OpenAI впервые с момента выпуска GPT-2 предоставила открытые веса двух крупных языковых моделей: gpt-oss-120b и gpt-oss-20b.
Обе модели используют архитектуру Mixture-of-Experts и предназначены для логических рассуждений, пошагового решения задач и работы с внешними инструментами — например, с веб-поиском и интерпретаторами кода. Распространяются модели под лицензией Apache-2.0.
По информации OpenAI, gpt-oss-120b работает на одной 80 ГБ GPU, а gpt-oss-20b рассчитана на устройства с 16 ГБ ОЗУ. Генеральный директор OpenAI Сэм Альтман назвал этот шаг вкладом в создание “демократической” ИИ-инфраструктуры. Обе модели уже доступны на Hugging Face.
Согласно OpenAI, gpt-oss-120b показывает результаты, близкие к закрытой модели o4-mini, и превосходит GPT-4o во многих задачах. На конкурсе математики AIME 2024 точность модели составила 96,6% при использовании внешних инструментов (у o4-mini — 98,7%).
Также модели хорошо справляются с программированием: на Codeforces gpt-oss-120b набрала рейтинг Elo 2622 (у o4-mini — 2719). На бенчмарке SWE-bench Verified показатели открытых моделей — 60% и 62% (для сравнения: у o4-mini — 69%, у o3 — 68%).
В медицинских тестах gpt-oss-120b опережает многие другие ИИ-модели и почти догоняет o3, отмечает OpenAI.
Обе модели обрабатывают только текст. Воспроизвести или сгенерировать изображение они не могут, а их знания актуальны на июнь 2024 года.
OpenAI отмечает проблемы с точностью фактов: модели чаще выдают ошибки (“галлюцинации”), что типично для менее крупных систем с ограниченными знаниями.
В компания вводит новый протокол безопасности. Модель специально обучали на опасных сценариях — например, планировании кибератак и использовании биологических знаний. Это сделано для оценки потенциальных угроз, если кто-то будет дообучать ИИ с вредными целями.
В докладе OpenAI говорится, что даже после такого обучения модели не превысили “высокий” уровень риска в проверяемых ситуациях. Анализ проводили внутренние и внешние эксперты. В итоге OpenAI считает, что публикация этих моделей не ведет к существенному росту угрозы — другие открытые ИИ, такие как Qwen 3 Thinking и Kimi K2, уже обладают схожими способностями.
Несмотря на дополнительные меры, gpt-oss хуже выполняют сложные инструкции, чем o4-mini, а цепочки рассуждений не проходили фильтрацию на “опасный” контент. Разработчикам придется самим следить за модерацией, поэтому в моделях возможен непроверенный контент.
