GPT-OSS 120B/20B开源模型深度测评：幻觉、推理、代码全面实测

OpenAI近日重磅发布了两款开源大模型——GPT-OSS 120B和GPT-OSS 20B，采用Apache 2.0许可证，支持本地部署。这两款模型在多项测试中展现出令人印象深刻的综合能力。本文将从幻觉测试、逻辑推理、代码生成、SQL查询等多个维度，对GPT-OSS系列模型进行全面深度测评，帮助你判断哪款更适合自己的使用场景。

GPT-OSS模型基本参数与部署方式

核心规格对比

GPT-OSS 120B拥有117B总参数，其中激活参数为5.1B，可在单张H100 GPU上运行。GPT-OSS 20B则包含21B总参数，激活参数为3.6B。两款模型均支持128K上下文长度，相当于400-500页英文小说或180-200页中文小说的处理能力。

总参数与激活参数之间的巨大差异揭示了这两款模型采用的混合专家（Mixture of Experts, MoE）架构。MoE的核心思想是将模型分成多个"专家"子网络，每次推理时由一个门控网络（Gating Network）决定每个输入token应该由哪些专家处理，只激活其中一小部分专家参与计算，而非让所有参数都工作。这意味着模型虽然拥有庞大的知识容量（由总参数量决定），但实际推理时的计算开销远小于同等规模的稠密模型——这也是120B模型能在单张H100 GPU上运行的关键原因。

128K的上下文长度同样值得关注。早期的Transformer模型受限于自注意力机制的二次方计算复杂度，上下文长度通常只有2K-4K。近年来通过旋转位置编码（RoPE）及其扩展技术、FlashAttention等高效注意力算法、以及滑动窗口注意力等方法，长上下文处理能力得到了显著提升。128K的上下文窗口使得模型能够一次性处理整篇论文、完整代码库或长篇对话历史，极大拓展了实际应用场景。

两款模型均支持可调节的推理级别：低级别适合日常对话，响应速度快；中等级别平衡速度与细节；高级别则能进行深度详细分析。这种灵活的推理级别设置让用户可以根据实际需求在速度和质量之间做出权衡。

多平台部署支持

部署方面，GPT-OSS支持Transformers、vLLM、PyTorch、Ollama以及LM Studio等多种方式。在Ollama中只需一条ollama run命令即可下载运行GPT-OSS 20B；在LM Studio中搜索模型名称即可一键部署。此外，OpenAI还提供了官方Demo供用户直接在线测试。

这些部署工具各有侧重：vLLM是由加州大学伯克利分校开发的高性能推理引擎，其核心创新PagedAttention技术借鉴了操作系统虚拟内存分页管理的思想，将KV Cache分成固定大小的块进行动态分配，大幅减少显存浪费，相比原生HuggingFace Transformers推理可实现数倍到数十倍的吞吐量提升。Ollama则面向个人用户提供极简的本地部署体验，底层基于llama.cpp实现CPU和GPU混合推理。LM Studio提供了图形化界面，降低了非技术用户的使用门槛。这些工具共同构成了当前大模型本地部署的主流技术栈。

Apache 2.0许可证的战略意义

Apache 2.0是目前最为宽松的开源许可证之一，允许用户自由使用、修改、分发和商业化衍生作品，唯一的核心要求是保留原始版权声明和许可证文本。相比之下，Meta的Llama系列曾采用限制性社区许可证（对月活超过7亿的企业有额外限制），而部分模型采用的GPL许可证则要求衍生作品也必须开源。OpenAI选择Apache 2.0意味着企业可以基于GPT-OSS构建闭源商业产品而无需额外授权，这对推动模型在企业级场景中的落地具有重要意义。

幻觉测试：六道陷阱题全部通过

幻觉问题一直是大模型的核心痛点。幻觉（Hallucination）是指大模型生成看似合理但实际上不正确或完全虚构的内容。这一问题的根源在于大模型本质上是基于统计概率的文本生成系统——它们学习的是语言模式而非真正的事实知识。幻觉通常分为两类：事实性幻觉（生成与现实不符的信息）和忠实性幻觉（生成与输入上下文不一致的内容）。业界目前通过检索增强生成（RAG）、基于人类反馈的强化学习（RLHF）、事实一致性训练等方法来缓解这一问题。

测评中精心设计了六道包含不存在动物、虚构事件、时间错误、虚构文献和虚构历史事件的陷阱题目，同时发送给两款模型。这种包含虚构实体和错误时间线的陷阱题设计，正是检验模型是否会在缺乏真实知识时"编造"答案的标准方法。

GPT-OSS 120B的表现堪称完美：成功识别出沙漠企鹅和不存在的Python装饰器，正确给出爱因斯坦获奖时间，准确判断Facebook和App Store的时间线，并识别出虚构论文和虚构历史事件。GPT-OSS 20B同样全部答对，准确指出企鹅题属于科幻设定，正确给出爱因斯坦获奖年份，并识别出所有虚构内容。

两款模型的知识库截止日期均为2024年6月，与其给出的Python版本号（3.12.1）基本对应。六道精心设计的幻觉陷阱题未能难倒任何一款模型，这在开源模型中实属难得。

逻辑推理与空间推理能力实测

空瓶换饮料问题

这是一道经典的数学推理题：12块钱买饮料，大瓶3块、小瓶1块，喝完后空瓶可按规则继续兑换。GPT-OSS 120B思考超过一分钟后给出了正确答案2700毫升，并附上了详细的思路、表格和公式。而GPT-OSS 20B在两次尝试中（分别思考29秒和28秒）均未能给出解答，思考过程中途中断——这道题确实将20B模型拦住了。

青蛙爬井问题

井深16米，青蛙每天爬升距离递减0.5米，每晚下滑距离递增0.5米。120B模型快速给出详细解答步骤，正确判断青蛙无法爬出井口。20B模型同样表现不错，精确指出从第九天起青蛙就不可能再往上爬。

空间推理：正方体数字问题

正方体六面写着1-6，给定多个约束条件，求数字5的对面。两款GPT-OSS模型均正确给出答案——5的对面是3。

代码能力测评：从理解到生成

代码理解

给定一段函数代码，要求模型识别功能并计算输入10时的输出。两款模型均成功识别出斐波那契数列，并正确给出答案55。

算法编程

要求用Python编写程序找出第1000万个质数，不引入外部库。GPT-OSS 120B和20B均给出了正确且高效的代码，运行时间都只需十几秒。你可能没注意到，20B给出的代码注释更加完整，可读性更强。

前端开发

要求使用Bootstrap创建包含Logo、导航菜单、产品下拉、登录注册按钮的完整响应式导航栏，采用深色主题。两款模型均生成了功能完整的HTML代码，产品下拉菜单正常工作，移动端适配良好。

Mermaid流程图生成（失败案例）

要求根据代码生成Mermaid流程图时，两款模型均生成了有语法错误的代码，在Mermaid解析器中报错。这是本次测评中GPT-OSS 120B和20B共同失败的一个环节。Mermaid是一种基于文本的图表描述语言，其语法对缩进、符号和关键字有严格要求，大模型在生成此类结构化标记语言时容易出现格式错误，这也是当前大模型在代码生成领域尚待改进的方向之一。

SQL查询能力：从简单聚合到复杂多表

聚合查询

给定客户表和订单表，要求统计每个城市的客户总订单金额并排序。两款模型均给出了完全正确的SQL语句。

复杂多表查询

涉及学生表、课程表、成绩表和班级表的复杂查询——找出每个班级中数学成绩最高的学生姓名、成绩及所有科目平均分（保留两位小数）。

120B给出了完全正确的SQL语句。而20B的表现更为亮眼——它给出的SQL语句更简洁、可读性更强、更方便维护，在代码质量上甚至优于120B。这个结果说明参数量并非决定一切的因素，小模型在特定任务上完全可能超越大模型。

这种"小模型超越大模型"的现象在大模型研究中并不罕见。其背后涉及多个因素：小模型可能在特定领域的训练数据配比上更为集中，形成了更强的专项能力；MoE架构中不同规模模型的专家路由策略差异可能导致在某些任务上小模型的专家选择更为精准；此外，模型蒸馏（Knowledge Distillation）技术允许小模型从大模型中学习压缩后的知识表示，有时反而能获得更干净、更结构化的输出。这也印证了业界的一个共识：选择模型不应只看参数量，而应根据具体任务进行评估。

高级能力：文档分析与提示词遵循

论文分析能力

上传一篇关于大语言模型的长篇论文后，GPT-OSS 120B成功检索到Transformer层数（32层）、隐藏状态大小等关键信息，甚至发现文中数据可能存在排版错误（文中写3072，模型校正为3272），展现了强大的文档理解和自我校正能力。20B在此测试中未能给出响应。

提示词遵循与概率推理

设置复杂的JSON格式输出要求，并提出经典的硬币概率问题（连抛100次正面后第101次的概率）。120B严格按照JSON结构输出，给出概率大于0.99的贝叶斯分析。20B的回答更加全面，给出了两个答案：常规情况下0.5（独立事件），以及贝叶斯思维下接近0.99（考虑硬币可能有偏），且同样严格遵循JSON格式要求。

20B同时给出两种分析框架的做法尤其值得关注。经典概率论（频率学派）认为公平硬币每次抛掷都是独立事件，无论之前出现多少次正面，下一次正面的概率始终是0.5。但贝叶斯推理引入了一个关键的认知转换：如果观察到连续100次正面，就应该更新对"这枚硬币是否公平"这一假设的置信度。根据贝叶斯定理，在观察到如此极端的证据后，硬币存在偏差的后验概率会急剧上升，因此第101次出现正面的预测概率也会接近1。模型能够区分这两种推理范式，体现了其在概率推理方面的深度理解能力。

GPT-OSS选型建议：120B还是20B？

通过多维度测评，GPT-OSS系列模型展现出了开源模型中顶尖的综合能力：

• GPT-OSS 120B在复杂推理（如空瓶换饮料）、文档分析、高难度任务上表现更稳定
• GPT-OSS 20B在SQL优化、代码注释质量、概率分析全面性等方面甚至超越120B
• 两款模型在幻觉抵抗、基础推理、代码生成等方面均表现优异
• Mermaid流程图生成是两款模型共同的短板

对于资源有限但追求高质量输出的用户，GPT-OSS 20B是性价比极高的选择；对于需要处理复杂推理和长文档分析的场景，GPT-OSS 120B则更为可靠。Apache 2.0许可证的加持，让这两款模型在商业应用中也具备了极大的吸引力。

核心要点

• GPT-OSS 120B（117B参数/5.1B激活）和GPT-OSS 20B（21B参数/3.6B激活）均采用MoE架构，支持128K上下文，采用Apache 2.0许可证
• 六道幻觉陷阱题两款模型全部正确识别，展现出优秀的事实判断能力
• 在复杂推理任务中120B更稳定，但20B在SQL优化和代码质量等特定任务上表现更优
• 两款模型支持Ollama、LM Studio、vLLM等多种部署方式，并可调节低/中/高三档推理级别
• Mermaid流程图生成是两款模型共同的短板，其余代码生成和理解能力均表现出色