Apple M4 能运行 gpt-oss-20b 吗？

运行流畅MXFP4 可装入统一内存（GPU 可用 16.8 GB，占用 12.9 GB）：运行流畅，估算 31.9 tok/s（25.5–38.3，校准估算 ±20%）。

统一内存：默认设置下 GPU 大约可以使用其中的 70%开放许可证 · Apache-2.0 llama.cpp 团队 · ggml-org思考模式

24 GB 统一内存 · 120.0 GB/s · FP16 3.8 TFLOPS。按 8k 上下文和 f16 KV 缓存计算。判定按内存容量分别列出。

不同内存容量下的判定

本页使用 24 GB 配置；下面列出所有容量。

16 GB无法运行MXFP4 装不下
24 GB运行流畅估算 31.9 tok/s（25.5–38.3，校准估算 ±20%）(本页采用)
32 GB运行流畅估算 31.9 tok/s（25.5–38.3，校准估算 ±20%）

Apple M4 上 gpt-oss-20b 的全部量化

1 个已收录的 GGUF 文件，从小到大排列，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	12.11 GB	运行流畅	估算 31.9 tok/s25.5–38.3校准估算 ±20%	12.9 / 16.8 GB	统一内存	—

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

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。

统一内存

权重: 12.1 GB
KV 缓存: 0.2 GB
计算缓冲区: 0.6 GB
空闲: 3.9 GB
GPU 不可用: 7.2 GB

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	12.7 GB运行流畅估算 33.1 tok/s26.4–39.7校准估算 ±20%	12.7 GB运行流畅估算 33.6 tok/s26.9–40.4校准估算 ±20%	12.7 GB运行流畅估算 33.9 tok/s27.2–40.7校准估算 ±20%
8k	12.9 GB运行流畅估算 31.9 tok/s25.5–38.3校准估算 ±20%	12.8 GB运行流畅估算 33.0 tok/s26.4–39.6校准估算 ±20%	12.7 GB运行流畅估算 33.6 tok/s26.9–40.3校准估算 ±20%
16k	13.2 GB运行良好估算 29.8 tok/s23.8–35.8校准估算 ±20%	13.0 GB运行流畅估算 31.7 tok/s25.4–38.1校准估算 ±20%	12.9 GB运行流畅估算 32.9 tok/s26.3–39.5校准估算 ±20%
32k	13.7 GB运行良好估算 26.3 tok/s21.1–31.6校准估算 ±20%	13.3 GB运行良好估算 29.5 tok/s23.6–35.4校准估算 ±20%	13.1 GB运行流畅估算 31.6 tok/s25.3–37.9校准估算 ±20%
64k	14.8 GB运行良好估算 21.4 tok/s17.1–25.6校准估算 ±20%	14.1 GB运行良好估算 25.9 tok/s20.7–31.1校准估算 ±20%	13.7 GB运行良好估算 29.3 tok/s23.4–35.1校准估算 ±20%
128k	15.3 GB运行较慢估算 9.7 tok/s6.8–12.6理论估算 ±30%	15.5 GB运行良好估算 20.8 tok/s16.7–25.0校准估算 ±20%	14.7 GB运行良好估算 25.5 tok/s20.4–30.6校准估算 ±20%

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

在 MXFP4 下，判定仍为“运行流畅”的上下文上限：f16 KV 缓存为 8k，q8_0 为 16k。

估算速度

生成: 估算 31.9 tok/s（25.5–38.3，校准估算 ±20%）
提示词处理: 约 211 tok/s（127–296，粗略估算 ±40%）

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。

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。

文件：gpt-oss-20b-MXFP4.gguf（12.11 GB），来自 ggml-org/gpt-oss-20b-GGUF。

llama.cpp

llama-server -hf ggml-org/gpt-oss-20b-GGUF:MXFP4 -c 8192 -ngl all -fa on

-ngl all 把所有层都加载到 GPU 上。
-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 0.11 GB。

Ollama

终端：

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/ggml-org/gpt-oss-20b-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。
/set parameter num_ctx 8192

常见问题