gpt-oss 120B
gpt-oss 120BをQ4_K_M・8kコンテキストで動かすには、71.4GBのVRAMが必要です（2026年10月16日に確認したconfig.jsonから計算）。収まる最小のGPUのメモリは80GB（ぎりぎり）で、動くデスクトップ向けGPUのなかで最も速いRTX PRO 6000 Blackwellでは、生成速度は最大424トークン/秒です。
- パラメータ
- 117B（アクティブ5.1B）
- コンテキスト長
- 131,072トークン
- ライセンス
- Apache 2.0
- 公開
- 2025年8月
- config.jsonの確認日
- 2026年10月16日
gpt-oss 120BをローカルLLM動作チェッカーで開く
どのメモリ容量のGPUで動くか
必要量71.4GBを、メモリ容量ごとに比べます。モデルが使えるのはGPUのメモリの95%までで、色が付いているのは残りの容量か、足りない容量だけです。「ぎりぎり」は85%を超える場合で、長い会話に使える余裕はほとんどありません。
ほかの量子化やコンテキスト長、Q8のKVキャッシュはLLM VRAM計算ツールで試せます。
計算・2026年10月16日どのGPUを選ぶか
このサイトで扱うGPUのうち、Q4_K_M・8kコンテキストで読み込める最小のものはA100（80GB）です。必要量は71.4GBで、生成速度は推定483トークン/秒です。ただしぎりぎりの収まり方で、会話に使える余裕はほとんど残りません。余裕を持って使いたい場合、つまり32,768トークンのコンテキストを確保しつつメモリ使用率を85%未満に抑えたい場合は、RTX PRO 6000 Blackwell（96GB）に上げましょう。その場合の必要量は72.3GBで、生成速度は約424トークン/秒です。
Q8_0では、ここに挙げたどのGPUにも1枚では収まりません。Appleシリコンでは、MacBook Pro M4 Maxなら32,768トークンのコンテキストを含めて保持でき、生成速度は推定129トークン/秒です。ただしプロンプト処理はNVIDIAより遅く、長い文書ではその差がはっきり出ます。ユニファイドメモリのデスクトップでは、Ryzen AI Max+ 395が32,768トークンのコンテキストを72.3GBで保持でき、生成速度は推定61トークン/秒です。
GPU別の生成速度
| GPU | 動く？ | 推定トークン/秒 | 体感 | メモリ | メモリ帯域幅 |
|---|---|---|---|---|---|
| H100 SXM | ぎりぎり | ≤ 793 | 読むより速い | 80GB | 3,350GB/s |
| A100 | ぎりぎり | ≤ 483 | 読むより速い | 80GB | 2,039GB/s |
| RTX PRO 6000 Blackwell | 動く | ≤ 424 | 読むより速い | 96GB | 1,792GB/s |
| RTX Spark | 動く | 71 | 読むより速い | 128GB（GPU用102GB） | 300GB/s |
| DGX Spark | 動く | 65 | 読むより速い | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | 61 | 読むより速い | 128GB（GPU用96GB） | 256GB/s |
| RTX 6000 Ada | 動かない | - | 収まらない | 48GB | 960GB/s |
| L40S | 動かない | - | 収まらない | 48GB | 864GB/s |
| RTX A6000 | 動かない | - | 収まらない | 48GB | 768GB/s |
| RTX PRO 5000 Blackwell | 動かない | - | 収まらない | 48GB | 1,344GB/s |
| RTX 5090 | 動かない | - | 収まらない | 32GB | 1,792GB/s |
| RTX PRO 4500 Blackwell | 動かない | - | 収まらない | 32GB | 896GB/s |
| Radeon AI PRO R9700 | 動かない | - | 収まらない | 32GB | 640GB/s |
| Arc Pro B70 | 動かない | - | 収まらない | 32GB | 608GB/s |
| RTX 3090 | 動かない | - | 収まらない | 24GB | 936GB/s |
| RTX 4090 | 動かない | - | 収まらない | 24GB | 1,008GB/s |
| RX 7900 XTX | 動かない | - | 収まらない | 24GB | 960GB/s |
| RTX PRO 4000 Blackwell | 動かない | - | 収まらない | 24GB | 672GB/s |
| RTX PRO 4000 Blackwell SFF | 動かない | - | 収まらない | 24GB | 432GB/s |
| Arc Pro B60 | 動かない | - | 収まらない | 24GB | 456GB/s |
| RX 7900 XT | 動かない | - | 収まらない | 20GB | 800GB/s |
| RTX 4060 Ti | 動かない | - | 収まらない | 16GB | 288GB/s |
| RTX 5060 Ti | 動かない | - | 収まらない | 16GB | 448GB/s |
| RTX 5080 | 動かない | - | 収まらない | 16GB | 960GB/s |
| RTX 5070 Ti | 動かない | - | 収まらない | 16GB | 896GB/s |
| RTX 4080 SUPER | 動かない | - | 収まらない | 16GB | 736GB/s |
| RX 9070 XT | 動かない | - | 収まらない | 16GB | 640GB/s |
| RX 9060 XT | 動かない | - | 収まらない | 16GB | 320GB/s |
| RTX 3060 | 動かない | - | 収まらない | 12GB | 360GB/s |
| RTX 4070 | 動かない | - | 収まらない | 12GB | 504GB/s |
| RTX 5070 | 動かない | - | 収まらない | 12GB | 672GB/s |
| Arc B580 | 動かない | - | 収まらない | 12GB | 456GB/s |
シングルストリームの生成速度を、メモリ帯域幅と効率70%から求めた値です。プロンプト処理とバッチ処理は含みません。どれも上限（理論値）で、実測ではありません。gpt-oss 120BがQ4で1トークンごとに読む重みはわずか3GBです。これほど少ないと、計算式に含まれない1トークンごとのコストが実際の速度を大きく左右します。≤の付いた3個の数値は、実際のランタイムの速度が表示値をもっとも大きく下回る箇所です。ほかの量子化やAppleのハードウェアについては生成速度（トークン/秒）推定ツールを、モデルではなくハードウェアを選んでいる場合は全GPUの比較をご覧ください。
計算・2026年10月16日量子化・コンテキスト長別の必要メモリ
| 量子化 | 4,096トークン | 8,192トークン | 32,768トークン |
|---|---|---|---|
| Q8_0 | 129.6GB（複数GPUが必要） | 129.8GB（複数GPUが必要） | 130.7GB（複数GPUが必要） |
| Q5_K_M | 87GB（96GBに収まる） | 87.2GB（96GBに収まる） | 88.1GB（96GBに収まる） |
| Q4_K_M | 71.2GB（80GBに収まる） | 71.4GB（80GBに収まる） | 72.3GB（80GBに収まる） |
重みはQ4で67.9GBです。コンテキストが1,000トークン増えるごとに、FP16のKVキャッシュが約0.037GB増えます（これとは別に、スライディングウィンドウ・アテンションのレイヤーが、ウィンドウがいっぱいになった時点で固定の0.005GBを保持します）。ほかの設定はLLM VRAM計算ツールで試せます。
モデルについて
gpt-oss 120Bは117Bパラメータのモデルです。MoE（Mixture of Experts）構成で、1トークンごとのアクティブパラメータは5.1Bです。全36レイヤーで、KVヘッドは8個（ヘッド次元64）です。フルアテンションと128トークンのスライディングウィンドウが交互に並ぶため、大きくなるキャッシュを持つのは半分のレイヤーだけです。OpenAIが2025年8月に公開したオープンウェイトモデルのうち大きいほうで、重みは117B、1トークンごとに読むのは5.1B、80GBのGPU1枚に収まるようMXFP4で配布されています。
テキストのみ コンテキスト長131,072トークン Apache 2.0 2025年8月公開 117B中5.1Bがアクティブ
思考モード：常に思考してから回答します。思考の強さは低・中・高の3段階で、システムプロンプトで設定します。
MXFP4で配布されています。OpenAIは80GBのGPU1枚で動くとしています。4ビット（Q4）の行を選んでください。
ネイティブのコンテキスト長は131,072トークンです。ライセンスはApache 2.0で、寛容な（permissive）ライセンスです。重みの公開は2025年8月です。
得意なこと
- 80GBのGPU1枚。OpenAIはそのために設計しています。
- 128GBのMac。遅いが大容量のメモリを、MoEモデルはもっとも有効に使えます。
- Apache 2.0のもとでの、ツール呼び出しやエージェント作業
注意点
- harmonyチャット形式を前提としています。
- MXFP4がネイティブの精度で、より高品質な版はありません。
- テキストのみです。
似たモデル
Q4_K_M・8kコンテキストでgpt-oss 120Bとほぼ同じメモリを必要とするモデルです。手持ちのGPUで実際に比べる相手になるのは、これらのモデルです。「1kトークンあたり」の列はコンテキストが1,000トークン増えるごとのコストで、同じサイズのモデルの間でもっとも差が出るところです。
| モデル | サイズ | 必要量 | 1kトークンあたり | コンテキスト長 | 公開 |
|---|---|---|---|---|---|
| gpt-oss 120B | 117B（アクティブ5.1B） | 71.4GB | 0.037GB | 128k | 2025年8月 |
| Mistral Small 4 119B (MoE) | 119B（アクティブ6.5B） | 72.5GB | 0.023GB | 256k | 2026年3月 |
| Qwen3-Coder-Next 80B-A3B (MoE) | 79.7B（アクティブ3B） | 48.9GB | 0.025GB | 256k | 2026年1月 |
| Nemotron 3.5 Bolt 74B-A9B (MoE) | 74.9B（アクティブ9B） | 45.9GB | 0.008GB | 256k | 2026年10月 |
| DeepSeek-R1 Distill Llama 70B | 70.6B | 45.8GB | 0.328GB | 128k | 2025年1月 |
全モデルの比較、8〜96GBに収まるモデル（英語）、クラウドGPUごとの最安の時間料金（英語）もご覧ください。
よくある質問
- gpt-oss 120Bは24GBのGPUで動く？
- いいえ、24GBのGPUには収まりません。Q4_K_M・8kコンテキストで約71.4GBが必要です。収まる最小のクラスは80GBです。
- gpt-oss 120BをQ8で動かすには、VRAMはどれくらい必要？
- 8kコンテキストで約129.8GB、32kコンテキストでは130.7GBです。Q8はほぼ劣化がないので、収まるならQ8を使うのがおすすめです。
- gpt-oss 120Bのコンテキスト長は？
- ネイティブで131,072トークンです。すべてをQ4_K_Mで保持すると約75.9GBが必要で、そのうち4.8GBがコンテキストの分です。
- gpt-oss 120Bが長いコンテキストでも少ないメモリで済むのはなぜ？
- ほとんどのレイヤーが、大きくなっていくキャッシュを持たないからです。全36レイヤーで、KVヘッドは8個（ヘッド次元64）です。フルアテンションと128トークンのスライディングウィンドウが交互に並ぶため、大きくなるキャッシュを持つのは半分のレイヤーだけです。32kトークンのコンテキストに必要なメモリは約1.2GBです。もし36レイヤーすべてが従来どおり全長のキャッシュを持っていたら、同じ会話に約2.4GBかかります。この節約は、ランタイムがスライディングウィンドウのキャッシュを実装していることが前提です。llama.cppとvLLMは実装していますが、実装していないビルドではずっと多くのメモリを使います。
- gpt-oss 120BはRTX 4090でどれくらいの速さ？
- Q4・8kコンテキストではRTX 4090に収まらないため、CPUへのオフロードになり、速度は激減します。より大きなGPUを使うか、ビット数のより少ない量子化を選んでください。
- アーキテクチャの値は、Hugging Faceのopenai/gpt-oss-120bにあるconfig.jsonから読み取り、2026年10月16日に確認しています。このページの数値はすべてこれらの値から計算しています。このモデルのためにハードウェアを買う前に、元の値を確認してください。
- 推定値は、ほかに何も動いていないGPUで会話を1つだけ扱う前提です。同じGPUでデスクトップ環境も動かすと、0.5〜2GBが使われます。