GPT-OSS 20B: какие файлы скачать (GGUF/Ollama/MLX) — все кванты, размеры и VRAM
Полная раскладка весовых файлов GPT-OSS 20B (20.9 B (MoE, active 3.9 B)): 5 записей — Ollama-теги, GGUF (все кванты и провайдеры, multi-part), MLX и vLLM-сборки. Размеры — точные байты из манифестов/репо от 19.10.2026, не оценка «0.6 × параметры».
MoE: память — по total 20.9 B (MoE, active 3.9 B), скорость — по active ~3.9 B. Нативный формат весов — MXFP4 (FP4): квантование не нужно (в отличие от 32-битных моделей).
Ollama (registry.ollama.ai)
| Тег | Квант | Размер | Запуск |
|---|---|---|---|
gpt-oss:20b | MXFP4 (нативный формат модели) | 13.79 ГБ | ollama pull gpt-oss:20b |
Размер — сумма слоёв манифеста registry.ollama.ai (19.10.2026). Реестр несёт один квант на тег (обычно Q4_K_M): прочие кванты — в GGUF-таблице ниже.
GGUF (все кванты и провайдеры)
| Квант | Файл / провайдер | Размер | Скачать |
|---|---|---|---|
| MXFP4 (нативный) | ggml-org/gpt-oss-20b-GGUF ↗ gpt-oss-20b-MXFP4.gguf | 12.11 ГБ | |
| MXFP4 (нативный) | bartowski/openai_gpt-oss-20b-GGUF ↗ openai_gpt-oss-20b-MXFP4.gguf | 12.11 ГБ | |
| Q4_K_M (ре-квант) | bartowski/openai_gpt-oss-20b-GGUF ↗ openai_gpt-oss-20b-Q4_K_M.gguf | 11.67 ГБ |
vLLM / серверные сборки только сервер
| Репозиторий | Квант | Размер | Зачем |
|---|---|---|---|
| openai/gpt-oss-20b ↗ | нативный MXFP4 (без квантования) · 3 части | 13.76 ГБ | нативные FP4-веса — работают в vLLM без доп. квантования; 5.89M загрузок |
Для домашнего железа не предлагаем — только датацентр/облако. Локальные запуски — GGUF/Ollama выше.
Сколько памяти под контекст
| Контекст | KV-кэш (fp16) | Итого (MXFP4 (нативный) 12.11 ГБ + KV + 1.5 ГБ) | 8 ГБ | 12 ГБ | 16 ГБ | 24 ГБ |
|---|---|---|---|---|---|---|
| 4K | 0.1 ГБ | 13.7 ГБ | — | — | ✓ | ✓ |
| 8K | 0.2 ГБ | 13.8 ГБ | — | — | ✓ | ✓ |
| 16K | 0.4 ГБ | 14 ГБ | — | — | ✓ | ✓ |
| 32K | 0.8 ГБ | 14.4 ГБ | — | — | — | ✓ |
KV — оценка 16-бит (fp16-кэш); q8_0-KV-кэш режет колонку KV вдвое. У модели скользящее окно 128 — расчёт по всем слоям (верхняя оценка).
Влезает на N ГБ (MXFP4 (нативный), контекст 16K + overhead)
| Память | Бюджет (90%) | Итого @16K | Вердикт | Макс. контекст |
|---|---|---|---|---|
| 8 ГБ | 7.2 ГБ | 14 ГБ | не влезает → offload | не влезает даже без контекста |
| 16 ГБ | 14.4 ГБ | 14 ГБ | влезает | до ~32K токенов |
| 24 ГБ | 21.6 ГБ | 14 ГБ | влезает | до ~325K токенов |
| 48 ГБ | 43.2 ГБ | 14 ГБ | влезает | до ~1204K токенов |
Бюджет — 90% VRAM (dedicated); unified (Mac) — 70–85%. Не влезает → CPU-offload (1–5 tok/s) или часть весов на GPU (n-gpu-layers). Минимально из вердиктов: 16 ГБ.
Оговорки и ссылки
- Размеры — фактические байты из Ollama-реестра / HF API от 19.10.2026 (методика — в данных files.json).
- «РФ (hf-mirror)» — зеркало hf-mirror.com (Япония): проверено из-за границы 19.10.2026, доступность из РФ не проверялась — проверьте со своего IP (гайд: скачать в России).
- Ссылки на HuggingFace/hf-mirror —
rel="nofollow"(не e-com). Оценка памяти — модель, не бенчмарк.