GeForce RTX 4060 能运行 gpt-oss-20b 吗？

运行良好MXFP4 把注意力部分和 11 层的专家放在 GPU 上（7.3 GB），其余专家放在 6.1 GB 系统内存中：运行良好，估算 36.9 tok/s（25.9–48.0，理论估算 ±30%）。

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

8 GB 显存 · 272.0 GB/s · FP16 15.1 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。系统内存在 16 到 128 GB 之间时，上面的判定和量化文件都不变。

GeForce RTX 4060 上 gpt-oss-20b 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	12.11 GB	运行良好	估算 36.9 tok/s25.9–48.0理论估算 ±30%	7.3 / 8.0 GB + 6.1 GB 内存	MoE 专家放在内存	未全部载入显卡：要达到“运行流畅”，整个模型都必须放在显存中

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。

显存

系统内存

权重: 6.0 GB
KV 缓存: 0.2 GB
计算缓冲区: 0.6 GB
OS 预留: 0.6 GB
空闲: 0.7 GB
系统内存中的权重: 6.1 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	12.1 GB运行良好估算 37.7 tok/s26.4–49.0理论估算 ±30%	12.1 GB运行良好估算 38.0 tok/s26.6–49.4理论估算 ±30%	12.0 GB运行良好估算 39.6 tok/s27.7–51.5理论估算 ±30%
8k	12.3 GB运行良好估算 36.9 tok/s25.9–48.0理论估算 ±30%	12.2 GB运行良好估算 37.6 tok/s26.3–48.9理论估算 ±30%	12.1 GB运行良好估算 38.0 tok/s26.6–49.4理论估算 ±30%
16k	12.5 GB运行良好估算 34.4 tok/s24.1–44.8理论估算 ±30%	12.3 GB运行良好估算 36.8 tok/s25.8–47.9理论估算 ±30%	12.2 GB运行良好估算 37.6 tok/s26.3–48.8理论估算 ±30%
32k	13.1 GB运行良好估算 31.2 tok/s21.8–40.6理论估算 ±30%	12.7 GB运行良好估算 34.3 tok/s24.0–44.5理论估算 ±30%	12.5 GB运行良好估算 35.6 tok/s24.9–46.2理论估算 ±30%
64k	14.2 GB运行较慢估算 25.6 tok/s17.9–33.3理论估算 ±30%	13.4 GB运行良好估算 30.1 tok/s21.0–39.1理论估算 ±30%	13.0 GB运行良好估算 33.1 tok/s23.2–43.0理论估算 ±30%
128k	16.4 GB运行较慢估算 19.2 tok/s13.5–25.0理论估算 ±30%	14.9 GB运行较慢估算 24.7 tok/s17.3–32.1理论估算 ±30%	14.1 GB运行较慢估算 29.0 tok/s20.3–37.7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

在 MXFP4 下，判定仍为“运行良好”的上下文上限：f16 KV 缓存为 32k，q8_0 为 64k。

估算速度

生成: 估算 36.9 tok/s（25.9–48.0，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: 未全部载入显卡：要达到“运行流畅”，整个模型都必须放在显存中

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 4060 上同样运行良好的更大模型
运行良好
Qwen3.5 35B-A3B: 运行良好，估算 39.3 tok/s（27.5–51.1，理论估算 ±30%）
只把专家放在系统内存
--n-cpu-moe 13 只把前 13 层的专家放在系统内存中，其余全部放在 GPU 上（本估算即按此计算）。

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 --n-cpu-moe 13 -fa on

-ngl all 把所有层都加载到 GPU 上。
--n-cpu-moe 13 把前 13 层的专家放在系统内存中；其余 11 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 14；还不够就调到 15。
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 0.11 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-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。
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