Memory sa bawat precision
| Bersyon | Weights | Kasama ang context | Pinakamaliit na Mac |
|---|---|---|---|
| native na 4.25-bit | 13.8 GB | 15.3 GB | 24 GB |
| 3-bit mas mababang kalidad | 9.2 GB | 10.7 GB | 16 GB |
| 2-bit mas mababang kalidad | 6.6 GB | 8.1 GB | 16 GB |
Sa bawat Apple chip
Ang pinakamaliit na memory size ng bawat chip na kaya ang gpt-oss-20b, ang pinakamagandang bersyong kasya rito, at ang bilis ng pagsusulat na maaasahan mo.
| Chip | Kailangan | Bersyon | Token/s |
|---|---|---|---|
| M6 | 24 GB | native na 4.25-bit Maayos | 40–72 |
| M5 Ultra | 96 GB | native na 4.25-bit Maayos | 284–505 |
| M5 Max | 36 GB | native na 4.25-bit Maayos | 109–194 |
| M5 Pro | 24 GB | native na 4.25-bit Maayos | 73–129 |
| M5 | 24 GB | native na 4.25-bit Maayos | 36–64 |
| M4 Max | 36 GB | native na 4.25-bit Maayos | 97–173 |
| M4 Pro | 24 GB | native na 4.25-bit Maayos | 65–115 |
| M4 | 24 GB | native na 4.25-bit Maayos | 28–51 |
| M3 Ultra | 96 GB | native na 4.25-bit Maayos | 194–345 |
| M3 Max | 36 GB | native na 4.25-bit Maayos | 71–126 |
| M3 Pro | 36 GB | native na 4.25-bit Maayos | 36–63 |
| M3 | 24 GB | native na 4.25-bit Maayos | 24–42 |
| M2 Ultra | 64 GB | native na 4.25-bit Maayos | 189–337 |
| M2 Max | 32 GB | native na 4.25-bit Maayos | 95–168 |
| M2 Pro | 32 GB | native na 4.25-bit Maayos | 47–84 |
| M2 | 24 GB | native na 4.25-bit Maayos | 24–42 |
| M1 Ultra | 64 GB | native na 4.25-bit Maayos | 189–337 |
| M1 Max | 32 GB | native na 4.25-bit Maayos | 95–168 |
| M1 Pro | 32 GB | native na 4.25-bit Maayos | 47–84 |
| M1 | 16 GB | 3-bit Maayos | 19–34 |
Paano ito patakbuhin
- Ang madaling paraan: i-download ang MLX Harness, libre at open source. Hanapin ang gpt-oss-20b, i-download ang bersyong kasya sa Mac mo, at mag-chat. Ibinibigay rin nito ang model sa iba mo pang app sa pamamagitan ng API na compatible sa OpenAI.I-download ang MLX HarnessLibre · Apple Silicon · macOS 14.5 o mas bago
- Sa Terminal gamit ang MLX ng Apple:
pip install mlx-lmmlx_lm.chat --model mlx-community/gpt-oss-20b-MXFP4-Q8Build: mlx-community/gpt-oss-20b-MXFP4-Q8 sa Hugging Face. Katabi nito ang ibang precision.
Hakbang-hakbang: mag-download at magpatakbo ng LLM sa Mac · paano gamitin ang MLX Harness · MLX vs Ollama vs llama.cpp
Tungkol sa gpt-oss-20b
| Gawa ng | OpenAI |
|---|---|
| Mga parameter | 21B kabuuan · 3.6B aktibo (mixture of experts) |
| Context | 128K token |
| Lisensya | Apache-2.0 |
| Inilabas | 2025-08 |
| Input | Text |
| Intelligence | 9 sa Artificial Analysis Intelligence Index |
| Weights | openai/gpt-oss-20b |
Mga tanong
- Gaano karaming memory ang kailangan ng gpt-oss-20b?
- Mga 13.8 GB ng weights sa native na 4.25-bit, dagdag ang espasyo para sa context: 15.3 GB lahat-lahat. Sa Mac, ibig sabihin nito ay 24 GB na unified memory o higit pa, dahil bilang default, mga 75% nito ang ipinapagamit ng macOS sa GPU.
- Gaano kabilis ang gpt-oss-20b sa Mac?
- Nakadepende sa memory bandwidth ang bilis ng pagsusulat. Ang pinakamabilis na Mac para dito ay M5 Ultra na may 96 GB, sa mga 284–505 token bawat segundo (native na 4.25-bit). Ang pinakamaliit na Mac na kaya ito, na may 24 GB, ay umaabot sa mga 73–129 sa M5 Pro.
- Bakit mas mabilis ang gpt-oss-20b kaysa sa inaasahan sa laki nito?
- Isa itong mixture-of-experts na model: may 21B na parameter ito sa memory pero 3.6B lang ang binabasa nito sa bawat token, kaya nagsusulat ito sa bilis ng mas maliit na model.
Mga katulad na model
Para sa model card o README mo
Ipinapakita ang pinakamaliit na Mac na maayos na nagpapatakbo ng gpt-oss-20b at nagli-link dito.
[](https://mlx.app/run/gpt-oss-20b)Paano ito kinuwenta
Memory: ang mga parameter ng model sa 8, 6, 4, 3 o 2 bit kada weight dagdag ang group scales ng MLX (kalahating bit kada weight), o ang native format nito, at may espasyo pa para sa context. Bilang default, mga 75% ng unified memory ang ipinapagamit ng macOS sa GPU. Bilis: ang memory bandwidth na hinati sa mga byte na binabasa kada token ang pinakamataas na posible para sa isang usapan; sa mga pampublikong benchmark ng llama.cpp sa Apple Silicon, umaabot ang totoong takbo sa mga 45% hanggang 80% nito, at iyon ang range na ipinapakita. Mga tantiya ito, hindi sukat: sukatin ang sarili mong Mac sa MLX Bench. Ang mga numero ng model ay mula sa opisyal na model card ng bawat isa, at ang sa chip ay mula sa Tech Specs ng Apple. Sinuri noong 2026-10-19. Parehong data ng mlx.app/compare.