OpenAI · 2025-08 · Sparsames MoE
GPT-OSS 20B
GPT-OSS 20B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von OpenAI im 2025-08, mit 24 Schichten, Hidden-Größe 2880 und einem Kontextfenster von 131,072 Tokens.
Schichtstapel
Gleitendes Fenster ×12 Attention ×12 · Schichten 24
Kernfakten
| Labor | OpenAI |
|---|---|
| Veröffentlicht | 2025-08 |
| Parameter | 20.9 Mrd. |
| Aktiv | 3.6 Mrd. |
| Kontext | 131,072 tokens |
| Attention | GQA (64:8) |
| Schichten | 24 |
| Hidden-Dim. | 2,880 |
| Attention-Köpfe | 64 |
| Vokabular | 201,088 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | MXFP4 |
| Architekturklasse | GptOssForCausalLM |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 64 q-heads / 8 kv-heads. RoPE θ=150,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 32 gerouteten Experten und Top-4-Routing; etwa 3.6 Mrd. Parameter sind pro Token aktiv.
Feldweiser Vergleich
Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.
Vollfeldvergleich mit dem Vorgänger GPT-OSS 120B
| Modell | GPT-OSS 20B | GPT-OSS 120B | Ratio |
|---|---|---|---|
| model_type | gpt_oss | gpt_oss | ＝ |
| architectures | GptOssForCausalLM | GptOssForCausalLM | ＝ |
| hidden_size | 2880 | 2880 | ≈1 |
| num_hidden_layers | 24 | 36 | ×0.667 |
| num_attention_heads | 64 | 64 | ≈1 |
| num_key_value_heads | 8 | 8 | ≈1 |
| head_dim | 64 | 64 | ≈1 |
| intermediate_size | 2880 | 2880 | ≈1 |
| hidden_act | silu | silu | ＝ |
| num_experts_per_tok | 4 | 4 | ≈1 |
| rope_theta | 150000 | 150000 | ≈1 |
| max_position_embeddings | 131072 | 131072 | ≈1 |
| sliding_window | 128 | 128 | ≈1 |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 201088 | 201088 | ≈1 |
| attention_bias | true | true | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| eos_token_id | 200002 | 200002 | ≈1 |
| experts_per_token | 4 | 4 | ≈1 |
| initial_context_length | 4096 | 4096 | ≈1 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| layer_types | sliding_attention×12 + full_attention×12 | sliding_attention×18 + full_attention×18 | ≠ |
| num_local_experts | 32 | 128 | ×0.250 |
| output_router_logits | false | false | ＝ |
| pad_token_id | 199999 | 199999 | ≈1 |
| router_aux_loss_coef | 0.9 | 0.9 | ≈1 |
Strukturell ähnlichste Modelle
- GPT-OSS 120B (OpenAI, 2025-08) 0.994
- Hunyuan-TurboS 30B A3B (Hunyuan, 2026-05) 0.994
- Qwen3 30B A3B (Qwen, 2025-04) 0.994
- GLM-4.5-Air (GLM, 2025-07) 0.992
- Qwen3.6 35B A3B (Qwen, 2026-04) 0.992
- Qwen3-Next 80B A3B (Qwen, 2025-09) 0.985
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
30 Felder
| architectures | GptOssForCausalLM |
|---|---|
| attention_bias | true |
| attention_dropout | 0 |
| eos_token_id | 200002 |
| experts_per_token | 4 |
| head_dim | 64 |
| hidden_act | silu |
| hidden_size | 2880 |
| initial_context_length | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 2880 |
| layer_types | sliding_attention×12 + full_attention×12 |
| max_position_embeddings | 131072 |
| model_type | gpt_oss |
| num_attention_heads | 64 |
| num_experts_per_tok | 4 |
| num_hidden_layers | 24 |
| num_key_value_heads | 8 |
| num_local_experts | 32 |
| output_router_logits | false |
| pad_token_id | 199999 |
| rms_norm_eps | 0.00001 |
| rope_theta | 150000 |
| router_aux_loss_coef | 0.9 |
| sliding_window | 128 |
| swiglu_limit | 7 |
| tie_word_embeddings | false |
| transformers_version | 4.55.0.dev0 |
| use_cache | true |
| vocab_size | 201088 |