OpenAI 重返开源大模型赛道，这是一个备受瞩目的事件。我关注的要点之一是其技术实力的展现，开源将促进更多创新和研究，推动大模型领域的发展。另一个要点是对行业竞争格局的影响，它可能引发其他厂商的跟进和竞争，加速技术进步。同时，开源也意味着更多的透明度和可解释性，这对于大模型的应用和信任度至关重要。此外，开源将促进人才的流动和合作，吸引更多开发者参与到大模型的开发和优化中。总之，OpenAI 的这一举措将对大模型领域产生深远的影响，值得我们持续关注。

美国西海岸时间2025年8月5日，OpenAI发布了两款开源大模型——GPT-OSS 120B以及GPT-OSS-20B，目前这两款模型均可以从Hugging Face平台下载，用户可以对其进行修改定制和商业应用。包括亚马逊AWS、微软Azure在内的主流云平台也已经开始提供基于这两款模型的服务。这是自从2019年11月以来，OpenAI第一次发布开源大模型。

历史真是讽刺。OpenAI的名称来源，就是“开放”“开源”，这曾被Sam Altman自诩为AI时代的核心精神和生存之道。可是从2019年初开始，OpenAI就处心积虑地偏离了开源轨道：那年2月，它以“安全问题”为借口，拒绝公布GPT-2的全部参数权重，只公布了一个7.74亿参数的“部分模型”；直到当年11月，在GPT-2乏人问津的情况下，它才羞羞答答地公布了全部15亿参数。至于后来大放异彩的GPT-3、GPT-3.5以及GPT-4系列大模型，则既没有公布过参数权重，也没有公布过技术路线白皮书。

截至昨天，OpenAI成为了当今全球AI大模型基础研发第一集团当中，寥寥几家“没有任何新版开源大模型”的开发者之一。还有一家是Anthropic，自从成立以来就从未发布过开源大模型。考虑到Anthropic本来就是对OpenAI不满的离职员工成立的，还真验证了一句话：“不是一家人，不进一家门。”

在它们的竞争对手当中，谷歌从2024年开始就维持着开源的Gemma系列大模型，与闭源的Gemini系列大模型齐头并进；Meta的LLaMA系列大模型是当今主流开源大模型的精神源头，自不必说；来自法国的Mistral的第一版大模型就有开源版本；马斯克的Grok也是在成立之初就公布了开源大模型；阿里巴巴的Qwen已经成为衍生版本系列最多的开源大模型之一；更不要说DeepSeek了，如果不是开源，它绝不可能获得这么大的影响力和应用范围。

有人肯定会追问：为什么要开源？对于竞争对手来说，开源当然是好事，便于互相学习借鉴（以及抄袭）。对于全人类来说，开源当然是好事，因为历史一再证明开放能促进技术进步。但是对于OpenAI这种领先的开发者来说，为什么要开源呢？开源固然会吸引技术社区的更多关注、有助于形成良好的生态系统，可是GPT已经是全世界关注度最高的大模型了，开源还有什么实际意义呢？（除了为自己正名，甩掉“CloseAI”的帽子之外？）

答案很明确：开源大模型可以下载安装到本地硬件设备里，完全从本地运行，这对于一部分客户相当有吸引力。不妨总结一下：

客户可以把所有数据存储在本地，而不是上传到第三方平台，从而最大限度地保护了数据安全。无论对于国家机密还是商业机密来说，这种安全性都很重要。

客户可以基于自身需求，对开源大模型进行微调（fine-tune），从而契合特定行业应用场景。医疗、金融等复杂或敏感行业对此需求尤其旺盛。

对于预算有限的客户来说，在本地硬件上运行大模型，或许比购买闭源大模型使用权更划算。例如GPT-OSS-2B甚至可以运行在笔记本电脑上。

当然，在本地部署开源大模型，就意味着客户要为自己的信息安全和技术维护负责。在权衡利弊之后，许多大型行业客户还是会更偏好开源大模型。这就是LLaMA系列大模型在欧美深受大企业欢迎的原因，也是DeepSeek在今年年初席卷国内政企客户的原因。DeepSeek的技术水平或许能与GPT-4o1相比，但是如果不是开源，它的应用速度会非常慢，无论对B端还是C端都是如此！

现在，在阔别近六年之后，OpenAI终于重返开源大模型战场。在一定程度上，肯定是受到了LLaMA，DeepSeek，Qwen乃至Grok等开源大模型的刺激；但是从商业角度看，这个决策早晚要做出。因为不管怎么说，有些企业客户永远不可能把至关重要的数据上传到第三方平台；政府部门就更不可能了。与其把这片广阔的市场留给竞争对手占领，还不如自己去占领。如果竞争对手技术进步的速度慢一点，OpenAI重返开源赛道的速度或许也会慢一点，但也只是慢一点而已。

这也就意味着，2025年成为了一个“开源之年”：国内曾经领先的百度，以及国外至今还在领先的OpenAI，都发布了开源大模型。Meta发布了最新的开源版本，阿里则明显加快了开源版本的发布速度。此时此刻，整个世界上的主流大模型开发商，只有两家完全没有开源版本。除了上文提到的Anthropic之外，还有国内的字节跳动——豆包大模型（及其前身云雀）目前尚未有任何形式的开源版本，字节跳动官方也完全没有公布过开源计划。不过单纯从技术角度看，豆包尚不属于全球第一集团，开源与否对大模型技术进步的影响不大。

我们再探讨下一个话题：本次OpenAI的开源，对全球大模型技术有什么影响？

我不是技术开发者，只能从常识角度谈一谈。我的观点是：影响是有的，但是有限。这一方面是因为OpenAI没有开源其最新版本、最新技术（废话，换了你也不会），另一方面是因为过去两年外界对OpenAI技术路线的“猜测”还是比较成功的，八九不离十。

OpenAI公布的GPT-OSS两个版本，其训练数据截止于2024年6月，训练结束于2024年8月，其性能大致与GPT-4o3以及o3 mini可比——后两个模型发布至今已经四个月了。很多评测指出，GPT-OSS-120B的表现优于DeepSeek和Qwen的最新版本，其实这没有提供任何新的信息，因为GPT-4o3的表现本来就优于它们。这只能证明OpenAI相对于竞争对手至少还有几个月的领先优势，而这也是我们早就知道了的事情。

在技术路线上，从OpenAI自家的白皮书里，我们大致能知道如下信息：

GPT-OSS采取混合专家架构，这一点早已被外界猜到。混合专家架构是目前的主流，几乎所有大模型都在采用。GPT-OSS 120B每层有128个专家，20B每层有32个专家，每个路径会激活4个最擅长的专家回答——这些细节还是有用的。

GPT-OSS是在标准文本基础上训练的，思维链（CoT，chain of thought）架构不是在预训练阶段、而是在后训练阶段实现的。CoT是所谓“深度推理”大模型的基础，现在可以确定，OpenAI与其竞争对手一样，是在后训练阶段赋予CoT的。

在后训练阶段，与GPT-4o3一样，GPT-OSS采取了CoT RL技术。后训练过程中还使用了外部API，以及RAG Agents等等，在此就不赘述了。在一定程度上，这证实了外界的猜测。

OpenAI没有选择在后训练阶段压制“大模型幻觉”，因为这样做会降低CoT的透明度。所以，GPT-OSS深度推理模式的幻觉率很高，这或许是一切深度推理模型绕不过去的问题。

总而言之，上述大部分技术路线，是外界早已猜测到或者在争辩之中的。某些技术细节，例如后训练的具体手段和工具，或许会给外界很多启发，但带来的改进是有限的。

话说回来，如果OpenAI真的还有什么“独门秘籍”，大概也不会在白皮书当中赤裸裸地公布。这份白皮书证明了一点：过去两年多，全球大模型开发者对OpenAI技术路线的猜测和模仿，大部分是正确的（或者说，OpenAI只承认了其中正确的部分）。作为一个整体，人类模仿的力量是无穷的，因此在历史上很少有技术领先者能够单纯依靠自己的力量，长期维持对领先技术的垄断。

需要强调的是，GPT-OSS只是“开放权重”（Open Weight）大模型，不是完整意义上的“开源”大模型。它公布的只是参数及其取值（权重），一份34页的技术白皮书，以及其他少量选择性的信息。如果我们真的要以相同手段“复刻”一个成品，至少缺失如下环节：

训练中使用的各种“脚手架模型”，包括语料质量、语料相似度检测、语料清洗模型，以及用于“对齐”人类价值观的Reward模型，等等。某些竞争对手会部分予以公布，但OpenAI还没有。

预训练阶段使用的语料库，这是一项核心技术秘密，尤其是在大模型训练语料使用量越来越大、优质语料越来越难找的情况下。Meta曾经部分公布过LLaMA使用的语料，而OpenAI没有公布。

训练过程中使用的其他工具。如果是标准化工具还好，如果是独家工具，那么就算披露了其名称，外界也不可能模仿。

完全满足上述“开源”条件的大模型非常罕见，尤其是商业公司，几乎不可能发布这种“全面开源”的大模型。原因很简单：大家发布开源大模型是为了满足部分客户的需求、培育开发者生态，而不是方便别人抄袭。OpenAI这次提供的信息有价值，但不太足够，这大概就是它想要达到的效果。这不禁让我想起了某些科技巨头的招股说明书——洋洋洒洒几百页，看起来提供了大量财务和业务信息，但是只要涉及到关键的用户和技术问题，就以各种方式回避。在此就不点名了。

附带说一句，OpenAI公布了GPT-OSS的训练细节：基于英伟达H100 GPU，其中1200亿参数版本消耗了210万H100小时，200亿版本则是前者的六分之一。从这里我们可以推断出GPT-OSS训练使用的算力集群规模——假设训练时间为30天，则使用了2917张H100；若为45天，则使用了1944张。考虑到训练数据截止于2024年6月、完成于7月底或8月初，所以训练时间不太可能明显超过45天。

因此，GPT-OSS还没用上最新的Blackwell系列GPU，也没有使用“万卡集群”或更大规模的集群。这是否意味着顶尖大模型的训练算力需求其实没那么高呢？且慢下结论，因为GPT-OSS毕竟不是OpenAI的当家模型，只是OpenAI内部训练的无数个模型之一。GPT-4的参数规模高达1.37万亿，是OSS的十倍以上，算力需求肯定会远过之。宝贵的B100/200 GPU可能完全被用于GPT-4.5以及GPT-5的训练，遗憾的是，OpenAI不太可能披露上面两个模型的训练细节。

我猜，GPT-OSS可能是OpenAI最后几个用Hopper架构GPU训练的大模型之一；GPT-4.5以后的大模型可能完全是基于Blackwell训练的。但这只是我的猜测。至于不再用于训练的H100，则将转而承担推理任务，毕竟深度推理模型的普及就意味着推理需求的大爆发。无论Scaling Law还成不成立，全世界的算力恐怕还需要增长3~4倍以满足蓬勃的训练及推理需求。

本文没有获得OpenAI或其任何竞争对手的资助或背书。

本文作者并不持有OpenAI的任何股份，也不直接持有其竞争对手的任何股份。但是透过基金、信托计划等持有其竞争对手的股份几乎是不可避免的。