OpenAI 下场，国产开源还有机会吗？从 gpt-oss 与 Qwen3/DS 的技术路线说起

北京时间8月5日，OpenAI 终于发布了其自 GPT-2 以来的首个开源大模型 gpt-oss，整个技术圈瞬间沸腾。在众多媒体和开发者涌向官方博客和性能榜单的同时，我更习惯直奔主题——扒开它在 Hugging Face 上公开的 config.json 配置文件，从最底层的技术架构，一探究竟。

这次时隔多年的“Open”，究竟是革命性的技术突破，还是现有技术的精巧组合？它与 Qwen3、Kimi K2 等国产开源大模型相比，在设计思路上有何本质不同？其实际体验和可玩性又如何？

本文将从 【技术架构解析与对比】、【上手体验与感悟】 和 【快速使用指南】 三个部分，为你带来一份全面且深入的 gpt-oss 分析报告。

Part.01

开源技术分析和国内开源大模型对比

我第一时间去hugging face上扒了120B模型的config文件，也就是模型的描述文件，就想看看它这次时隔多年的开源，到底有没有什么重磅内容。

这是详细内容，layer_ types层是sliding_ attention和full_attention的交错分布，所以省略了。

作为对比，这里放了Qwen3的结构。

先来看GPT oss的结构，MoE写的明明白白了：GptOssForCausalLM，现在的大模型暂时还跑不出MoE这种结构范围内，毕竟这种结构兼容了性能和速度，不二之选。

独特的Attention交替排列

attention大家都用，传统full attention，linear attnetion挺多，但是这种sliding_ attention和full_ attention交替排列的还是在开源大模型里面第一次见。

Qwen用的full_attention，刚刚看了下Kimi K2，也是full attention（继承的DeepSeek R1结构），可以说这个交错的attention使用或者应用，算是GPT oss一个独创性的工作。

这种方式的直接效果就是极大的减少内容的使用，这也是120B可以放到单卡H100，20B消费级显卡就可以使用的一个重要原因。

但是相比起full_attention，这种方式必定会减少一定程度的性能，但是至于是多少，得看更多的案例分析。

很稀疏的MoE + 路由器的强行均衡

num_local_experts: 128
experts_per_token: 4: 4

在其内部，每一层都设有128个“专家”网络，但在处理任何一个任务时，系统只会智能地激活最相关的4位专家来协同工作。

但有一个细节，router_ aux_ loss_ coef: 0.9，解释一下，比如有很多个专家，但是系统可能会抽风，那么就会老让最热门的几个专家（比如数学和编程专家）干活，他们肯定会忙不过来，造成交通拥堵，针对这种可能性GPT oss定了一个非常严格的规矩（router_aux_loss_coef: 0.9）。这个规矩强制调度员必须公平地给各位专家分配任务，确保冷门的专家也能得到锻炼，不会出现“旱的旱死，涝的涝死”的情况。

与此相比，Qwen3 模型在专家协作上则采用了截然不同的策略，它一次会激活 8位专家（是 gpt-oss 的两倍），相当于为每个任务都组建一个更庞大的“专家小组”，理论上能调动的瞬时智慧更多。

更关键的是，它的“调度员”规则非常宽松（router_ aux_ loss_coef: 0.001），几乎不干涉专家的选择。这更像一个“自由市场”，允许最顶尖的专家处理绝大部分他们擅长的问题，从而可能在特定领域形成极强的专业优势。

在这一点儿上，OpenAI非常的保守，它通过强有力的外部规则来保证系统的整体稳定和健康，相信一个泛化、均衡的系统是通往强大通用人工智能的更可靠路径。

而国内的大多数开源大模型要激进一些，它相信通过赋予模型内部组件最大的自由，能够涌现出更高效、更专业化的内部结构，从而冲击更高的性能极限。

Context：128K

这个上下文并没有很夸张，中规中矩，毕竟Gemini直接干到了100万，kimi也是。

就是RoPE + YaRN，核心代码就是这里，本来的4096个，翻了32倍，直接干到128K。

Qwen3没用这个，不过在Kimi k2，也就是DeepSeek R1上找到了类似的用法。

区别就是factor和rope_theta。

但是相比起开源的早晚，DeepSeek很早就应用了这个技术并开源，功德更高。

词表大小

只是列举出区别，之前听过有大佬说，这玩意也不是越大越好，但事实上GPT oss的词表最大。

GPT oss：201088

Qwen3: 151936

Kimi k2: 129280

选择性的量化

还是追求性能，应该就是要把模型塞进单卡里作为一个硬性约束，直接做了4bit的量化，不过在关键的部位依旧保持高精度。

DeepSeek也有类似的应用，不过比起4bit要柔和了不少，用的8bit。

Part.02

体验效果分享和感悟

开源大模型从整体上暂时弱于闭源大模型。

这种弱几乎是全方面的。

所以比较性能意义不大，之需要知道这个大模型还不错，可以单卡运行即可。

要关注的是它的可玩性：

• Apache 2.0 许可：可自由用于实验、定制和商业部署。

• 可调的推理力度：可设为“低、中、高”三档，以平衡延迟与性能。

• 完整的思维链：完全访问模型的推理过程，便于调试和建立信任（不建议对终端用户展示）。

• 可微调：支持参数微调，以完全适应特定业务。

• 原生智能体能力：内置函数调用、网页浏览、代码执行和结构化输出能力。

• 原生 MXFP4 量化：训练时自带的量化精度，使120B模型能在单张H100上运行，20B模型仅需16GB内存。

我在OpenRouter上用20B的模型跟，Qwen3的30B，GLM4.5 Air和Kimi K2做了对比实验。

结果粗看大家性能都差不太多，GLM4.5 Air成功的破解了问题里预设的“鸡蛋陷阱”，而GPT oss结果有点儿小问题，还是比较低级的计算问题，kimi k2发现了鸡蛋陷阱，但是方法采用的是假设法，不是很理想。Qwen3也有点儿小问题，那就是最开始的时候竟然没有区分公斤和斤，在做了提示之后没什么问题，也避开了陷阱。

Part.03

使用方法介绍

OpenAI建议通过Huggingface使用：https://huggingface.co/openai/gpt-oss-120b

其中OpenAI提供了免费玩的地方：

本地玩玩的话，推荐用Ollama，连代码都不用运行，直接一键激活下载功能。

有老哥在M1 ultra上测试了，token速度还可以。

最后，开源这个模型，对于OpenAI来说很重要，因为终于它Open了一把，但是对于整个开源大模型社区，意义不是特别大，只是现有技术的组合应用，相信很快会有基于GPT oss的二创。