Modelos de lenguaje gpt-oss-120b y gpt-oss-20b de pesos abiertos de OpenAI, con código de referencia para inferencia, herramientas y clientes.
Alternativa open source a:ChatGPT
gpt-oss es la serie de modelos de pesos abiertos de OpenAI, publicada en dos versiones: gpt-oss-120b, para tareas de razonamiento avanzado en una sola GPU de 80 GB, y gpt-oss-20b, para menor latencia y uso local con hasta 16 GB de memoria. Ambos modelos usan el formato de respuesta harmony y solo deben usarse con él. Los pesos están disponibles en Hugging Face con licencia Apache 2.0.
El repositorio incluye implementaciones de referencia en PyTorch, Triton (una sola GPU, kernels MoE MXFP4) y Metal (Apple Silicon), además de una aplicación de chat para la terminal, un servidor de ejemplo para Responses API y herramientas de navegador y Python con las que se entrenaron los modelos. La inferencia también puede ejecutarse con vLLM, Ollama, LM Studio y Transformers.
El código de PyTorch y Metal está pensado para educación y experimentación, no para producción. Las herramientas de navegador y Python son implementaciones de ejemplo que requieren que añadas tus propias medidas de seguridad antes de usarlas en un entorno real.
Instala las herramientas de gpt-oss desde PyPI
pip install gpt-ossInstala Ollama desde su página de descarga
Descarga y ejecuta el modelo gpt-oss-20b con Ollama
ollama pull gpt-oss:20bResumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Modelo multimodal de pesos abiertos y 9B parámetros para comprensión visual, razonamiento espacial, uso de herramientas por agentes e investigación en IA corporeizada, basado en Qwen3.5 y C-RADIOv4-H.
Cuaderno personal de estudio e ingeniería con kernels CUDA escritos a mano, ejemplos de CUTLASS/CuTe y Triton, y notas sobre optimización de LLM.
Sistema de entrenamiento e inferencia distribuidos, basado en PyTorch, para modelos grandes de IA, con paralelismo, optimización de memoria y entrenamiento heterogéneo.
Código oficial de entrenamiento y referencia para RWKV, una arquitectura de modelo de lenguaje tipo RNN que también se puede entrenar en paralelo, como un transformer GPT.
Framework basado en Ray y vLLM para RLHF y entrenamiento de agentes con modelos grandes de lenguaje y de visión y lenguaje.
Biblioteca nativa de PyTorch para cuantización, sparsity y entrenamiento float8, tanto para entrenar modelos como para servir inferencias.