OpenAI 发布开放权重模型 gpt-oss

背景

大多数大语言模型是以服务形式交到用户手里的：模型跑在提供方的服务器上，用户通过接口发请求。开放权重（open-weight）的发布方式不同——训练好的参数本身被公开，别人可以下载、在自己的硬件上运行、也可以改动。这一点对推理模型（reasoning model）尤其关键：这类模型在给出最终答案前会先产生中间推理步骤，步骤越多，推理成本越高，因此这类系统通常只放在付费接口后面。

发布了什么

2025 年 8 月 5 日，OpenAI 发布 gpt-oss-120b 和 gpt-oss-20b 两个开放权重的推理模型^[1]。权重以 Apache 2.0 许可公开在 Hugging Face 上^[1][2]；这是一种宽松许可，允许他人使用、修改和再分发。

规模与硬件

两个模型的差别主要在体量。gpt-oss-120b 有 1170 亿参数，可以跑在单张 80 GB 的 GPU 上；gpt-oss-20b 有 210 亿参数，可以跑在内存约 16 GB 的设备上^[1][2]。实际使用中，内存往往是硬约束：生成文本时参数要被反复读取，模型越小，对硬件的要求越低——前者需要一张高端显卡，后者一台普通工作站级别的机器就能承担。所谓参数，就是模型学到的那些数值，参数越多通常能力越强，代价是内存和算力。

性能说法

OpenAI 把这两个模型与自家的 o4-mini、o3-mini 做了对比^[1]。它表示，gpt-oss-120b 在核心推理基准上接近 o4-mini 的水平，gpt-oss-20b 在常见基准上接近 o3-mini^[3]。基准（benchmark）指的是一套标准测试题及其评分答案，让不同模型能在同一批任务上比较。

训练与功能

两个模型在训练中混合使用了强化学习（reinforcement learning）与来自 OpenAI 内部前沿系统的技术^[3]。在这个语境下，强化学习指的是：模型给出经得起检验的答案时得到奖励，并据此调整行为，而不只是模仿人写的文本。

发布时还带了几项控制能力。可调的推理强度（adjustable reasoning effort）让使用者为难题多花算力、为简单问题少花算力；完整的思维链（full chain-of-thought）意味着模型的中间推理过程可以被看到，而不是被藏起来；结构化输出（Structured Outputs）则把回复约束在给定格式之内，便于软件直接解析^[3]。

安全测试

发布之前，OpenAI 在自身的 Preparedness Framework 下测试了一个经过对抗性微调的 gpt-oss-120b 版本^[3]。对抗性微调指的是：故意训练一个副本，把它的安全行为去掉，看看护栏消失后模型还能做什么。对于任何人都能下载并重新训练的权重来说，这种检查格外相关。

时间与工具链

两个模型兼容 Responses API^[3]，按这套接口开发的应用可以用调用 OpenAI 托管模型的方式调用它们。这次发布距离 GPT-5 只有两天^[1]。

意义

开放权重的推理模型改变的是「谁能运行、谁能研究」这件事。一个能塞进单张 GPU、或跑在约 16 GB 内存机器上的模型，使用时不必把每次请求都送到远程服务；一个宽松许可下的模型，可以被外部研究者和开发者检视、微调、再分发。公开权重也让安全问题变成公开问题：OpenAI 所做的对抗性微调测试，正是想弄清同一批权重被推向不那么谨慎的方向时会发生什么^[3]。

^[1]: Wikipedia，"Products and applications of OpenAI"。 ^[2]: GitHub，"openai/gpt-oss repository"。 ^[3]: OpenAI，"Introducing gpt-oss"。