DeepFlow·深流API(https://ai.gptcard.cn/) 现已支持 OpenAI 最新模型推理 gpt-oss-120b、gpt-oss-20b

北京时间 2025 年 8 月 5 日，在科技圈调侃了五年之后，那个名字里带着“Open”却一直闭门不出的 OpenAI，终于打开了久违的大门。继 2019 年 GPT-2 后，OpenAI 首次真正意义上的开源模型系列 GPT-oss 正式发布，包括旗舰级 GPT-oss-120b 和消费级 GPT-oss-20b 两款重量级产品。

说起来，自从 GPT-3 闭源之后，科技圈就流传着这样的段子：“OpenAI 最大的谎言就是它的名字——既不 open，也越来越不像非营利的 AI 研究机构。” 毕竟这几年间 OpenAI 一直采取封闭式战略，依靠 API 调用收费赚得盆满钵满，年收入甚至突破 130 亿美元。而 CEO Sam Altman 曾公开承认：“在开源问题上，我们站在了历史的错误一边。”这番坦诚的自嘲，或许真要感谢 DeepSeek 和阿里 Qwen 等开源先锋——正是它们逼迫这家估值 3000 亿美元的独角兽重新审视自身战略。

GPT-oss 到底“开”了什么门？

这次 OpenAI 提出的“open-weight”概念意味着：模型权重完全公开，开发者、企业用户都可以下载、修改、商用，遵循宽松的 Apache 2.0 许可。这种真正的开源模式，足以让生态圈为之振奋。

大的很大，小的够用

  • GPT-oss-120b 拥有约 1170 亿参数，采用混合专家（MoE）架构，每个 token 仅激活 51 亿参数，搭配创新的 MXFP4 4位量化技术，能在单个 Nvidia H100 GPU（80GB）上顺畅运行。性能甚至超越自家闭源的 o3-mini，与旗舰模型 o4-mini 不相上下。
  • GPT-oss-20b 只有约 210 亿参数，每个 token 激活 36 亿参数，甚至能在 16GB 内存的普通笔记本电脑上运行，堪称消费级硬件上的最强大脑，完全能匹敌甚至超越闭源版 o3-mini 的表现。

性能：开源阵营的新标杆

在多个基准测试上，GPT-oss 系列表现惊艳。

  • 编程能力：GPT-oss-120b 在 Codeforces 编程竞赛等场景下表现强劲，接近 GPT-4 的编程能力。
  • 数学推理：AIME 2024 和 2025 的测试中，甚至 GPT-oss-20b 的表现也超出预期，优于同量级闭源产品。
  • 通用知识理解：在 MMLU 基准测试中，两款模型展现出宽泛的知识储备和强大的推理能力。
  • 工具调用与链式思维：原生支持 agentic reasoning，模型可调用外部工具、执行 Python 代码，极大地拓展了应用场景。
gpt-oss-120b gpt-oss-20b OpenAI o3 OpenAI o4-mini
Reasoning & knowledge
MMLU 90.0 85.3 93.4 93.0
GPQA Diamond 80.1 71.5 83.3 81.4
Humanity’s Last Exam 19.0 17.3 24.9 17.7
Competition math
AIME 2024 96.6 96.0 95.2 98.7
AIME 2025 97.9 98.7 98.4 99.5

Codeforces 编程竞赛 Elo 分数对比

Codeforces 编程竞赛 Elo 分数对比
柱状图对比 gpt-oss 与 OpenAI 闭源模型在 Codeforces 编程竞赛任务中的 Elo rating 表现。gpt-oss-120b 使用工具时得分 2622，略低于 o3（2706）与 o4-mini（2719），高于不使用工具时的 gpt-oss-120b（2463）；gpt-oss-20b 使用工具时为 2516，不使用工具时为 2230，优于 o3-mini（2073）。显示出 gpt-oss 模型在代码生成任务中的较强能力，但略逊于高端闭源模型。

Humanity’s Last Exam – 跨学科专家题准确率

Humanity's Last Exam – 跨学科专家题准确率

柱状图对比不同模型在 Humanity’s Last Exam（人类最后的考试）任务下的准确率，包括使用工具与否的两种模式。gpt-oss-120b 使用工具时得分最高（19%），略高于 gpt-oss-20b（17.3%），但都低于 o3（24.9%），显著优于 o3-mini 与不带工具模式。

HealthBench Hard – 挑战性医疗对话得分

HealthBench Hard – 挑战性医疗对话得分

柱状图显示各模型在 HealthBench Hard 医疗对话任务中的表现。gpt‑oss‑120b（工具模式） 得分约为 **30%**，略低于 o3 的 **31.6%**，明显高于 gpt‑oss‑20b（10.8%）、o4‑mini（17.5%）与 o3‑mini（4%）。显示出带工具的 gpt‑oss‑120b 在医疗对话中具备较强应对能力。

AIME 2025 工具增强数学任务准确率

AIME 2025 工具增强数学任务准确率

柱状图显示在 AIME 2025 数学竞赛类题目中开启工具模式下的准确率。gpt‑oss‑20b（工具） 的表现为 **98.7%**，略高于 gpt‑oss‑120b（97.9%），接近 o4‑mini（99.5%）与 o3（98.4%），远高于 o3‑mini（86.5%）。

MMLU 综合学科问答准确率对比

MMLU 综合学科问答准确率对比

柱状图展示 gpt‑oss 与 OpenAI 闭源模型在 MMLU 综合学科任务上的准确率：gpt‑oss‑120b 得分约为 90%，略低于 o3（93.4%）和 o4‑mini（93%），但仍优于 o3‑mini（87%）；gpt‑oss‑20b 得分约为 **85.3%**。

GPQA Diamond 博士级科学问答任务准确率

GPQA Diamond 博士级科学问答任务准确率

折线图显示 gpt‑oss‑120b 与 gpt‑oss‑20b 在 GPQA Diamond 博士级科学问答任务中的表现随 COT + 答案长度变化。随着 tokens 长度从较短增加至 16384，准确率逐步上升：gpt‑oss‑120b 从约 68% 提升至 **约 81%**，gpt‑oss‑20b 则从约 58% 提升至 **约 74%**，gpt‑oss‑120b 全程领先。

技术亮点：不只是参数堆叠的艺术

两款模型都展现了OpenAI在架构设计上的深厚功力：

高效的注意力机制：采用交替的密集和局部带状稀疏注意力模式，配合分组多查询注意力（组大小为8），大幅提升推理效率。
灵活的推理能力：支持链式思维（Chain-of-Thought）推理，可根据任务复杂度自适应调整推理深度，避免在简单任务上浪费计算资源。
完善的工具生态：原生支持网页搜索、Python代码执行等工具调用，内置function calling能力，是构建AI Agent的理想选择。

安全考量不放松

虽说权重完全开放，OpenAI 依然保持谨慎态度。发布前，大量内部安全测试和第三方审核相继完成，确保 GPT-oss 即便经过恶意微调，也未触及生物化学、网络安全等领域的高风险能力阈值。此外，OpenAI 还特别设立了总奖金高达 50 万美元的红队挑战赛，以确保生态的安全性。

为什么 OpenAI 此时重新开源？

这次重新“开门”，不仅是 OpenAI 战略上的及时转向，更反映出市场环境的巨大变化。
过去几年，以DeepSeek、Qwen 为代表的新兴开源势力迅猛崛起，Meta 的 Llama 系列更是不断刷新开源性能标杆。开放、可控、本地部署的趋势成为主流，闭源模式开始逐渐被市场所摒弃。
OpenAI 此次重新拥抱开源，是对市场需求的回应，也是为修正自身战略偏差。正如 Sam Altman 所说：“我们必须重新规划开源战略，因为历史已经证明闭源之路并非通向成功的唯一途径。”

迟到的开源，恰逢其时

尽管 OpenAI 这次开门的动作晚了五年，但正如业界一位开发者所调侃的那样：“虽然迟到，但总比永远不来要好。”GPT-oss 的发布，为开源社区带来了高性能模型的全新标杆，也标志着 AI 行业重新回归开放与竞争。

对广大开发者和企业来说，这无疑是一个巨大利好。如今，“OpenAI”终于名副其实地打开了大门，允许你下载权重，亲手体验这个估值 3000 亿美元的公司所创造的 AI 究竟能做到什么。

或许，OpenAI 终于明白，“Open”从来不是弱点，而是通向未来的最佳路径。这一次，“开放”真正回归了 OpenAI。