昨晚OpenAI官方放了个大招，发布了gpt-oss-120b和gpt-oss-20b两款开源模型，这是一个专为Agent而生的模型，而且开源了。这背后其实藏着OpenAI对未来AI应用形态，特别是Agentic工作流的深刻思考。这篇文章，咱们就一起扒一扒这俩模型到底牛在哪，以及它会怎么影响我们未来的产品开发。
性能与性价比的“王炸”组合
OpenAI官方给出的数据显示，大杯的gpt-oss-120b在核心推理能力上，基本能和他们自家的o4-mini打个平手，这可不是闹着玩的。它在一张80GB的消费级GPU上就能跑起来，而小杯的gpt-oss-20b更是只需要16GB内存，这意味着您甚至可以在边缘设备上做本地推理，这性价比直接拉满了。
为“AI代理”（Agentic）而生
为什么说这模型是为Agentic工作流设计的？OpenAI官方反复强调了它的工具使用能力、指令遵循和推理能力，这正是构建一个合格AI代理（Agent）的三大支柱。它不像传统聊天模型那样只会对话，而是被训练得能够熟练调用外部工具，比如执行Python代码或者进行网络搜索，来完成一个复杂任务，这是开发智能应用时真正需要的能力。
MoE架构与128k上下文
这俩模型能这么高效，核心在于它们采用了混合专家（MoE）架构，虽然总参数量巨大，但每次推理只激活一小部分，大大降低了计算成本。再加上它们都支持高达128k的超长上下文窗口，这意味着模型能处理和记忆的信息量非常可观，对于需要理解复杂文档或长对话的应用场景来说，这简直是福音。
- gpt-oss-120b: 117B总参数，5.1B活动参数，36层，每层128个专家（激活4个）。
- gpt-oss-20b: 21B总参数，3.6B活动参数，24层，每层32个专家（激活4个）。
用数据说话：硬核性能全方位解读
官方这次给出的评测非常全面，覆盖了从编程、数学到专业知识和工具使用的方方面面，咱们一起来详细看看这些数据到底说明了什么。
1. 编程能力 (Codeforces Elo Rating)
这是一个衡量模型在编程竞赛中表现的指标，分数越高代表实力越强。
- 结果：gpt-oss-120b（带工具）的Elo评分达到了2622分，这是一个非常高的水平，与OpenAI自家的顶级模型o3（2706分）和o4-mini（2719分）处于同一梯队。更值得注意的是，小尺寸的gpt-oss-20b（带工具）评分为2516分，大幅领先于o3-mini（2073分）。
这说明gpt-oss系列在代码生成和理解方面非常强大，对于我们工程师来说，这意味着它在辅助编程、代码调试等场景下会是个得力助手。
2. 健康领域对话能力 (HealthBench & HealthBench Hard)
这个基准测试模拟了真实的健康咨询对话场景。
- 结果：在常规的HealthBench上，gpt-oss系列可以说是“乱杀”。gpt-oss-20b得分59.8%，gpt-oss-120b得分57.6%，双双超过了o4-mini（50.1%）和o3（42.5%）。在更具挑战性的HealthBench Hard上，gpt-oss-120b（30%）也仅仅略低于o3（31.6%），但远超其他模型。
gpt-oss在处理需要专业知识和细致沟通的领域（如医疗健康）方面有特殊优势，这可能是其训练数据和微调策略带来的结果。
3. 数学竞赛能力 (AIME 2024 & 2025)
这是衡量模型解决复杂数学竞赛问题的能力。
- 结果：在这个项目上，所有顶级模型的表现都非常接近，准确率都极高。gpt-oss系列与o-series模型互有胜负，例如在AIME 2025上，gpt-oss-20b（98.7%）的表现甚至超过了gpt-oss-120b和o3。
这证明gpt-oss模型具备顶级的逻辑推理和数学计算能力。
4. 综合知识与推理能力 (MMLU, GPQA Diamond, Humanity"s Last Exam)
这几项是衡量模型在学术、科学和跨学科领域的综合知识与问题解决能力的经典基准。
- MMLU (综合学科知识)：gpt-oss-120b拿到了90%的准确率，与o4-mini（93%）和o3（93.4%）非常接近，表现出很强的综合知识水平。GPQA Diamond (博士级科学问题)：gpt-oss-120b的准确率为80.1%，同样紧随o3（83.3%）和o4-mini（81.4%）之后。Humanity"s Last Exam (专家级问题)：gpt-oss-120b（带工具）的准确率为19%，仅次于o3（24.9%），但优于o4-mini（17.7%）。
综合来看，gpt-oss-120b的通用推理和知识储备能力已经达到了与OpenAI自家最先进的专有模型几乎持平的水平。
5. AI代理（Agent）核心能力 (Tau-Bench Retail)
这个基准直接测试模型进行“函数调用”（Function Calling）的能力，这是构建AI代理最核心的技术之一。
- 结果：gpt-oss-120b的准确率为67.8%，非常接近表现最好的o3（70.4%），并且优于o4-mini（65.6%）。
这个数据直接印证了OpenAI官方的说法，gpt-oss是为Agentic工作流设计的。它强大的函数调用能力，意味着我们可以放心地让它去调度各种外部API和工具，来构建更复杂的自动化应用。我之前写过一篇相关的文章，感兴趣您可以看看《函数调用提示词咋写，看下OpenAI发布的Function Calling指南（万字含示例）｜最新》
未经监督的“思维链”
这里有个特别有意思的设计，就是模型的思维链（CoT）是未经直接监督的，OpenAI官方说这是为了让CoT更真实地反映模型的“思考过程”。这意味着什么呢？您在调试时看到的CoT，可能就是模型最原始的想法
写在最后
至于怎么用上，模型已经在Hugging Face上开放下载，而且得到了Azure、AWS、NVIDIA等一众大厂的支持，整个生态已经相当成熟，您拿到手就能很快集成到自己的产品里。欢迎您来一起交流使用心得！
文章来自于微信公众号“AI修猫Prompt”。
