gpt-oss-120b
OpenAI发布的120亿参数量级开源权重大语言模型，具备广泛的通用能力，在综合基准测试上表现优异
核心事实
时间轴 (近 90 天)
MedScribe AI 的推理层使用 openai/gpt-oss-120b 通过 Groq 运行，实现快速且免费的推理，且患者X光数据不会发送至任何专有服务器。
gpt-oss-120b总参数约117B，但每个token只激活约5.1B参数。
gpt-oss-120b 在干扰计数任务上每个正确答案花了约25倍的成本，准确率反而低了7.5个百分点（不显著）。
所有错误的干扰计数答案无一例外都是高估，且错误答案的token数明显高于正确答案：gpt-5.4-mini 在 high 下错误答案中位token数412 vs 正确答案91.5；gpt-oss-120b 错误答案5,776 token vs 正确答案747 token。
gpt-oss-120b 在 reasoning_effort='none' 时直接返回 HTTP 400 错误，拒绝该取值。
同一参数名 reasoning_effort 在不同厂商模型中行为不同：gpt-5.4-mini 页面中位数输出token从none的18升至high的254（×14.1）；gpt-oss-120b 从拒绝升至1,340（×4.6）；claude-haiku-5.5 从150升至298（×2.0）；gemini-3.7-flash 从453升至1,013（×2.2）。
在 τ-bench 零售环境基准测试中（30 个测试任务，模拟客户，单次运行，solvi 0.8.0，gpt-oss-120b 作为 Agent），无守卫时解决 18 个任务、环境拒绝 10 次变更调用；有守卫时解决 14 个任务、环境拒绝 0 次变更调用。
gpt-oss-120b在相同48个核心家族上，Kaggle平台约63%，集群上高达98%，差异源于托管答案在词语中途被截断，在31个托管答案完整的家族上两个平台都通过了30个
代码重放会继承提取环节的错误，在集群充分性测试中gpt-oss-120b的通过率反而从56%跌到40%
OpenAI gpt-oss-120b在19小时测试窗口内两次超时未完成，IBM Granite 4.0因不在Kaggle服务器目录中而未进入测试
还有 15 条时间轴事件
全部知识事实 (20)
被测模型包括 Google 的 Gemini 3.7 Flash、Z.ai 的 GLM-5、阿里巴巴的 Qwen 3 235B A22B Instruct 以及 OpenAI 的 gpt-oss-120b，全部在 Kaggle 上运行
65%待验证MedScribe AI 的推理层使用 openai/gpt-oss-120b 通过 Groq 运行，实现快速且免费的推理，且患者X光数据不会发送至任何专有服务器。
50%待验证gpt-oss-120b总参数约117B，但每个token只激活约5.1B参数。
50%待验证gpt-oss-120b 在 reasoning_effort='none' 时直接返回 HTTP 400 错误，拒绝该取值。
50%待验证同一参数名 reasoning_effort 在不同厂商模型中行为不同：gpt-5.4-mini 页面中位数输出token从none的18升至high的254（×14.1）；gpt-oss-120b 从拒绝升至1,340（×4.6）；claude-haiku-5.5 从150升至298（×2.0）；gemini-3.7-flash 从453升至1,013（×2.2）。
50%待验证gpt-oss-120b 在干扰计数任务上每个正确答案花了约25倍的成本，准确率反而低了7.5个百分点（不显著）。
50%待验证所有错误的干扰计数答案无一例外都是高估，且错误答案的token数明显高于正确答案：gpt-5.4-mini 在 high 下错误答案中位token数412 vs 正确答案91.5；gpt-oss-120b 错误答案5,776 token vs 正确答案747 token。
50%待验证在 τ-bench 零售环境基准测试中（30 个测试任务，模拟客户，单次运行，solvi 0.8.0，gpt-oss-120b 作为 Agent），无守卫时解决 18 个任务、环境拒绝 10 次变更调用；有守卫时解决 14 个任务、环境拒绝 0 次变更调用。
50%待验证gpt-oss-120b在相同48个核心家族上，Kaggle平台约63%，集群上高达98%，差异源于托管答案在词语中途被截断，在31个托管答案完整的家族上两个平台都通过了30个
50%待验证代码重放会继承提取环节的错误，在集群充分性测试中gpt-oss-120b的通过率反而从56%跌到40%
50%待验证OpenAI gpt-oss-120b在19小时测试窗口内两次超时未完成，IBM Granite 4.0因不在Kaggle服务器目录中而未进入测试
50%待验证gpt-oss-120b 得分 0.625 反而低于 gpt-oss-20b 的 0.720，表明更大的模型不等于更安全
50%待验证在 ng-hard 压力测试中，Gemini 3.7 Flash、GLM-5 和 Qwen 3 235B 都拿了100%，gpt-oss-120b 得80%（10行对8行）
50%待验证解析缺陷加上一个错误答案键使 gpt-oss 在五个核心任务上的分数从 0.62 偏移到 1.00，偏移高达 0.38
50%待验证修正评分器后，四个模型在全部五个理智门任务上都拿了100%
50%待验证更大更新的模型未必表现更好：gpt-oss-120b（0.740）得分低于 gpt-oss-20b（0.761）；DeepSeek-R1 花费1.94美元得分却低于花13美分的 Gemma 4 31B
50%待验证对打错的日期等虚假信息，正确做法是'抹除'而非'变更'；gpt-oss-120b 只做对42%的更正，Qwen3 235B 只有一半
50%待验证gpt-oss-120b 保留了12个预订中的11个，但零拒绝注入，将钓鱼邮件中的虚假地址写入护照；Qwen3 235B 也把同一地址存进voucher字段
50%待验证gpt-oss-120b 记忆读取得分0.991，但写入得分仅0.740，为写入排名垫底；DeepSeek-R1 读取0.997，写入0.863
50%待验证gpt-oss 以 load_in_4bit = False 加载时保留 MXFP4 专家，使 gpt-oss-120b 能在单张 B200 上训练
50%