占用更多显存。若条件允许，我们建议优先使用mxfp4；否则，可通过use_kernels=True启用 MegaBlocks。
AMD ROCm 支持
OpenAI GPT OSS 已在 AMD Instinct 硬件上完成验证，我们很高兴地宣布内核库初步支持 AMD ROCm 平台，为即将在 Transformers 中推出的 ROCm 优化 kernel 奠定基础。针对 AMD Instinct (如 MI300 系列) 的 MegaBlocks MoE kernel 加速 已经就绪，可显著提升训练与推理性能。您可直接使用前文相同的推理代码进行测试。
AMD 还为用户准备了一个 Hugging Face，可以在 AMD 硬件上体验该模型。
可用优化总结
截至撰稿时，下表根据 GPU 兼容性和我们的测试结果，给出了 推荐配置。我们预计 Flash Attention 3 (含 sink attention) 将支持更多 GPU。
| Hopper GPU (H100、H200) | |||
| Blackwell GPU (GB200、50xx、RTX Pro 6000) | |||
| 其他 CUDA GPU | |||
| AMD Instinct (MI3XX) | |||
| 启用方式 | use_kernels |
即便 120B 模型在单张 H100 GPU (使用 mxfp4) 上即可运行，您仍可借助 accelerate 或 torchrun 轻松在多张 GPU 上部署。Transformers 提供默认的并行化方案，并可搭配优化后的注意力 kernel。以下脚本可在 4 GPU 系统上通过 torchrun --nproc_per_node=4 generate.py 运行：
from transformers import AutoModelForCausalLM, AutoTokenizer
from transformers.distributed import DistributedConfig
import torch
model_path = "openai/gpt-oss-120b"
tokenizer = AutoTokenizer.from_pretrained(model_path, padding_side="left")
device_map = {
"tp_plan": "auto", # Enable Tensor Parallelism
}
model = AutoModelForCausalLM.from_pretrained(
model_path,
torch_dtype="auto",
attn_implementation="kernels-community/vllm-flash-attn3",
**device_map,
)
messages = [
{"role": "user", "content": "Explain how expert parallelism works in large language models."}
]
inputs = tokenizer.apply_chat_template(
messages,
add_generation_prompt=True,
return_tensors="pt",
return_dict=True,
).to(model.device)
outputs = model.generate(**inputs, max_new_tokens=1000)
# Decode and print
response = tokenizer.decode(outputs[0])
print("Model response:", response.split("<|channel|>final<|message|>")[-1].strip())
OpenAI GPT OSS 模型在训练阶段大量使用工具调用来辅助推理。我们为 transformers 设计的聊天模板灵活易用，详情请参阅文末 小节。
Llama.cpp
Llama.cpp 原生支持 MXFP4 并集成 Flash Attention，可在 Metal、CUDA、Vulkan 等多种后端上实现最佳性能，且从一开始就已支持。
安装方法请参考：
# MacOS
brew install llama.cpp
# Windows
winget install llama.cpp
推荐通过 llama‑server 启动：
llama-server -hf ggml-org/gpt-oss-120b-GGUF -c 0 -fa --jinja --reasoning-format none
# 然后访问 http://localhost:8080
目前同时支持 120B 与 20B 模型。更多信息请查看或。
vLLM
如前所述，vLLM 团队开发了兼容 sink attention 的 Flash Attention 3 优化 kernel，可在 Hopper GPU 上实现最佳性能，且同时支持 Chat Completion 与 Responses API。假设您有 2 张 H100 GPU，可通过以下命令安装并启动服务器：
vllm serve openai/gpt-oss-120b --tensor-parallel-size 2
或者直接在 Python 中调用：
from vllm import LLM
llm = LLM("openai/gpt-oss-120b", tensor_parallel_size=2)
output = llm.generate("San Francisco is a")
transformers serve
您可以使用在本地快速体验模型，无需其他依赖。命令如下：
transformers serve
随后可通过发送请求：
# responses API
curl -X POST http://localhost:8000/v1/responses \
-H "Content-Type: application/json" \
-d '{"input": [{"role": "system", "content": "hello"}], "temperature": 1.0, "stream": true, "model": "openai/gpt-oss-120b"}'
或使用标准 Completions API：
# completions API
curl -X POST http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"messages": [{"role": "system", "content": "hello"}], "temperature": 1.0, "max_tokens": 1000, "stream": true, "model": "openai/gpt-oss-120b"}'
微调 (Fine‑Tuning)
GPT OSS 全面集成 trl。我们提供了若干基于 SFTTrainer 的示例，助您快速上手：
LoRA 示例见，展示模型如何微调以切换多语言推理。 可根据需求调整的。
部署至 Hugging Face 合作伙伴服务
Azure
Hugging Face 与 Azure 合作，将最受欢迎的开源开放模型 (涵盖文本、视觉、语音与多模态任务) 直接引入 Azure AI Model Catalog，便于客户在托管在线端点中安全部署，借助 Azure 的企业级基础设施、自动扩缩与监控能力。
GPT OSS 模型现已登入 Azure AI Model Catalog (，) ，可直接部署至在线端点进行实时推理。
Dell
Dell Enterprise Hub 是一款安全的在线门户，简化了在 Dell 平台上本地训练与部署最新开源开放 AI 模型的流程。由 Hugging Face 与 Dell 共同开发，其特性包括优化容器、对 Dell 硬件的原生支持以及企业级安全。
GPT OSS 模型已上线，可在 Dell 平台上本地部署。
评测模型
GPT OSS 属于 推理模型：评测时需要设置非常大的生成长度 (最大新 Token 数) ，因为模型会先输出推理过程，再给出最终答案。若生成长度过小，可能在推理中途被截断，导致假阴性。计算指标前应去除推理痕迹，尤其在数学或指令评测中，以免解析错误。
以下示例展示如何用 lighteval 评测模型 (需从源码安装) 。
git clone https://github.com/huggingface/lighteval
pip install -e .[dev] # make sure you have the correct transformers version installed!
lighteval accelerate \
"model_name=openai/gpt-oss-20b,max_length=16384,skip_special_tokens=False,generation_parameters={temperature:1,top_p:1,top_k:40,min_p:0,max_new_tokens:16384}" \
"extended|ifeval|0|0,lighteval|aime25|0|0" \
--save-details --output-dir "openai_scores" \
--remove-reasoning-tags --reasoning-tags="[('<|channel|>analysis<|message|>','<|end|><|start|>assistant<|channel|>final<|message|>')]"
对于 20B 模型，IFEval (严格提示词) 应得到 69.5 ± 1.9，AIME25 (pass@1) 应得到 63.3 ± 8.9——与同规模推理模型预期范围一致。
若需自定义评测脚本，请注意要正确过滤推理标签，需在 tokenizer 中设定 skip_special_tokens=False，以便获得完整输出并使用上述字符串对进行过滤。原因详见下文。
聊天与聊天模板
OpenAI GPT OSS 在输出中引入“channels”概念。常见的有 analysis (推理链) 与 final (最终答案) 两个 channel。
若未调用工具，一条典型输出如下：
<|start|>assistant<|channel|>analysis<|message|>CHAIN_OF_THOUGHT<|end|>
<|start|>assistant<|channel|>final<|message|>ACTUAL_MESSAGE
大多数场景下，您只需保留 <|channel|>final<|message|>. 之后的文本作为助手回复，或展现给用户。 存在两类例外：训练阶段 与 工具调用 时，可能需要保留 analysis。
训练时：若要在训练样本中保留推理链，可将其放入 thinking 字段：
chat = [
{"role": "user", "content": "Hi there!"},
{"role": "assistant", "content": "Hello!"},
{"role": "user", "content": "Can you think about this one?"},
{"role": "assistant", "thinking": "Thinking real hard...", "content": "Okay!"}
]
# add_generation_prompt=False is generally only used in training, not inference
inputs = tokenizer.apply_chat_template(chat, add_generation_prompt=False)
你可以在此前的对话轮次中自由加入 thinking 键，或在推理 (inference) 而非训练 (training) 时加入；但它们通常会被忽略。聊天模板仅保留 最新 一段思维链 (chain of thought，下文简称 “思维链”) ，并且只有在训练阶段 (当 add_generation_prompt=False 且最后一条消息属于 assistant 时) 才会包含。
之所以采用此策略，原因颇为微妙：OpenAI 的 gpt‑oss 模型是在多轮对话数据上训练的，但其中除最后一段思维链外，其余均被丢弃。因此，当你想微调一个 OpenAI gpt‑oss 模型时，也应遵循同样做法：
让聊天模板丢弃除了最后一段外的所有思维链。
在所有回合中对标签进行掩码 (mask) ，仅保留最后一条 assistant 消息的标签。
否则，模型将在没有思维链的前几轮上接受训练，结果会让模型习惯输出不含思维链的回复。
因此，你无法将整段多轮对话作为单个样本来训练；必须将其拆分为多条样本，每条仅含一次 assistant 回复，并且每次仅对该回复解除掩码，让模型既能从每轮学习，又始终只看到最后的思维链。
System 与 Developer 消息
OpenAI GPT OSS 很特殊，因为它在对话开头区分 “system” 消息和 “developer” 消息，但大多数其他模型只有 “system”。在 GPT OSS 中，system 消息遵循严格格式，并包含当前日期、模型身份以及推理强度等级等信息，而 “developer” 消息则更为自由，这 (令人困惑地) 使它类似于其他模型的 “system” 消息。
为了让 GPT OSS 更易于在标准 API 中使用，聊天模板会把角色为 “system” 或 “developer” 的消息都当作 developer 消息。如果你想修改真正的 system 消息，可以向聊天模板传入参数 model_identity 或 reasoning_effort：
chat = [
{"role": "system", "content": "This will actually become a developer message!"}
]
tokenizer.apply_chat_template(
chat,
model_identity="You are OpenAI GPT OSS.",
reasoning_effort="high" # Defaults to "medium", but also accepts "high" and "low"
)
在 transformers 中使用工具 (Tool)
GPT OSS 支持两类工具：内置工具 browser 与 python，以及用户自定义工具。若要启用内置工具，只需把它们的名称以列表形式传递给 builtin_tools 参数，如下所示。若要使用自定义工具，你可以将其以 JSON Schema 或带类型注解与 docstring 的 Python 函数形式传给 tools 参数。详细说明参见，或者直接修改下方示例：
def get_current_weather(location: str):
"""
返回指定地点的当前天气状况（字符串）。
Args:
location: 要查询天气的地点。
"""
return"Terrestrial."# 我们可没说这是个靠谱的天气工具
chat = [
{"role": "user", "content": "What's the weather in Paris right now?"}
]
inputs = tokenizer.apply_chat_template(
chat,
tools=[weather_tool],
builtin_tools=["browser", "python"],
add_generation_prompt=True,
return_tensors="pt"
)
如果模型决定调用工具 (用 <|call|> 结尾表示) ，你需要把工具调用加入对话，执行工具，然后把结果再加入对话并重新生成：
tool_call_message = {
"role": "assistant",
"tool_calls": [
{
"type": "function",
"function": {
"name": "get_current_temperature",
"arguments": {"location": "Paris, France"}
}
}
]
}
chat.append(tool_call_message)
tool_output = get_current_weather("Paris, France")
tool_result_message = {
# 因为 GPT OSS 一次只会调用一个工具，所以不需要额外元数据
# 模板可推断此结果来自最近一次工具调用
"role": "tool",
"content": tool_output
}
chat.append(tool_result_message)
# 现在再次 apply_chat_template() 并生成，模型即可利用工具结果继续对话。
鸣谢
这次发布对社区意义重大。要在生态系统内全面支持新模型，离不开众多团队和公司的倾力合作。
本文作者从为文章贡献内容的人中选出，并不代表对项目的投入程度。除作者列表外，其他人也提供了重要的内容审阅，包括 Merve 和 Sergio。感谢！
整合与支持工作涉及数十人，不分先后，特别感谢来自开源团队的 Cyril、Lysandre、Arthur、Marc、Mohammed、Nouamane、Harry、Benjamin、Matt；TRL 团队的 Ed、Lewis、Quentin；评估团队的 Clémentine；Kernels 团队的 David 与 Daniel。商业合作方面得到 Simon、Alvaro、Jeff、Akos、Alvaro、Ivar 的大力支持。Hub 与产品团队提供了 Inference Providers 支持、llama.cpp 支持及其他改进，感谢 Simon、Célina、Pierric、Lucain、Xuan‑Son、Chunte、Julien。法律团队的 Magda 与 Anna 亦有参与。
Hugging Face 的使命是帮助社区高效使用这些模型。我们感谢 vLLM 等公司推动领域进步，并珍视与推理服务商的持续合作，让构建流程日益简化。
