OpenAI · 2025-08 · MoE sparsa
GPT-OSS 120B
GPT-OSS 120B è un Transformer a attention grouped-query (GQA) pubblicato da OpenAI nel 2025-08, con 36 strati, dimensione nascosta 2880 e una finestra di contesto di 131,072 token.
Pila di strati
Finestra scorrevole ×18 Attention ×18 · Strati 36
Dati chiave
| Laboratorio | OpenAI |
|---|---|
| Pubblicazione | 2025-08 |
| Parametri | 116.8 mld |
| Attivi | 5.1 mld |
| Contesto | 131,072 tokens |
| Attention | GQA (64:8) |
| Strati | 36 |
| Dim. nascosta | 2,880 |
| Teste di attention | 64 |
| Vocabolario | 201,088 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | MXFP4 |
| Classe architetturale | GptOssForCausalLM |
Panoramica dell'architettura
Attention
attention grouped-query (GQA) — 64 q-heads / 8 kv-heads. RoPE θ=150,000.
FFN / MoE
È un mixture-of-experts sparso con 128 esperti instradati e routing top-4; circa 5.1 milioni di parametri sono attivi per token.
Confronto campo per campo
Confronto con il modello precedente dello stesso laboratorio; in assenza, col modello strutturalmente più vicino. La colonna rapporto = questo modello ÷ modello di confronto.
Confronto completo con il predecessore GPT-3 175B (paper)
| Modello | GPT-OSS 120B | GPT-3 175B (paper) | Rapporto |
|---|---|---|---|
| model_type | gpt_oss | gpt3-paper | ≠ |
| architectures | GptOssForCausalLM | — | |
| hidden_size | 2880 | 12288 | ×0.234 |
| num_hidden_layers | 36 | — | |
| num_attention_heads | 64 | 96 | ×0.667 |
| num_key_value_heads | 8 | — | |
| head_dim | 64 | — | |
| intermediate_size | 2880 | — | |
| hidden_act | silu | — | |
| num_experts_per_tok | 4 | — | |
| rope_theta | 150000 | — | |
| max_position_embeddings | 131072 | 2048 | ×64.00 |
| sliding_window | 128 | — | |
| rms_norm_eps | 0.00001 | — | |
| vocab_size | 201088 | 50257 | ×4.00 |
| attention_bias | true | — | |
| attention_dropout | 0 | — | |
| eos_token_id | 200002 | — | |
| experts_per_token | 4 | — | |
| initial_context_length | 4096 | — | |
| initializer_range | 0.02 | — | |
| layer_types | sliding_attention×18 + full_attention×18 | — | |
| num_local_experts | 128 | — | |
| output_router_logits | false | — | |
| pad_token_id | 199999 | — | |
| router_aux_loss_coef | 0.9 | — |
Architetture più simili
- GLM-4.5-Air (GLM, 2025-07) 0.999
- Qwen3.6 35B A3B (Qwen, 2026-04) 0.997
- Qwen3 30B A3B (Qwen, 2025-04) 0.997
- Hunyuan-TurboS 30B A3B (Hunyuan, 2026-05) 0.997
- Qwen3.8-Flash-Next (Qwen, 2026-08) 0.997
- Qwen3-Next 80B A3B (Qwen, 2025-09) 0.996
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
30 campi
| 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×18 + full_attention×18 |
| max_position_embeddings | 131072 |
| model_type | gpt_oss |
| num_attention_heads | 64 |
| num_experts_per_tok | 4 |
| num_hidden_layers | 36 |
| num_key_value_heads | 8 |
| num_local_experts | 128 |
| 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 |