GPT-OSS 120B: какой квант выбрать
Все кванты GPT-OSS 120B (116.8 B (MoE, active 5 B)), которые реально есть в данных (2: MXFP4, MXFP4), с точными размерами файлов от 19.10.2026 и расчётом «сколько VRAM под контекст». MoE: память — по total 116.8 B (MoE, active 5 B), скорость — по active ~5 B.
Кванты: размер → VRAM под контекст → мин. карта
| Квант (файл) | Размер, ГБ | Итого @8K | Итого @16K | Итого @32K | Мин. карта | ~tok/s RTX 4060 8 GB | ~tok/s RTX 4090 24 GB | ~tok/s Apple M2 24 GB (unified) |
|---|---|---|---|---|---|---|---|---|
| MXFP4 (нативный формат модели) Ollama: gpt-oss:120b | 65.37 ГБ | 67.2 | 67.5 | 68.1 | 24 ГБ+ | offload | offload | offload |
| MXFP4 (нативный) ggml-org/gpt-oss-120b-GGUF | 63.39 ГБ | 65.2 | 65.5 | 66.1 | 24 ГБ+ | offload | offload | offload |
«Итого» = веса + KV-кэш (fp16, 8 KV-голов) + 1.5 ГБ overhead; q8_0-KV-кэш режет KV вдвое. У модели sliding window 128 — расчёт по всем слоям (верхняя оценка).
tok/s — оценка: влезает → bandwidth ÷ размер × 0.5 (MoE: bandwidth ÷ активные 5B × 0.18), не влезает → CPU-offload 1–5 tok/s. Оценка, не бенчмарк.
Лучший квант по tier памяти (влезает @16K)
| Память | Бюджет (90%) | Лучший (самый тяжёлый) квант | Итого @16K |
|---|---|---|---|
| 8 ГБ | 7.2 ГБ | не влезает даже лёгче — offload / больше памяти | — |
| 16 ГБ | 14.4 ГБ | не влезает даже лёгче — offload / больше памяти | — |
| 24 ГБ | 21.6 ГБ | не влезает даже лёгче — offload / больше памяти | — |
| 48 ГБ | 43.2 ГБ | не влезает даже лёгче — offload / больше памяти | — |
«Лучший» = самый тяжёлый (качественный) квант, влезший в tier с контекстом 16K. Q2/Q3-кванты — заметное падение качества (experimental) — не рекомендуем и в таблицу не включали.
Диапазон скорости по квантам (оценка, не бентчмарк)
- RTX 4060 8 GB: оффлоад (1–5 tok/s) (ни один квант не влезает — CPU-offload)
- RTX 4090 24 GB: оффлоад (1–5 tok/s) (ни один квант не влезает — CPU-offload)
- Apple M2 24 GB (unified): оффлоад (1–5 tok/s) (ни один квант не влезает — CPU-offload)
Оговорки и ссылки
- Размеры — фактические байты из Ollama-реестра / HF API от 19.10.2026; «влезает» — по бюджету 90% VRAM (unified — 70–85%). Оценки — модельные, не бентчмарки.
- Мин. карта — из каталога gpus.json (12 устройств); «24 ГБ+» — вне каталога/оффлоад.