gpt-oss 20B
gpt-oss 20BをQ4_K_M・8kコンテキストで動かすには、13.4GB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16GBで、動くデスクトップ向けGPUのなかで最も速いRTX 5090では、生成速度は最大601トークン/秒です。
- パラメータ
- 21B（アクティブ3.6B）
- 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
どのメモリ容量のGPUで動くか
必要量13.4GB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RTX 4060 Ti（16GB）です。必要量は13.4GBで、生成速度は推定97トークン/秒です。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、RX 7900 XT（20GB）に上げましょう。その場合の必要量は14GBで、生成速度は約268トークン/秒です。
ほぼ劣化のないQ8_0なら、収まる最小のGPUはRTX 5090（32GB）で、必要量は23.9GBです。Appleシリコンでは、Mac mini M4 Pro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92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14GBで保持でき、生成速度は推定86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 | 動く | ≤ 1,123 | 読むより速い | 80GB | 3,350GB/s |
| A100 | 動く | ≤ 684 | 読むより速い | 80GB | 2,039GB/s |
| RTX 5090 | 動く | ≤ 601 | 読むより速い | 32GB | 1,792GB/s |
| RTX PRO 6000 Blackwell | 動く | ≤ 601 | 読むより速い | 96GB | 1,792GB/s |
| RTX PRO 5000 Blackwell | 動く | ≤ 451 | 読むより速い | 48GB | 1,344GB/s |
| RTX 4090 | 動く | ≤ 338 | 読むより速い | 24GB | 1,008GB/s |
| RTX 5080 | 動く | ≤ 322 | 読むより速い | 16GB | 960GB/s |
| RX 7900 XTX | 動く | ≤ 322 | 読むより速い | 24GB | 960GB/s |
| RTX 6000 Ada | 動く | ≤ 322 | 読むより速い | 48GB | 960GB/s |
| RTX 3090 | 動く | ≤ 314 | 読むより速い | 24GB | 936GB/s |
| RTX 5070 Ti | 動く | ≤ 300 | 読むより速い | 16GB | 896GB/s |
| RTX PRO 4500 Blackwell | 動く | ≤ 300 | 読むより速い | 32GB | 896GB/s |
| L40S | 動く | ≤ 290 | 読むより速い | 48GB | 864GB/s |
| RX 7900 XT | 動く | ≤ 268 | 読むより速い | 20GB | 800GB/s |
| RTX A6000 | 動く | ≤ 257 | 読むより速い | 48GB | 768GB/s |
| RTX 4080 SUPER | 動く | ≤ 247 | 読むより速い | 16GB | 736GB/s |
| RTX PRO 4000 Blackwell | 動く | ≤ 225 | 読むより速い | 24GB | 672GB/s |
| RX 9070 XT | 動く | ≤ 215 | 読むより速い | 16GB | 640GB/s |
| Radeon AI PRO R9700 | 動く | ≤ 215 | 読むより速い | 32GB | 640GB/s |
| Arc Pro B70 | 動く | ≤ 204 | 読むより速い | 32GB | 608GB/s |
| Arc Pro B60 | 動く | ≤ 153 | 読むより速い | 24GB | 456GB/s |
| RTX 5060 Ti | 動く | ≤ 150 | 読むより速い | 16GB | 448GB/s |
| RTX PRO 4000 Blackwell SFF | 動く | ≤ 145 | 読むより速い | 24GB | 432GB/s |
| RX 9060 XT | 動く | ≤ 107 | 読むより速い | 16GB | 320GB/s |
| RTX Spark | 動く | ≤ 101 | 読むより速い | 128GB（GPU用102GB） | 300GB/s |
| RTX 4060 Ti | 動く | 97 | 読むより速い | 16GB | 288GB/s |
| DGX Spark | 動く | 92 | 読むより速い | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | 86 | 読むより速い | 128GB（GPU用96GB） | 256GB/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 20BがQ4で1トークンごとに読む重みはわずか2.1GB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25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 | 23.8GB（32GBに収まる） | 23.9GB（32GBに収まる） | 24.5GB（32GBに収まる） |
| Q5_K_M | 16.1GB（24GBに収まる） | 16.2GB（24GBに収まる） | 16.8GB（24GBに収まる） |
| Q4_K_M | 13.3GB（16GBに収まる） | 13.4GB（16GBに収まる） | 14GB（16GBに収まる） |
重みはQ4で12.2GB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0.025GB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0.003GB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 20Bは21B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3.6Bです。全24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2つのオープンウェイトモデルのうち、小さいほうです。最初からMXFP4に量子化された状態で配布されるMoEの推論モデルで、21Bなのに16GBのGPUで動くのはそのためです。
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 21B中3.6B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で配布されており、エキスパートの重みは1つあたり約4.25ビットです。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
- 16GBのGPU。OpenAIは16GB以内で動くとしており、このサイトの計算も一致します。
- 速度。1トークンごとに読むパラメータは3.6Bだけです。
- ツール呼び出しと構造化出力。このモデルはそのために学習されています。
注意点
- OpenAIのharmonyチャット形式を前提としています。ランタイムなら自動で処理してくれますが、自作のプロンプトテンプレートでは対応できません。
- より高い精度の版はありません。MXFP4で配布する前提で学習されているため、Q8の行は仮定の数値です。
- 新しいモデルの多くが画像を読めるようになった中で、テキストのみの対応です。
似たモデル
Q4_K_M・8kコンテキストでgpt-oss 20B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 20B | 21B（アクティブ3.6B） | 13.4GB | 0.025GB | 128k | 2025年8月 |
| Phi-4 14B | 14.7B | 11GB | 0.205GB | 16k | 2024年12月 |
| Devstral Small 2 24B | 24B | 16.3GB | 0.164GB | 256k | 2025年12月 |
| Mistral Small 3.1 24B | 24B | 16.3GB | 0.164GB | 128k | 2025年3月 |
| Gemma 4 26B-A4B (MoE) | 25.8B（アクティブ3.8B） | 16.4GB | 0.02GB | 256k | 2026年3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 20Bは24GBのGPUで動く？
- はい。Q4_K_M・8kコンテキストで約13.4GBが必要で、24GBのGPUに余裕を持って収まります。
- gpt-oss 20B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23.9GB、32kコンテキストでは24.5GB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 20B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16.4GBが必要で、そのうち3.2GBがコンテキストの分です。
- gpt-oss 20B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24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0.8GBです。もし24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1.6GB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 20BはRTX 4090でどれくらいの速さ？
- Q4・シングルストリームでの上限は約338トークン/秒で、体感は「読むより速い」にあたります。これはGPUのメモリ帯域幅から求めた上限で、実測ではありません。この水準の数値では、計算式に含まれないコストが1トークンごとの時間に占める割合が大きくなるため、実際のランタイムはこれを大きく下回ります。
- アーキテクチャの値は、Hugging Faceのopenai/gpt-oss-20b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。