六年间，OpenAI 只发闭源模型，中国实验室却一路把模型开源。这种局面在 2025 年改变，余波仍在抵达那些宁可在自己机器上跑模型、也不把数据交给别人云端的开发者。
2025 年 8 月 5 日，OpenAI 发布 gpt-oss-120b 与 gpt-oss-20b——这是自 GPT-2 以来其首个开放权重语言模型。两者均为纯文本、专家混合（MoE）推理模型，采用 Apache 2.0 许可，允许商用、再分发与微调。大模型（大模型）方面，较大者总参数 1170 亿、每 token 激活约 51 亿；较小者总参数 210 亿、每 token 激活约 36 亿。两者原生支持 128K token 上下文，并为工具调用与智能体工作流而设计。
为何与中国生态相关
中国的开源模型社区已经成熟且迭代极快——中国开源大模型（大模型）在全球开源模型调用量上早已领先。在这个环境里，OpenAI 投下了一个西方、英语优先、Apache 2.0 的基座家族。这不是威胁，而是一种新配料：想要审查权重、为数据主权离线运行、或在私有数据上微调的开发者，现在多了一个来自行业最知名名字、文档完备的选项。
20b 变体对中国边缘与桌面场景尤其有意思。约 16GB 显存即可装入笔记本，OpenAI 发布了 PyTorch 与苹果 Metal 的参考实现，并与 vLLM、Ollama、llama.cpp、LM Studio 达成合作；微软还推出了 GPU 优化的 Windows 版本。对于一个必须让数据永不出境的本地助手，gpt-oss-20b 现在和 Qwen、GLM 一起进入了候选短名单。
推理与工具设计
两个模型沿用 OpenAI o 系列的后训练配方：监督微调加高算力强化学习，内生链式思维推理与工具使用（网页搜索、Python 执行）。开发者可设低、中、高三档推理强度，在延迟与性能间取舍。这让模型能顺滑落入智能体管线——自己判断何时深度思考、何时快速作答。
值得说清的边界
它们是纯文本，没有原生视觉或音频，不像若干中国多模态开源模型。训练数据被描述为以英语为主、聚焦 STEM、编程与通用知识，因此非英语、尤其中文任务可能落后于专门的中国模型。OpenAI 自身安全研究也表明，权重一旦公开，有心人可通过微调削弱拒绝机制——本地部署把安全责任转移给了运营方。而“开放权重”并非完整意义上的“开源”：训练数据与完整配方并未公开。
落地时的现实
把 gpt-oss 接进真实业务，最常见的做法不是直接拿它当客服，而是当作一个可审计的推理底座：先在小规模英文任务上验证，再决定是否投入中文场景的二次训练。由于权重可本地加载，金融企业、医疗机构和政务系统可以在内网完成推理，满足数据不出域的合规要求。但也要清醒：开源权重不等于开箱即用的安全产品，运营方需要自己补上内容审核、速率限制与越权调用防护。对那些原本只会调用闭源 API 的团队，这既是自由度，也是一份此前由厂商代管的责任。
更大的转向
在过去近十年里，“开放权重”这个标签主要由 Meta 的 Llama、中国实验室和少数创业公司扛着。OpenAI 的入场改变了观感：一家西方前沿实验室现在以宽松许可发布基座家族，把“自建托管”从只有闭源 API 才靠谱的默认假设里拽了出来。对中国开发者而言，实际影响比标题看起来窄——他们本来就有 Qwen、GLM、DeepSeek、InternLM 等强劲的本地基座——但它拓宽了所有人共同搭建的底座，也给采购团队在论证本地部署时多了一个耳熟能详的名字可指。换句话说，开放权重不再是中国与西方的分界线，而是一层大家都在上面盖房子的工程地基。
诚实的局限
本文关于参数、上下文、许可与发布日期的事实，均来自 OpenAI 官方模型卡与发布博客；具体基准表述（如 120b 对标 o4-mini）为 OpenAI 自家评测。该模型以英语为核心，中文能力未经独立第三方充分验证，不能默认其在中国语言任务上优于本土开源模型。开源权重带来的安全与合规责任由使用者承担，原厂托管侧的安全层不会随权重一同转移。
普通人现在能做什么
- 如果你自托管模型，去 Hugging Face 下载 gpt-oss-120b 或 gpt-oss-20b，在你的英文推理与编程评测集上对照 Qwen、GLM 比一轮。
- 对端侧或离线用途，先用 16GB 级别显存下的 20b 变体配合 Ollama 或 llama.cpp 起步，对延迟敏感任务把推理强度设低。
- 若你处理敏感数据，用开放权重做本地推理，让数据不出内网，但务必自行叠加护栏，因为 OpenAI 托管的 Safety 层并不随权重一并到来。