gpt-oss

Überblick

gpt-oss-120b ist das größere der beiden offenen Reasoning-Modelle, die OpenAI im August 2025 unter Apache-2.0 veröffentlicht hat. Es nutzt eine MoE-Transformer-Architektur mit rund 117B Gesamtparametern, von denen pro Token nur ~5,1B aktiv sind. Laut OpenAI übertrifft es o3-mini und nähert sich auf zahlreichen Benchmarks dem Niveau von o4-mini.

Use Cases

• Anspruchsvolle Reasoning-, Math- und Coding-Aufgaben auf nahezu o4-mini-Niveau
• Agentische Workflows: Deep-Research-Browsing, Python-Tool-Use, entwicklerdefinierte Funktionen
• Self-Hosting für Unternehmen mit Anforderungen an Datenresidenz und Datenschutz
• Tool-Calling und strukturierte Agenten (Harmony Chat Format)
• Gesundheitsbezogene Anfragen (starke HealthBench-Werte, ersetzt aber keine medizinische Fachkraft)

Stärken & Grenzen

Stärken: Frontier-nahe Reasoning- und Coding-Leistung unter den offenen Modellen; kommt bei Codeforces, SWE-Bench und Tau-Bench nah an o4-mini. Konfigurierbares Test-Time-Scaling über drei Reasoning-Stufen. Apache-2.0, offene Gewichte. Laut OpenAIs Safety Advisory Group erreichte das Modell auch nach gezieltem Fine-Tuning keine „High"-Capability bei biologischem/chemischem oder Cyber-Risiko.

Grenzen: Deutlich höherer Speicherbedarf als das 20B-Modell – für Single-Node-Deployment auf großen Beschleunigern ausgelegt. Schwache mehrsprachige Leistung, insbesondere bei chinesischsprachigen Benchmarks. Kein Vision-/Audio-Input (reines Text-Modell). In Einzelfällen skaliert das 20B-Modell bei Wettbewerbsmathematik sogar besser.

Praxis-Erfahrung

Das Modell ist auf lange Chain-of-Thought ausgelegt; im high-Reasoning-Modus steigt die Antwortlänge und damit die Latenz spürbar. Für agentische Aufgaben empfiehlt OpenAI das Harmony Chat Format mit den Kanälen analysis/commentary/final zur sauberen Trennung von Reasoning, Tool-Calls und finaler Antwort.

Gut zu wissen

• Lizenz: Apache-2.0, offene Gewichte
• Hardware: für Single-High-End-Beschleuniger ausgelegt (deutlich mehr Speicher als 20B)
• Kontext: 128K Tokens (RoPE), grouped multi-query attention (Gruppengröße 8)
• Tokenizer: o200k_harmony (ebenfalls offen)
• Alternative: gpt-oss-20b für lokale/On-Device-Nutzung mit 16 GB Speicher

Weitere Benchmarks (Zusatzquellen)

Weitere berichtete Werte, für die in der Score-Tabelle oben kein Eintrag vorliegt.

Quelle: OpenAI (offizielle Model Card, arXiv 2508.10925), Reasoning high:

• AIME 2025 (mit Tools) 97,9 % · AIME 2024 (ohne Tools) 95,8 %
• GPQA Diamond (mit Tools) 80,9 % · HLE (mit Tools) 19,0 % · MMLU 90,0 %
• Tau-Bench Retail 67,8 % · Tau-Bench Airline 49,2 % · Aider Polyglot 44,4 %
• Codeforces Elo (mit Tools) 2622 · (ohne Tools) 2463
• HealthBench 57,6 % · Hard 30,0 % · Consensus 89,9 %

Quelle: BenchLM (Chatbot Arena): Coding-Elo 1390 · Hard-Prompts-Elo 1362 (Text-Overall-Elo 1353 steht oben in der Score-Tabelle).