Apple M4 Pro 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 69.9 tok/s（55.9–83.9，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 · 273.0 GB/s · FP16 8.1 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。

24 GB运行流畅估算 69.9 tok/s（55.9–83.9，校准估算 ±20%）(本页采用)
48 GB运行流畅估算 69.9 tok/s（55.9–83.9，校准估算 ±20%）
64 GB运行流畅估算 69.9 tok/s（55.9–83.9，校准估算 ±20%）

Apple M4 Pro 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 69.9 tok/s55.9–83.9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 72.3 tok/s57.9–86.8校准估算 ±20%	12.7 GB运行流畅估算 73.5 tok/s58.8–88.2校准估算 ±20%	12.7 GB运行流畅估算 74.2 tok/s59.4–89.0校准估算 ±20%
8k	12.9 GB运行流畅估算 69.9 tok/s55.9–83.9校准估算 ±20%	12.8 GB运行流畅估算 72.2 tok/s57.7–86.6校准估算 ±20%	12.7 GB运行流畅估算 73.4 tok/s58.8–88.1校准估算 ±20%
16k	13.2 GB运行流畅估算 65.4 tok/s52.4–78.5校准估算 ±20%	13.0 GB运行流畅估算 69.6 tok/s55.6–83.5校准估算 ±20%	12.9 GB运行流畅估算 72.0 tok/s57.6–86.4校准估算 ±20%
32k	13.7 GB运行流畅估算 58.1 tok/s46.5–69.7校准估算 ±20%	13.3 GB运行流畅估算 64.9 tok/s51.9–77.8校准估算 ±20%	13.1 GB运行流畅估算 69.2 tok/s55.4–83.1校准估算 ±20%
64k	14.8 GB运行流畅估算 47.4 tok/s37.9–56.9校准估算 ±20%	14.1 GB运行流畅估算 57.2 tok/s45.7–68.6校准估算 ±20%	13.7 GB运行流畅估算 64.3 tok/s51.4–77.2校准估算 ±20%
128k	15.3 GB运行较慢估算 22.1 tok/s15.5–28.8理论估算 ±30%	15.5 GB运行流畅估算 46.2 tok/s37.0–55.4校准估算 ±20%	14.7 GB运行流畅估算 56.3 tok/s45.0–67.6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 64k，q8_0 为 128k。

估算速度

生成: 估算 69.9 tok/s（55.9–83.9，校准估算 ±20%）
提示词处理: 约 454 tok/s（272–636，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。

如果这还不够

在 Apple M4 Pro 上同样运行良好的更大模型
运行良好
Mistral Small 3.2 24B: 运行良好，估算 13.2 tok/s（10.6–15.9，校准估算 ±20%）

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