حافظه در هر دقت
| نسخه | وزنها | با کانتکست | کوچکترین Mac |
|---|---|---|---|
| 4.25 بیت اصلی | 65.3 GB | 70.5 GB | 96 GB |
| 3 بیت کیفیت پایین‌تر | 51.2 GB | 55.3 GB | 96 GB |
| 2 بیت کیفیت پایین‌تر | 36.6 GB | 39.5 GB | 64 GB |
روی هر تراشهٔ Apple
کوچکترین حافظهٔ هر تراشه که gpt-oss-120b را اجرا میکند، بهترین نسخه‌ای که در آن جا میشود و سرعت نوشتنی که می‌توانید انتظار داشته باشید.
| تراشه | نیاز | نسخه | توکن/ثانیه |
|---|---|---|---|
| M6 | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
| M5 Ultra | 96 GB | 4.25 بیت اصلی خوب اجرا میشود | 200–356 |
| M5 Max | 128 GB | 4.25 بیت اصلی خوب اجرا میشود | 102–182 |
| M5 Pro | 64 GB | 2 بیت خوب اجرا میشود | 86–154 |
| M5 | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
| M4 Max | 128 GB | 4.25 بیت اصلی خوب اجرا میشود | 91–162 |
| M4 Pro | 64 GB | 2 بیت خوب اجرا میشود | 77–137 |
| M4 | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
| M3 Ultra | 96 GB | 4.25 بیت اصلی خوب اجرا میشود | 137–243 |
| M3 Max | 96 GB | 4.25 بیت اصلی خوب اجرا میشود | 50–89 |
| M3 Pro | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
| M3 | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
| M2 Ultra | 128 GB | 4.25 بیت اصلی خوب اجرا میشود | 133–237 |
| M2 Max | 96 GB | 4.25 بیت اصلی خوب اجرا میشود | 67–119 |
| M2 Pro | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
| M2 | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
| M1 Ultra | 128 GB | 4.25 بیت اصلی خوب اجرا میشود | 133–237 |
| M1 Max | 64 GB | 2 بیت خوب اجرا میشود | 113–200 |
| M1 Pro | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
| M1 | هیچ اندازه‌ای کافی نیست | خیلی بزرگ | – |
چطور اجرایش کنید
- راه آسان: MLX Harness را دانلود کنید، رایگان و متن‌باز. gpt-oss-120b را جست‌وجو کنید، نسخه‌ای را که در Mac شما جا میشود دانلود کنید و گفت‌وگو را شروع کنید. همچنین مدل را از طریق یک API سازگار با OpenAI در اختیار اپ‌های دیگرتان می‌گذارد.دانلود MLX Harnessرایگان · Apple Silicon · macOS 14.5 یا جدیدتر
- در Terminal با MLX از Apple:
pip install mlx-lmmlx_lm.chat --model mlx-community/gpt-oss-120b-MXFP4-Q8نسخه: mlx-community/gpt-oss-120b-MXFP4-Q8 در Hugging Face. دقت‌های دیگر کنار آن هستند.
گام به گام: دانلود و اجرای LLM روی Mac · نحوهٔ استفاده از MLX Harness · MLX در برابر Ollama و llama.cpp
دربارهٔ gpt-oss-120b
| سازنده | OpenAI |
|---|---|
| پارامترها | 117B در کل · 5.1B فعال (mixture-of-experts) |
| کانتکست | 128K توکن |
| مجوز | Apache-2.0 |
| انتشار | 2025-08 |
| ورودی | متن |
| هوش | 11.6 در Artificial Analysis Intelligence Index |
| وزنها | openai/gpt-oss-120b |
راهنما: گام به گام در mlx.app
پرسش‌ها
- gpt-oss-120b چقدر حافظه لازم دارد؟
- حدود 65.3 GB برای وزنها در 4.25 بیت اصلی، بهعلاوهٔ جا برای کانتکست: در کل 70.5 GB. روی Mac یعنی 96 GB حافظهٔ یکپارچه یا بیشتر، چون macOS بهطور پیشفرض اجازه میدهد GPU حدود 75% آن را استفاده کند.
- gpt-oss-120b روی Mac چقدر سریع است؟
- سرعت نوشتن به پهنای باند حافظه بستگی دارد. سریعترین Mac برای آن در اینجا یک M5 Ultra با 96 GB است، با حدود 200–356 توکن در ثانیه (4.25 بیت اصلی). کوچکترین Mac که آن را اجرا میکند، با 96 GB، روی یک M5 Ultra به حدود 200–356 میرسد.
- چرا gpt-oss-120b سریعتر از آنچه اندازهاش نشان میدهد اجرا میشود؟
- این یک مدل mixture-of-experts است: 117B پارامتر را در حافظه نگه میدارد اما برای هر توکن فقط 5.1B را میخواند، پس با سرعت مدلی بسیار کوچکتر مینویسد.
مدل‌های مشابه
برای کارت مدل یا README شما
کوچکترین Mac را که gpt-oss-120b را خوب اجرا میکند نشان میدهد و به اینجا لینک میدهد.
[](https://mlx.app/run/gpt-oss-120b)چطور محاسبه شده
حافظه: پارامترهای مدل در 8، 6، 4، 3 یا 2 بیت برای هر وزن بهعلاوهٔ مقیاس‌های گروهی MLX (نیم بیت برای هر وزن)، یا قالب اصلی آن، به‌اضافهٔ جا برای کانتکست. macOS بهطور پیشفرض اجازه میدهد GPU حدود 75% حافظهٔ یکپارچه را استفاده کند. سرعت: پهنای باند حافظه تقسیم بر بایت‌هایی که برای هر توکن خوانده میشود، سقف سرعت یک گفت‌وگوست؛ در بنچمارک‌های عمومی llama.cpp روی Apple Silicon اجراهای واقعی به حدود 45% تا 80% آن می‌رسند و همین بازه نمایش داده میشود. این‌ها برآوردند، نه اندازه‌گیری: Mac خودتان را روی MLX Bench بسنجید. ارقام مدل‌ها از کارت رسمی هر مدل و ارقام تراشه‌ها از مشخصات فنی Apple است. بررسی‌شده در 2026-10-19. همان داده‌های mlx.app/compare.