GeForce RTX 5070 能运行 gpt-oss-120b 吗？

无法运行MXFP4 需要 63.6 GB，比 11.4 GB 可用内存多出 52.2 GB。配 64 GB 系统内存时：运行较慢，估算 22.9 tok/s（16.0–29.8，理论估算 ±30%）。

开放许可证 · Apache-2.0 llama.cpp 团队 · ggml-org思考模式

12 GB 显存 · 672.0 GB/s · FP16 30.9 TFLOPS。按 32 GB DDR5-5600 系统内存、Windows 系统且由这块显卡负责显示输出、8k 上下文和 f16 KV 缓存计算。 GeForce RTX 5070 Ti Laptop 的内存配置相同（12 GB，672.0 GB/s），因此生成速度估算相同，只有提示词处理速度不同。

不同系统内存容量下的判定

本页假设系统内存为 32 GB。对于这一组合，判定取决于你有多少系统内存。

16 GB无法运行MXFP4 装不下
32 GB无法运行MXFP4 装不下(本页采用)
64 GB运行较慢估算 22.9 tok/s（16.0–29.8，理论估算 ±30%）(下方命令采用)
96 GB运行较慢估算 22.9 tok/s（16.0–29.8，理论估算 ±30%）
128 GB运行较慢估算 22.9 tok/s（16.0–29.8，理论估算 ±30%）

GeForce RTX 5070 上 gpt-oss-120b 的全部量化

1 个已收录的 GGUF 文件，从小到大排列，系统内存 32 GB、8k 上下文
量化	文件大小	判定	速度	显存/内存	运行方式	备注
MXFP4基准	63.39 GB	无法运行	—	约需 63.6 GB；可用显存 11.4 GB，可用内存 28.0 GB	—	—

带思考模式的模型会额外花 token 来思考，所以速度门槛按 1.5 倍从严设定（30 / 12 / 3 tok/s）。关闭思考模式后，判定可能会高一级。

MXFP4 下的内存占用

下面的内存、上下文和速度数据假设系统内存为 64 GB（即上方内存提示中的配置）；若只有 32 GB，则什么都装不下。

权重、KV 缓存和计算缓冲区属于模型；OS 预留是显示驱动占用的部分。

显存

系统内存

权重: 8.5 GB
KV 缓存: 0.3 GB
计算缓冲区: 0.6 GB
OS 预留: 0.6 GB
空闲: 2.0 GB
系统内存中的权重: 54.9 GB

系统内存、上下文长度与 KV 缓存

上下文：8k

KV 缓存f16q8_0q4_0

MXFP4 下各上下文长度和 KV 缓存类型所需的内存与判定，以及估算速度（tok/s）。
上下文	KV f16	KV q8_0	KV q4_0
4k	63.4 GB运行较慢估算 23.1 tok/s16.2–30.0理论估算 ±30%	63.4 GB运行较慢估算 23.2 tok/s16.2–30.1理论估算 ±30%	63.3 GB运行较慢估算 23.2 tok/s16.2–30.2理论估算 ±30%
8k	63.6 GB运行较慢估算 22.9 tok/s16.0–29.8理论估算 ±30%	63.5 GB运行较慢估算 23.1 tok/s16.1–30.0理论估算 ±30%	63.4 GB运行较慢估算 23.1 tok/s16.2–30.1理论估算 ±30%
16k	64.0 GB运行较慢估算 22.0 tok/s15.4–28.7理论估算 ±30%	63.7 GB运行较慢估算 22.9 tok/s16.0–29.7理论估算 ±30%	63.6 GB运行较慢估算 23.0 tok/s16.1–30.0理论估算 ±30%
32k	64.8 GB运行较慢估算 21.4 tok/s15.0–27.9理论估算 ±30%	64.2 GB运行较慢估算 22.0 tok/s15.4–28.6理论估算 ±30%	63.9 GB运行较慢估算 22.9 tok/s16.0–29.7理论估算 ±30%
64k	66.3 GB运行较慢估算 19.9 tok/s13.9–25.8理论估算 ±30%	65.2 GB运行较慢估算 21.4 tok/s14.9–27.8理论估算 ±30%	64.5 GB运行较慢估算 22.0 tok/s15.4–28.5理论估算 ±30%
128k	69.3 GB装不下	67.0 GB运行较慢估算 19.7 tok/s13.8–25.7理论估算 ±30%	65.8 GB运行较慢估算 20.8 tok/s14.6–27.0理论估算 ±30%

S = 运行流畅 · A = 运行良好 · B = 运行较慢 · F = 无法运行

配 64 GB 系统内存时：在 MXFP4 下，判定仍为“运行较慢”的上下文上限：f16 KV 缓存为 64k，q8_0 为 128k。

估算速度

生成: 配 64 GB 系统内存时：估算 22.9 tok/s（16.0–29.8，理论估算 ±30%）
提示词处理: 只有整个模型都在 GPU 上运行时，才提供提示词处理速度估算。

判定依据: 专家在系统内存中运行：这种方式需要达到 30 tok/s 及以上才算“运行良好”

这一组合的实测结果

这一组合还没有公开的实测结果；上面的数字都是估算。

如果这还不够

在 GeForce RTX 5070 上运行良好的更小模型
运行良好
Qwen3.5 35B-A3B: 运行良好，估算 63.3 tok/s（44.3–82.3，理论估算 ±30%）
同一 GPU 配 64 GB 系统内存
运行较慢
MXFP4：运行较慢，估算 22.9 tok/s（16.0–29.8，理论估算 ±30%）

运行方法

以下命令使用 MXFP4 文件。两个工具都会在首次运行时从 Hugging Face 下载。

这些命令假设系统内存为 64 GB（即上方内存提示中的配置）。如果你的内存容量不同，请在上方“系统内存、上下文长度与 KV 缓存”中选择对应容量，查看相应的命令。

文件：gpt-oss-120b-MXFP4.gguf（63.39 GB），来自 ggml-org/gpt-oss-120b-GGUF。

llama.cpp

llama-server -hf ggml-org/gpt-oss-120b-GGUF:MXFP4 -c 8192 -ngl all --n-cpu-moe 32 -fa on

-ngl all 把所有层都加载到 GPU 上。
--n-cpu-moe 32 把前 32 层的专家放在系统内存中；其余 4 个含专家的层把专家留在 GPU 上。本估算也按同样的划分计算。
如果加载时出现内存不足（out of memory）错误，把该值调高到 33；还不够就调到 34。
如果省略 -ngl 和 --n-cpu-moe，llama.cpp b7410（2025 年 12 月）及更新版本会自行以类似方式拆分模型。
-fa on 开启 Flash Attention（量化 KV 缓存时需要）。
--cache-type-k q8_0 --cache-type-v q8_0 可将 8k 上下文下的 KV 缓存缩小到 0.16 GB。

Ollama

PowerShell（先退出托盘中的 Ollama 程序）：

$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/ggml-org/gpt-oss-120b-GGUF:MXFP4

在显存低于 24 GB 的 GPU 上，Ollama 默认使用 4k 上下文。可在启动服务器时设置 OLLAMA_CONTEXT_LENGTH，或在对话中使用 /set parameter num_ctx。
Ollama 0.30 及更新版本会自动把一部分专家放在系统内存中，以适应你的显存。旧版本则按整层拆分，速度要慢得多。
/set parameter num_ctx 8192

常见问题