gpt-oss-120b calcolatore TPS

Apri i pesi OpenAI 116.8B parametri August 2025

Ogni scheda sottostante è valutata rispetto a questo modello alla lunghezza di contesto e alla qualità minima che scegli. La velocità è una stima per una singola richiesta, calcolata dalla larghezza di banda della memoria della scheda e dalla dimensione del modello una volta compresso..

Calcolato per questo modello

38 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

RTX PRO 5000 72 GB Blackwell

72 GB · IQ4_XS · 11.9 tok/s

Scheda più veloce

H100 NVL 94 GB

33.0 tok/s · 94 GB

Quali GPU possono eseguire gpt-oss-120b?

Imposta gli input, leggi la risposta

Lunghezza del contesto token

Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..

Qualità minima

Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..

Cerca schede

Memoria della scheda

Mostra anche le schede che non possono eseguirlo.

38 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
33.0 tok/s 20–53 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	71.4 GB	Q4_K_M	Stretto
29.0 tok/s 17–46 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	125.8 GB	Q8_0	Comodo
29.0 tok/s 17–46 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	125.8 GB	Q8_0	Comodo
28.1 tok/s 17–45 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	71.4 GB	Q4_K_M	Stretto
28.1 tok/s 17–45 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	71.4 GB	Q4_K_M	Stretto
28.1 tok/s 17–45 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	71.4 GB	Q4_K_M	Stretto
26.9 tok/s 16–43 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	98.6 GB	Q6_K	Stretto
23.2 tok/s 14–37 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	125.8 GB	Q8_0	Comodo
23.2 tok/s 14–37 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	125.8 GB	Q8_0	Comodo
21.9 tok/s 13–35 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	98.6 GB	Q6_K	Stretto
21.8 tok/s 13–35 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.0 GB	Q5_K_M	Stretto
21.8 tok/s 13–35 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.0 GB	Q5_K_M	Stretto
17.7 tok/s 11–28 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	125.8 GB	Q8_0	Stretto
17.7 tok/s 11–28 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	125.8 GB	Q8_0	Stretto
17.1 tok/s 10–27 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	71.4 GB	Q4_K_M	Stretto
17.1 tok/s 10–27 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	71.4 GB	Q4_K_M	Stretto
17.1 tok/s 10–27 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	71.4 GB	Q4_K_M	Stretto
17.1 tok/s 10–27 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	71.4 GB	Q4_K_M	Stretto
17.1 tok/s 10–27 · bassa fiducia	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	71.4 GB	Q4_K_M	Stretto
17.1 tok/s 10–27 · bassa fiducia	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	71.4 GB	Q4_K_M	Stretto
17.0 tok/s 10–27 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	125.8 GB	Q8_0	Comodo
16.2 tok/s 10–26 · bassa fiducia	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	71.4 GB	Q4_K_M	Stretto
16.2 tok/s 10–26 · bassa fiducia	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	71.4 GB	Q4_K_M	Stretto
15.1 tok/s 9–24 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	125.8 GB	Q8_0	Comodo
15.1 tok/s 9–24 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	125.8 GB	Q8_0	Comodo

Le velocità sono stime per una singola richiesta — una conversazione alla volta — calcolate dalla larghezza di banda della memoria, dalla dimensione del modello e dalla quantizzazione. Il throughput reale varia con il runtime di inferenza e la sua versione. I valori pubblicati dai fornitori di hardware misurano molte richieste simultanee e sono molto più elevati..

In registrazione

specifiche complete

Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..

Origine

Chi ha costruito questo modello, dove e quando è stato pubblicato.

Organizzazione: OpenAI
Tipo di organizzazione: Industry
Paese: United States of America
Pubblicato: 5 August 2025

Cosa fa

Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.

Dominio: Language
Compito: Language modeling/generation, Question answering

Dimensione

Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.

parametri: 116.8B
Dati di addestramento: tokens

Calcolo di addestramento

L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.

Calcolo di addestramento: 4.9 × 10²⁴ FLOP
Come è stato stabilito: Hardware

La corsa di addestramento

Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.

Hardware di addestramento: NVIDIA H100 SXM5 80GB

Disponibilità

Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.

Pesi: Open — downloadable
Accesso al modello: Open weights (unrestricted)

Come è classificato

Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.

Probabilmente sopra 10²³ FLOP: Yes
Perché è monitorato: Discretionary
Record fiducia: Confident

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento: gpt-oss-120b & gpt-oss-20b Model Card
Ultimo aggiornamento: 10 February 2026

Gli estremi

Le dieci GPU più veloci che eseguono gpt-oss-120b

Classificato per token stimati al secondo, scheda più recente per prima dove le velocità coincidono. Poiché la generazione è vincolata dalla larghezza di banda della memoria, quest'ordinamento segue la larghezza di banda piuttosto che qualsiasi benchmark di gioco..

Le GPU più piccole che ancora funzionano gpt-oss-120b

Il percorso più economico, in base alla capacità di memoria. Un adattamento stretto esegue il modello ma non lascia nulla di riserva per una conversazione più lunga..

Cosa significano i numeri

Requisiti hardware in pratica

Scheda minima

RTX PRO 5000 72 GB Blackwell

Memoria necessaria

64.6 GB

Più veloce

33.0 tok/s

gpt-oss-120b raggiunge un conteggio di parametri di 116.8B. Questo lo colloca al di sopra dell'hardware consumer, nella fascia in cui una CARD viene acquistata per questo scopo piuttosto che riadattata per esso. Il numero di CARD che teniamo traccia e che possono contenerlo: 38.

Il punto di ingresso è RTX PRO 5000 72 GB Blackwell, con una capacità di memoria di 72 GB, eseguendolo a una compressione di IQ4_XS e producendo circa 11.9 token al secondo

Il risultato più rapido proviene da H100 NVL 94 GB, generando approssimativamente 33.0 token al secondo sulla base di una larghezza di banda di VRAM 3,940 GB/s.

Da dove è venuto

gpt-oss-120b è stato pubblicato da OpenAI, nel paese registrato come United States of America, durante August 2025. Esce da un'organizzazione categorizzata come industry.

Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Question answering.

I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.

Comprendere le velocità

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 17.1 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 36 di loro

È un modello denso, quindi ogni parametro viene letto per ogni token prodotto. Questo rende la pista di velocità la larghezza di banda della memoria quasi esattamente — una CARD con il doppio della larghezza di banda genera approssimativamente il doppio della velocità.

Senza il layout di attenzione in archivio, la colonna della memoria è un'approssimazione. È abbastanza vicino per scegliere l'hardware e meno affidabile con contesto lungo.

Cosa è stato necessario per costruirlo

Il training ha richiesto un budget di calcolo di circa 4.9 × 10²⁴ FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.

Il motivo per cui appare in questo catalogo è: discretionary.

Passo dopo passo

Come scegliere una GPU per gpt-oss-120b

La tabella sopra ha già valutato ogni card di cui possediamo le specifiche rispetto a questo modello. Arrivare alla tua risposta richiede sei passaggi..

01

Controlla cosa serve prima di ogni altra cosa

La tabella elenca ogni card in grado di contenere gpt-oss-120b, avere bisogno di circa 64.6 GB a una compressione di IQ4_XS. La Capacità è il cancello — una card o la tiene o non la tiene.
02

Decidi quanto a lungo durano le tue conversazioni

Conversazioni più lunghe richiedono memoria oltre a ciò che i pesi necessitano. Muovi il cursore sulla tua reale lunghezza di lavoro prima di fidarti di qualsiasi riga per gpt-oss-120b.
03

Decidi quanto spazio di compressione accetterai

Ogni card esegue la copia meno compressa che può contenere., raggiungendo una compressione di IQ4_XS sulla scheda più piccola che si adatta. Impostare una qualità minima elimina le schede che riescono a gestirla solo spremendo oltre quanto desiderato e mantiene il confronto a un livello.
04

Ordina per velocità

Ordina per velocità per vedere come si classificano le schede per gpt-oss-120b. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria. La scheda in cima alla lista è H100 NVL 94 GB, nella 33.0 tok/s
05

Guarda il margine, non solo l'adattamento

Una vestibilità stretta funziona, ma non lascia nulla in più per una conversazione più lunga, nel caso di gpt-oss-120b. Comfortable significa che puoi espandere il contesto in seguito. Quella differenza conta più di pochi token al secondo, quindi acquista per comfortable se ti aspetti di farlo.
06

Apri la scheda su cui ti sei deciso.

Seguire una GPU attraverso la sua pagina mostra ogni altro modello che può contenere, che è la domanda che segue una volta che hai deciso su gpt-oss-120b.

Risposte

gpt-oss-120b — domande comuni

gpt-oss-120b— quanto sono accurate queste stime di velocità?

Ogni cifra è derivata dalla larghezza di banda della memoria e dalle dimensioni del modello, non calibrata, motivo per cui ognuna è pubblicata come un intervallo anziché come un singolo numero. Un esempio: 20–53 tok/s su H100 NVL 94 GB. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.

gpt-oss-120b— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è RTX PRO 5000 72 GB Blackwell, con una capacità di memoria di 72 GB. Esegui il modello a una compressione di IQ4_XS utilizzando circa 64.6 GB, e produce approssimativamente 11.9 token al secondo. Il numero di card in grado di eseguirlo in totale: 38.

gpt-oss-120b— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è H100 NVL 94 GB, circa 33.0 token al secondo; il più lento che riesce a farlo gestisce considerevolmente meno. La velocità di lettura è di circa dieci token al secondo, e il numero di schede che riescono a farlo: 36.

gpt-oss-120b— quanta VRAM serve?

Ha bisogno di 64.6 GB a una compressione di IQ4_XS, quale è la scheda più piccola che lo utilizza. Meno compressione richiede di più: le cifre nella colonna della memoria sopra sono ricalcolate per ogni scheda, perché ognuna contiene la versione meno compressa possibile.

gpt-oss-120b— è open-source?

I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.

gpt-oss-120b— quanti parametri ha?

Ha un numero di parametri di 116.8B. Total parameters: 116.83B. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.

gpt-oss-120b— chi l'ha creato?

È stato pubblicato da OpenAI, basato su United States of America, un'organizzazione categorizzata come industry.

gpt-oss-120b— quando è stato rilasciato?

È stato pubblicato in August 2025.

gpt-oss-120b— A cosa serve?

Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Question answering. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.

gpt-oss-120b— Dove posso scaricarlo?

I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.

gpt-oss-120b— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 4.9 × 10²⁴ FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.

gpt-oss-120b— posso eseguirlo se non si adatta nella mia GPU?

Può essere diviso tra la scheda e la memoria di sistema, ma genera dolorosamente lentamente in quel modo. La più vicina mancata che calcoliamo risulta insufficiente di 13.8 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

gpt-oss-120b— due GPU lo farebbero andare più veloce?

La capacità si somma tra le schede; il throughput no. Il numero di schede che già la possiedono da sole: 38. Quindi una seconda CARD è raramente la risposta qui.

gpt-oss-120b— perché la quantizzazione differisce tra le schede?

Poiché la capacità varia, così deve essere spremuta. Il numero di livelli distinti nella tabella sopra: 5. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 10 February 2026

L'altra direzione

Guardandolo dall'altro lato?

Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.

Tutti i modelli AI