OpenAI 终于重新发布开源模型 gpt-oss-120b 和 gpt-oss-20b。这是其自从 GPT-2 之后，首次发布开源语言模型。
这也是上半年 DeepSeek-R1 发布，引发中国掀起一股开源狂潮，7 月份中国 K2、GLM-4.5、Step-3 及 Qwen3 更新版本等密集发布之后，美国 AI 实验室首次发出最强开源模型。
Llama4 上半年发布失败，美国朝野一致对开源 AI 落后于中国感到焦虑之际，OpenAI 看起来要扳回一局。
最大的开源社区 Hugging Face 创始人兼 CEO Clement Delangue 称之为 「王者归来」。
「这就像剧情反转，
像是一场王者归来，
像是某件大事的开端。
让我们一起推进开源 AI 吧」
gpt-oss vs. DeepSeek
StabilityAI 创始人 Emad Mostaque 等人，对比了 gpt-oss 与 DeepSeek：
训练效率：gpt-oss-120b 每个 token 激活约 5.1B 参数，而 DeepSeek 是 37B，少了 7 倍以上，因此可以处理超过 5 倍的 tokens，即大约 80 万亿 tokens（作为参考，Qwen3 使用了 30 万亿）。
计算消耗：gpt-oss 比 DeepSeek V3/R1 的训练算力需求低了约 20%，即使如此，仍能训练更多 tokens（最多 80T vs DeepSeek 的 14.8T）。
训练成本：gpt-oss-120b 训练成本约 400 万美元，gpt-oss-20b 仅需 40 万美元，均低于 DeepSeek。
再对比下性能表现：官方评测表明：gpt-oss-120b≈OpenAI o4-mini，gpt-oss-20b≈OpenAI o3-mini。多项推理任务中，gpt-oss-120b 在 HealthBench 和数学评测中甚至超过 o4-mini。而 DeepSeek-V3 的能力已被认为达到 o3-mini~o4-mini 之间的水平。所以，在模型表现上两者旗鼓相当。
综合以上对比，gpt-oss 的性价比应该是超过了 DeepSeek。不过，后来中国发布的开源模型，几乎个个都称自己超过了 DeepSeek。
从开源开放角度，gpt-oss 在全球的生态也占据优势。
相当于 o3 mini 和 o4 mini
OpenAI 介绍这两个开源模型是 「开源权重、性能卓越、成本低廉的最新一代语言模型。它们采用灵活的 Apache 2.0 许可证发布，在推理任务中超越了同等规模的开源模型，具备出色的工具使用能力，并针对消费级硬件实现了高效部署优化。」
这两个模型的训练，结合了强化学习方法，技术还受到了 OpenAI 最先进内部模型 （包括 o3 及其他前沿系统）的启发。
gpt-oss-120b 在核心推理基准测试中已接近 OpenAI o4-mini 的水平，并能在一张 80 GB GPU 上高效运行。
gpt-oss-20b 在常见基准上表现接近 OpenAI o3-mini，且可在仅有 16GB 内存的边缘设备上运行，非常适合端侧部署、本地推理或无需昂贵基础设施的快速迭代。
两个模型在工具使用、少样本函数调用、思维链 （CoT）推理方面均表现出色 （例如在 Tau-Bench agentic 评测套件上的结果），在 HealthBench 医疗推理测试中甚至超越了 OpenAI 的闭源模型如 o1 和 GPT-4o。
这些模型兼容 OpenAI 的 Responses API，专为智能体工作流而设计，具备出色的指令遵循能力、工具调用能力 （如网页搜索、Python 执行）和推理能力——包括自动调整推理强度，以满足对低延迟、简单任务的需求。它们完全可自定义，支持完整的思维链输出和结构化输出。
OpenAI 认为安全对于开源模型至关重要，这也是其之前不愿意发布开源模型的原因之一。除了全面的安全训练和评估，OpenAI 还使用了对抗性微调版本的 gpt-oss-120b，并在其 Preparedness Framework 下进行了额外评估。
gpt-oss 模型在内部安全基准测试中表现与前沿模型相当，为开发者提供与 OpenAI 最新闭源模型相同的安全标准。其方法也已接受外部专家审阅，为开源模型设定了新的安全基准。
OpenAI 还与 AI Sweden、Orange、Snowflake 等早期合作伙伴共同探索模型在真实世界中的应用，包括在本地部署以确保数据安全，以及在特定数据集上的微调。
OpenAI 称：「这些业界领先的开源模型，赋能从个人开发者到大型企业再到政府，在自有基础设施上运行并定制 AI。结合我们 API 提供的模型，开发者可以根据所需的性能、成本与延迟，灵活选择适合的 AI 工作流方案。」
预训练与模型架构
gpt-oss 系列模型采用了 OpenAI 最先进的预训练与后训练技术，重点提升推理能力、运行效率，以及在各种部署环境下的实际可用性。虽然 OpenAI 此前已开源 Whisper 和 CLIP 等模型，但 gpt-oss 是自 GPT‑2 以来首次发布开源权重的语言模型。
每个 gpt-oss 模型均基于 Transformer 架构，并采用混合专家模型 （MoE） 技术，以减少每次处理输入时所需激活的参数数量。例如：
gpt-oss-120b 每个 token 激活 5.1B 参数，模型总参数量为 117B；
gpt-oss-20b 每个 token 激活 3.6B 参数，模型总参数量为 21B。
模型在注意力机制上采用了密集与局部带状稀疏 （locally banded sparse）注意力模式交替结构，与 GPT-3 相似。为提升推理与内存效率，模型还使用了分组多查询注意力机制 （grouped multi-query attention），分组大小为 8。
在位置编码方面，模型使用了旋转位置嵌入 （RoPE，Rotary Positional Embedding），并原生支持最长 128k 上下文长度，为长上下文推理提供了基础。
训练使用的是以英语为主的纯文本数据集，重点覆盖 STEM（科学、技术、工程和数学）领域、编程内容以及通识知识。分词器是 OpenAI o4-mini 和 GPT‑4o 所用分词器的超集——o200k\_harmony，于当日一同开源。
Emad Mostaque 认为，高效训练不一定需要巨量算力，而是需要大量优质的数据。gpt-oss 在预算受控的情况下实现了高性能，未来训练成本还将进一步降低。
后训练
gpt-oss 模型的后训练过程类似于 o4-mini，包括一个监督微调阶段和一个高算力强化学习 （RL）阶段。我们的目标是使模型符合 OpenAI 模型规范 （Model Spec）的标准，并在生成最终答案前掌握思维链推理 （CoT reasoning）和工具使用能力。
OpenAI 认为，借助与其最先进闭源推理模型相同的后训练技术，这些模型在后训练完成后展现出了卓越的能力。
与 OpenAI API 中的 o 系列推理模型类似，这两款开源权重模型支持三种推理强度等级——低、中、高，可在响应延迟与性能之间灵活权衡。开发者只需在 system message 中用一句话即可设置所需的推理强度。
评估
OpenAI 使用标准学术基准评估了 gpt-oss-120b 与 gpt-oss-20b 在以下领域的表现：编程、数学竞赛、医疗健康、代理式工具使用，并将其与 OpenAI 的推理模型 o3、o3-mini、o4-mini 进行了比较。
gpt-oss-120b 在以下方面优于 o3-mini，达到或超过 o4-mini：
*竞赛编程 （Codeforces）
*通用问题求解 （MMLU 和 HLE）
*工具调用 （TauBench）
同时，在健康相关问题 （HealthBench）和数学竞赛题 （AIME 2024 和 2025）方面，甚至优于 o4-mini。
gpt-oss-20b 虽然规模较小，但在上述评测中也匹敌甚至超越 o3-mini，在数学竞赛题和健康任务上表现更胜一筹。
思维链
OpenAI 近期的研究表明，只要模型的思维链不是通过直接监督训练而对齐的，那么对其推理过程进行监控可以有效帮助检测模型的不当行为。这也基本上是业界共识。
延续自推出第一个推理模型 OpenAI o1-preview 以来所坚持的原则，OpenAI 对 gpt-oss 模型的思维链没有进行任何形式的直接监督训练。「我们认为这是监测模型不当行为、欺骗行为和潜在误用的重要基础。」
OpenAI 希望此次发布的未受监督的思维链开源模型，能为开发者与研究人员提供研究机会，自行构建与部署思维链监控系统。
OpenAI 提醒：开发者不应将模型生成的思维链直接展示给终端用户。这些推理内容可能包含虚构 （hallucinated）或有害信息，包括不符合 OpenAI 安全政策的语言，甚至可能泄露模型被明确要求不在最终输出中显示的信息。
为什么开放模型很重要
保住美国在开源 AI 的优势，刚刚被写入了白宫 《AI 行动计划》。
gpt-oss-120b 与 gpt-oss-20b 的发布，标志着开源权重模型向前迈出了重要一步。
在这个参数量级上，它们在推理能力与安全性方面都实现了突破，为行业设立了新标杆。
OpenAI 表示，开放模型与其托管模型相辅相成，为开发者提供了更广泛的工具，加速前沿研究、激发创新、推动更安全、更透明的 AI 应用。
同时，它们降低了新兴市场、资源受限行业、小型组织进入 AI 时代的门槛——即使缺乏大预算和资源，这些强大而可获取的工具也能帮助人们在本地构建、创新和创造机会。
最后，OpenAI 的这番话，显然是针对中国：这些在美国开发的开放权重模型，为构建民主化 AI 的 「护栏」 体系奠定了基础。一个健康的开放模型生态，是让 AI 普惠全球的重要路径之一。OpenAI 邀请开发者和研究者使用这些模型，展开实验、协作创新，推动 AI 能力的边界。
「我们期待看到你们构建出什么样的未来。」
One More Thing：红队挑战，奖金 50 万美元
为助力建设更安全的开源生态，OpenAI 发起了一项红队挑战，邀请全球研究人员、开发者和爱好者共同发现新的安全问题。
挑战总奖金为 50 万美元，将由 OpenAI 及其他领先实验室的专家评审团评审并颁发。
挑战结束后，OpenAI 将发布一份总结报告，并开源一套基于验证发现的评估数据集，供整个社区立即使用。
本文来自微信公众号：未尽研究 （ID：Weijin_Research），作者：未尽研究
