五年沉寂，一朝破壁。
就在凌晨，OpenAI以GPT-OSS的姿态重返开源战场，一口气开源两个权重语言模型：gpt-oss-120b 和 gpt-oss-20b。
关键信息速读
• 两大模型: 发布gpt-oss-120b与gpt-oss-20b，采用Apache 2.0协议，完全开放商用。 • 性能越级: 120B版本性能直逼o4-mini，20B版本媲美o3-mini，在多个基准测试中展现SOTA（State-of-the-Art）实力。 • 极致效率: 采用MoE架构与原生4位量化（MXFP4），120B模型可在单张80G H100上运行，20B模型仅需16GB显存，消费级硬件即可驾驭。 • Agent友好: 原生支持工具调用、代码执行与结构化输出，为构建强大的AI智能体铺平道路。 • 生态完备: 发布即获Hugging Face、英伟达、微软、Ollama等业界巨头全面支持，部署和微调体验无缝衔接。
五年磨一剑，OpenAI重拾“开放”初心？
距离GPT-2发布已过去五年，当行业几乎将“OpenAI”视为“ClosedAI”的同义词时，它用gpt-oss给出了最强有力的回应。这不仅是自ChatGPT时代以来OpenAI首次开源语言模型，更是一次颠覆性的市场行动。
gpt-oss系列包含两个版本：120B模型面向生产级高推理任务，20B模型则专为低延迟、本地化和边缘计算场景设计。
性能“奇点”：MoE架构与原生量化
GPT-OSS的惊人之处在于，它在保持强大性能的同时，将硬件门槛降至了前所未有的低点。这背后的核心技术，是混合专家（MoE）架构与原生4位（MXFP4）量化方案的精妙结合。
不同于传统模型需要调动全部参数，MoE架构仅激活处理当前任务所需的一小部分“专家”参数。gpt-oss-120b总参数高达1170亿，但每个token仅激活51亿；20B模型则从210亿参数中激活36亿。这种稀疏激活模式是效率的源泉。
更具革命性的是原生量化。OpenAI并非在训练后进行精度压缩，而是在训练阶段就让模型适应低精度环境。这种“出厂即量化”的设计，使得模型体积大幅缩小，性能损失却微乎其微。
最终，一个性能堪比o4-mini的庞然大物，得以在单张80GB显卡上安家；而一个超越众多开源模型的20B版本，仅需16GB显存即可流畅运行。这让高端AI技术真正飞入了寻常开发者的工作站。
SOTA级表现与客观短板
在多个核心基准测试中，GPT-OSS的表现堪称惊艳。无论是在编程竞赛（Codeforces）、通用问答（MMLU），还是在专业领域的健康咨询（HealthBench）和数学竞赛（AIME）上，gpt-oss-120b都展现出与o4-mini分庭抗礼甚至超越的实力。
在同等规模的开源模型对比中，GPT-OSS几乎呈现出碾压性的优势，重新确立了开源SOTA的新标杆。这无疑给所有致力于开源大模型的团队带来了巨大的竞争压力。
然而，作为一款主打推理的纯文本模型，GPT-OSS并非完美。根据社区的初步测试，它在处理某些创意性或复杂代码生成任务时，表现不如顶级闭源模型。同时，其幻觉率也显著高于o3和o4-mini，这是小型化和推理优化过程中难以避免的权衡。
开源是手段，生态是目的
OpenAI此刻选择开源，绝非一时兴起。在以DeepSeek为代表的全球开源力量迅速崛起的背景下，继续固守纯闭源策略已非明智之举。通过开源性能卓越的次顶级模型，OpenAI意在重新夺回开发者心智，巩固其技术生态的护城河。
gpt-oss全面兼容OpenAI的API规范，并原生支持函数调用与代码执行等Agent核心能力。这意味着开发者可以在本地低成本开发、测试和迭代AI应用，成熟后再无缝迁移至OpenAI的付费API，从而形成一个强大的商业闭环。
开放，是为了更深远的掌控。这盘棋，OpenAI下得愈加清晰。
GPT-OSS的发布，与其说是OpenAI的一次慷慨馈赠，不如说是开源力量倒逼下的必然结果。
它为全球开发者拉低了准入门槛，也为整个行业抬高了竞争基线，一个更开放、更激烈的AI新纪元，已然开启。
