硬核拆解！从GPT-2到gpt-oss，揭秘大模型进化关键密码

---

  新智元报道  

8月5日，在GPT-5发布前两天，OpenAI推出了它的两款开源权重大语言模型：gpt-oss-120b、gpt-oss-20b。

这是自2019年GPT-2，近六年来OpenAI首次发布开放权重的模型。

得益于巧妙的优化技术，这些模型甚至可以在本地设备上运行。

Sebastian Raschka博士在《从GPT-2到gpt-oss：架构进步分析》一文中，将我们拉回硬核拆机现场，深度解析了从GPT-2到gpt-oss的LLM架构演进，并将gpt-oss与Qwen3进行了详细对比。

以下是本文的核心内容速览：

• 模型架构： GPT-2与gpt-oss模型架构对比；

• MXFP4优化技术： 如何将庞大的gpt-oss模型部署在单张GPU上；

• 宽度与深度的权衡： gpt-oss与Qwen3的设计思路对比分析；

• 注意力机制的细节： 注意力偏置（Attention Bias）与注意力池（Attention Sinks）解析；

• 性能基准： 全面评测并与GPT-5展望比较。

  
  

在深入讨论架构细节之前，先看gpt-oss-20b和gpt-oss-120b的整体架构。

图1：两个gpt-oss模型的对比

也许你会觉得，这与近期看过的LLM架构相比，并无任何新奇之处。

这并不奇怪，因为顶尖的LLM开发者，往往采用相同的基础架构，性能提升很可能来自数据与算法的调整，再做一些小幅微调。

背后原因可能包括：

先坐上「时光机」，回到GPT-2。

图2：gpt-oss-20b与GPT-2 XL1.5B的比较

gpt-oss和GPT-2都是建立在2017年论文《Attention Is All You Need》提出的Transformer架构之上的仅解码器（decoder-only）LLM。

1. 移除Dropout

Dropout是一种传统的防止过拟合的技术，在训练过程中随机「丢弃」一部分网络层的激活值或注意力分数（即将其设为零），GPT-2之后的多数现代LLM中很少再使用Dropout。

图3：将Dropout应用于注意力得分矩阵的示意图

GPT-2最初使用Dropout，可能是沿用了最早的Transformer架构设计。

研究者们发现，它并不能真正提升LLM的性能。

这很可能是因为LLM通常在海量的数据集上进行单轮训练，这与当初Dropout诞生时所针对的那种动辄训练数百轮的场景截然不同。

由于训练中每个token只被看到一次，过拟合的风险原本就很小。

今年的一篇论文通过在Pythia 1.4B的实验证实，在当前这种单轮训练模式下，使用Dropout反而会导致模型在下游任务中的表现变差。

2. RoPE替代绝对位置编码

在基于Transformer的大模型中，位置编码是必要的，因为注意力机制本身默认把输入的token视为无序。

在原始的GPT架构中，绝对位置嵌入通过为序列中的每个位置学习一个位置向量，并将其与token嵌入相加，从而注入位置信息。

图4：绝对位置嵌入的说明

RoPE（旋转位置嵌入）不是把位置信息作为独立嵌入相加，而是依据每个token的位置，对query和key向量施加位置相关的旋转来编码。

RoPE最早于2021年被提出，但直到2023年Meta发布初代Llama模型后才被广泛采用，并自此成为了LLM的标配。

3. 激活函数之争：Swish/SwiGLU何以取代GELU？

激活函数的选择曾是一个热门话题，直到十多年前逐渐落定到ReLU。

此后研究者提出并尝试了多种更「平滑」的ReLU变体，其中GELU和Swish被广泛保留并沿用至今。

图5：Swish和GELU激活的比较，它们都是ReLU的更平滑版本

早期的GPT架构使用GELU，其定义为：0.5·x·[1+erf(x/√2)]。

其中erf（误差函数）与高斯积分相关，通常通过对高斯积分的多项式近似来计算。而Swish使用的是更简单的sigmoid函数，它的形式是x·sigmoid(x)。

在实践中，Swish的计算成本略低于GELU，这或许是它在多数新模型中取代GELU的主要原因。

至于建模性能，不同论文结论略各有差异，但这些差异往往落在统计标准误差范围内，最终优劣还高度依赖超参数调校。

如今，Swish已成为大多数架构的选择。不过，GELU也并未被完全抛弃，例如谷歌今年发布的Gemma模型就仍然坚持使用GELU。

更值得注意的是，比替换激活函数本身更值得注意的变化是，模型中的前馈网络（feed-forward module）模块的结构也发生了改变。

前馈模块常被带门控的GLU（Gated Linear Unit）变体取代。

具体而言，原本的两层全连接会被三层全连接替换，其用法如下图所示。

图6：Swish与GELU，及其门控对应版本SwiGLU和GEGLU的比较

为便于说明，可对比常规FFN与GLU变体的具体代码实现思路：

图7：常规前馈模块（顶部）和SwiGLU变体（底部）

假设embedding维度为1024。常规FFN中，隐藏维常取4×d_model=4096，因此有：

也就是说，fc1+fc2=8,388,608个参数。

GLU变体（SwiGLU）参数总量：

结论非常清晰：SwiGLU结构不仅性能更好，总参数量实际上还更少。

其优势来自于门控带来的额外的乘法交互，增强了模型的表达能力。在训练得当的前提下，更深更窄的网络往往胜过更浅更宽的网络。

4. 混合专家模型 (MoE) 替代单个前馈网络

除了上文提到的把前馈模块升级为SwiGLU之外，gpt-oss还用多个前馈模块替换了单个前馈模块，并在每个token生成步骤中只启用其中的一个子集。

这种做法称为Mixture-of-Experts（MoE，专家混合），如下图8所示。

图8：前馈模块被专家混合（MoE）模块替代

因此，用多个前馈模块取代单个前馈模块（MoE的典型做法）会显著增加模型的总参数量。

不过关键在于：我们不会对每个token激活所有专家，因此，MoE常被称为稀疏模块。与之相对，始终使用全部参数的称为致密模块。

MoE带来的总参数量意味着在训练中能「装下」更多知识；稀疏性又能在推理阶段保持较高的效率。

5. 分组查询注意力（GQA）替代多头注意力（MHA）

近年，分组查询注意力（Grouped Query Attention, GQA） 已成为多头注意力（Multi-Head Attention, MHA） 的一种计算和参数效率都更高的替代方案。

在多头注意力（MHA）中，每个头都拥有一套独立的键和值向量。

GQA的核心思想则是通过分组来减少计算量：它让多个查询头共享同一套键和值。

如（图9）所示，假设有4个注意力头和2个键值组（key-value groups），那么头1和头2可以共享一组键值，而头3和头4则共享另一组。

这种分组机制减少了键和值的总计算量，从而降低了内存使用并提升了效率。

在推理过程中，需要缓存（KV Cache）和读取的键值张量变少了，这极大地降低了对内存带宽的需求，从而加快了生成速度。

图9：MHA与GQA的比较；此处，组大小为2，其中一对键和值在2个查询中共享

GQA有如下两个好处：

6. 滑动窗口注意力 (Sliding Window Attention)

滑动窗口注意力（Sliding-window attention）见下图10，这一技术最早由LongFormer论文（2020年）引入，后来被Mistral推广。

图10：常规注意力（左）与滑动窗口注意力（右）的比较

有趣的是，gpt-oss在每隔一层就应用一次滑窗注意力，可以把它视作MHA/GQA的一种变体。

其核心思想是将注意力计算的范围限制在一个较小的窗口内，从而有效降低内存占用和计算成本。

gpt-oss在网络中交替使用两类GQA层：一种对全上下文做注意力，另一种使用仅128 token的滑动窗口。

根据消融研究，滑动窗口注意力对模型性能的影响很小。

需要注意的是，Gemma2的窗口为4096 tokens，而Gemma3将其降到1024 tokens。在gpt-oss中，窗口仅为128 tokens，可谓非常小。

GPT-3已经使用了类似的交替致密与局部带状稀疏注意力，而gpt-oss与GPT-3类似，也采用交替的致密与局部带状稀疏注意力模式。

回看了GPT-3论文，确实有相关描述：

7. RMSNorm替代LayerNorm

最后，与GPT-2相比的最后一个小调整，是用RMSNorm取代LayerNorm。

与把GELU换成Swish，把FFN换成SwiGLU的做法类似，RMSNorm也是一种小而合理的效率提升。

RMSNorm和LayerNorm的目的都是对层激活值进行归一化，如下图所示。

图11：一个小线性层中LayerNorm（左）与RMSNorm（右）的比较

在图11中，LayerNorm和RMSNorm都将层输出缩放到一个合理的范围内。

LayerNorm会减去均值并除以标准差，使层输出具有零均值与单位方差（方差为1、标准差为1）。

RMSNorm则将输入除以RMS。这不会强制零均值与单位方差，但均值与方差仍会落在合理区间：均值约在-1到1，方差约在0到1。

尽管两者都能起到稳定激活值、改善优化的作用，但LLM中，RMSNorm更受青睐，因为它计算成本更低。

与LayerNorm不同，RMSNorm没有偏置（bias/shift）项，并把计算均值和方差两个步骤简化为RMS操作。

这使得跨特征维度的规约（reduction）操作从两次减少到了一次，从而降低了GPU之间的通信开销，提升了训练效率。

下图展示了它们在代码实现上的区别：

图12：LayerNorm和RMSNorm的代码实现，显示RMSNorm在计算上更简单

8. GPT-2的价值传承

学习LLM时，GPT-2是非常好的入门级架构。

从GPT-2入手，你可以把重心放在基础要素上（注意力机制、位置嵌入、归一化以及整体训练流程），而不会被新架构里层出不穷的功能与微调细节「淹没」。

在梳理了从GPT-2到gpt-oss的演进之后，Sebastian Raschka博士将gpt-oss与更近的架构Qwen3进行比较。

选择Qwen3，主要基于两点原因：

通过图中的对比，可以看到：gpt-oss20B与Qwen3 30B-A3B在架构上非常相似。

图13：gpt-oss-20b与Qwen3模型比较

主要差别在于gpt-oss使用了滑动窗口注意力机制，而Qwen3未使用该机制。

1. 宽度与深度权衡

Qwen3是一个更深的架构，它有48个Transformer Block，而不是24个（见下图14）。

图14：Qwen3的Transformer块数量是gpt-oss-20b的两倍

gpt-oss的架构要「宽」得多：

gpt-oss的注意力头数约为Qwen3两倍，但这不会直接增加模型「宽度」，因为后者主要由embedding维度决定。

在参数总量固定的前提下，「更深」与「更宽」孰优？

一个经验法则是：更深的模型表达更灵活，但训练更易不稳（梯度爆炸/消失），这正是RMSNorm与残差/捷径连接试图缓解的问题。

更宽的架构在推理时通常更快，因为并行度更好。代价是更高显存占用。

2. 少量「大专家」vs 大量「小专家」

gpt-oss的专家数量更少（32 vs 128），且每个token激活专家更少（4 vs 8）；但gpt-oss的单个专家更大，比Qwen3的专家「更宽」。

这点颇有意思，因为近来的趋势倾向于「更多、更小」的专家。

DeepSeek有关MoE的论文中对此有很好的示例。

图15：《DeepSeekMoE：迈向混合专家语言模型的终极专业化之路》论文注释图

与DeepSeek不同，gpt-oss与Qwen3均未采用「共享专家」设计。

客观说，gpt-oss-20B的专家较少，可能只是因为它模型尺寸较小的缘故。

观察gpt-oss-120B版本（见下图16），确实在其他设置不变时增加了专家数与层数。

图16：对比两个gpt-oss架构，120B模型仅扩展了Transformer块的数量和专家的数量

然而，仅在层数与专家数两个维度上缩放的情况并不常见。

Qwen3的多档MoE模型（见图17）会在更多方面做更成比例的伸缩。

图17：不同Qwen3模型中的架构差异

3. 注意力偏置（Attention Bias）与注意力池（Attention Sinks）

gpt-oss与Qwen3都采用GQA（分组查询注意力）。

主要区别是gpt-oss在每隔一层使用滑动窗口注意力来限制上下文。

但有个细节引人注意：gpt-oss似乎在注意力权重里使用了偏置项。

图18：gpt-oss模型在注意力层使用偏差单元

GPT-2之后，很少再看到偏置项用于此处，通常被视为冗余。

根据近期一篇论文，从数学上证明至少对k_proj来说确实如此；而实证也显示有无偏置差别很小。

图19：展示了在从头开始训练模型时，有和无偏差单元的平均测试损失。

还有一个细节是图18的代码里sinks的定义。

注意力池（Attention Sinks）通常指一些特殊的、安插在序列开头的常被关注token。它们的作用是稳定注意力机制，在长上下文场景下尤其有用。

在gpt-oss的实现中，注意力汇并非真实token，而是按头（per-head）学习的bias logits，直接加到注意力得分上。

图20：gpt-oss中注意力汇流的使用；基于此处Hugging Face代码

1. 训练概述

关于gpt-oss训练集规模与算法的信息不多。下面摘录了模型卡（1）与公告（2）里最关键的线索：

由此可知，gpt-oss是推理型模型。其210万H100小时的训练量，与DeepSeek V3（278.8万H800小时）大致同级。

可惜Qwen3的训练时长尚未公开。

gpt-oss的训练时长同时包含了指令跟随的监督学习与推理的强化学习；而DeepSeek V3仅是预训练基座，其上另行训练了DeepSeek R1。

2. 推理力度

如上所述，gpt-oss是推理型模型。特别之处在于，它被训练成可通过推理时伸缩，让用户调节推理强度。

具体来说，gpt-oss可以在系统提示中接受「Reasoning effort：low/medium/high」指令（见下图21），并直接影响回复长度与准确度。

图21：不同推理力度下gpt-oss模型的响应长度和质量（来自模型卡的标注图）

这种可调性便于在成本、算力、准确度之间平衡。

3. MXFP4优化：小而关键的细节

一个有趣的惊喜是，OpenAI为MoE专家发布了MXFP4量化方案的gpt-oss模型。MXFP4的优化使模型能在单卡设备上运行。

它可以让gpt-oss-120B放进单张80GBH100或更新的GPU；而20B小模型甚至可以放进16GB显存。

gpt-oss模型，在旧硬件上也能跑，但不支持MXFP4，因此显存占用更高。

4. 基准测试

从gpt-oss公告给出的推理类基准看，gpt-oss与OpenAI自研闭源以及Qwen3旗鼓相当（见下图22）。

图22：主要基准图表来自官方gpt-oss公告帖子。"无工具"的gpt-oss-120b数据来自官方模型卡论文，Qwen3的数值来自官方Qwen3仓库。

值得注意的是，gpt-oss-120B的规模几乎只有Qwen3 A235B-A22B-Thinking-2507的一半，且可单卡运行。

当然，基准成绩不等于真实可用性。据这几天的试用，gpt-oss的能力不俗，但也存在不少人所观察到的，幻觉倾向相对偏高（这点在模型卡中也有提及）。

这可能与其在数学、谜题、代码等推理任务上的训练重心有关，导致一定的「通识遗忘」。

但由于gpt-oss是面向工具使用设计，优先提升「推理力」而非「记忆量」，随着开源LLM的工具集成成熟，这个短板未来或许影响渐小。

5. gpt-oss与GPT-5

OpenAI在gpt-oss之后，很快就发布了期待已久的GPT-5。

有趣的是，就基准表现（见图23）而言，gpt-oss模型与OpenAI旗舰产品之间的接近程度令人惊喜。

图23：gpt-oss数据来自官方模型卡论文和公告，Qwen3数据来自官方Qwen3-Coder仓库。

当然，基准≠实用。由于目前使用样本还少，结论为时尚早。但对喜爱开源与本地/私有化部署的人而言，这无疑是一个好时机。

https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the