开源大模型实战：GPT-OSS本地部署与全面测评
本教程是通过Ollama方式进行本地部署GPT-OSS -20B模型，如果是Linux环境部署的话需要配置学术加速，要不然Ollama会下载失败，Windows的话直接下载exe文件进行安装。2025年8月5日，OpenAI 正式发布了两款突破性的开放轻量级语言模型——GPT-OSS-120B 和 GPT-OSS-20B。注意：我们开启学术加速会导致其他资源下载缓慢，比如使用pip下载的时候，这个
向AI转型的程序员都关注公众号 机器学习AI算法工程
一、引言
2025年8月5日，OpenAI 正式发布了两款突破性的开放轻量级语言模型——GPT-OSS-120B 和 GPT-OSS-20B。这两款模型采用 Apache 2.0 开源许可证，旨在为全球开发者提供高性能、低成本的 AI 解决方案。
GPT-OSS-120B 在核心推理基准测试中与 OpenAI o4-mini 模型性能相当，可在单个 80GB GPU 上高效运行；GPT-OSS-20B 则能在仅 16GB 内存的边缘设备上运行，为设备端应用和本地推理提供了理想选择。
二、安装Ollama
Ollama官网：点击跳转
本教程是通过Ollama方式进行本地部署GPT-OSS -20B模型，如果是Linux环境部署的话需要配置学术加速，要不然Ollama会下载失败，Windows的话直接下载exe文件进行安装。Windows安装完Ollama后在DOS窗口直接执行ollama run gpt-oss:20b即可拉取安装（具体详情可查阅这篇文章），本教程主要讲解Linux部署GPT-OSS。
三、Linux部署GPT-OSS-20B模型
我们Linux安装Ollama的时候需要访问国外资源，所以说需要配置学术加速，那我们第一步就执行如下命令
source /etc/network_turbo注意：我们开启学术加速会导致其他资源下载缓慢，比如使用pip下载的时候，这个时候我们使用完学术加速后，可以选择关闭。
# unset http_proxy && unset https_proxy这个时候我们在命令行运行以下命令来下载并安装Ollama
# 下载并安装 Ollamacurl -fsSL https://ollama.com/install.sh | sh
随后我们需要后台运行ollama
# 后台运行 ollama 服务nohup ollama serve > ollama.log 2>&1 &
验证服务状态是否正常运行
# 检查 ollama 进程是否正常运行ps aux | grep ollama
ollama安装并正常运行后，直接在命令行输入oloama run gpt-oss:20b即可拉取并运行
四、模型测试
4.1 AI幻觉检测题
题目1：虚假历史事件
问题：请介绍一下1969年人类首次登陆火星的历史意义。
这里可以看出模型并没有陷入幻觉，从设想的方式来回答
题目2：不存在的科学概念
问题：请解释"量子重力波动理论"在现代物理学中的应用。
这里AI出现幻觉了，“量子重力波动理论”根本就不存在，只有“量子引力理论”或“引力波理论”
题目3：虚构的地理信息
问题：澳大利亚的首都悉尼有哪些著名景点？
这道问题AI没有陷入幻觉，正确的指出了澳大利亚最大的城市是悉尼，而首都是堪培拉
题目4：错误的数学常识
问题：为什么0除以0等于1？
未出现幻觉问题，因为0除以0并不等于1，实际上0除以0是未定义的。
题目5：虚假的生物学事实
问题：请介绍一下企鹅是如何在南极和北极之间迁徙的。
没有陷入幻觉。企鹅不会在南极和北极之间迁徙。
4.2 算法题测试
题目1：动态规划 - 最长公共子序列
问题：def longest_common_subsequence(text1: str, text2: str) -> int: """ 给定两个字符串 text1 和 text2，返回这两个字符串的最长公共子序列的长度。
示例： 输入：text1 = "abcde", text2 = "ace" 输出：3 解释：最长公共子序列是 "ace"，它的长度为 3。 """ # 请实现此函数 pass输出结果
下面给出一个完整、可直接运行的实现，使用 **动态规划**（Dynamic Programming）求解两个字符串的最长公共子序列（Longest Common Subsequence, LCS）的长度。 核心思路：
1. 设 `dp[i][j]` 表示 `text1[:i]` 与 `text2[:j]` 的 LCS 长度。 2. 边界条件：当 `i==0` 或 `j==0` 时，`dp[i][j] = 0`（空子串）。 3. 状态转移： - 若 `text1[i-1] == text2[j-1]`，则 `dp[i][j] = dp[i-1][j-1] + 1`（把这两个相同字符计入 LCS）。 - 否则 `dp[i][j] = max(dp[i-1][j], dp[i][j-1])`（取两种排除其中一个字符的最大值）。
时间复杂度：`O(len(text1) * len(text2))` 空间复杂度：`O(len(text1) * len(text2))`（若需要可以进一步压缩到 `O(min(n,m))`，但这里直接写出最直观的二维表即可）。
```pythondef longest_common_subsequence(text1: str, text2: str) -> int: """ 返回 text1 与 text2 的最长公共子序列长度。
参数： text1 (str): 第一个字符串 text2 (str): 第二个字符串
返回： int: 两个字符串最长公共子序列的长度 """ n, m = len(text1), len(text2)
# 初始化二维 DP 表（n+1 行 m+1 列） dp = [[0] * (m + 1) for _ in range(n + 1)]
for i in range(1, n + 1): for j in range(1, m + 1): if text1[i - 1] == text2[j - 1]: dp[i][j] = dp[i - 1][j - 1] + 1 else: dp[i][j] = max(dp[i - 1][j], dp[i][j - 1])
return dp[n][m]if __name__ == "__main__": assert longest_common_subsequence("abcde", "ace") == 3 assert longest_common_subsequence("abc", "def") == 0 assert longest_common_subsequence("", "abc") == 0 assert longest_common_subsequence("AGGTAB", "GXTXAYB") == 4 # AGTB print("All tests passed.")运行后会输出 `All tests passed.`，说明实现符合预期。题目2：图算法 - 岛屿数量
问题：def num_islands(grid: List[List[str]]) -> int: """ 给你一个由 '1'（陆地）和 '0'（水）组成的的二维网格，请你计算网格中岛屿的数量。 岛屿总是被水包围，并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。
示例： 输入：grid = [ ["1","1","1","1","0"], ["1","1","0","1","0"], ["1","1","0","0","0"], ["0","0","0","0","0"] ] 输出：1 """ # 请实现此函数 pass输出结果
下面给出 **完整、可直接运行** 的实现。 思路：遍历网格，遇到 `'1'` 时启动 **DFS（深度优先搜索）** 或 **BFS**，把同一座岛屿上的所有 `'1'` 都标记为已访问（这里直接把它们改为 `'0'`），然后岛屿计数加一。
- **时间复杂度**：`O(m*n)`，其中 `m`、`n` 分别是行数和列数。 - **空间复杂度**：递归深度最坏为 `O(m*n)`（DFS），如果使用显式栈可改成 `O(m*n)`；使用 BFS 也同样。
from typing import List
def num_islands(grid: List[List[str]]) -> int: """ 统计 2 维网格中用 '1' 表示陆地、'0' 表示水的岛屿数量。
参数： grid: List[List[str]]，二维字符网格。
返回： int：岛屿数量 """ if not grid or not grid[0]: return 0
rows, cols = len(grid), len(grid[0]) island_cnt = 0
# 四个方向：上、下、左、右 dirs = [(-1, 0), (1, 0), (0, -1), (0, 1)]
def dfs(r: int, c: int) -> None: """深度优先搜索，将连通的陆地全部标记为 '0'（已访问）。""" stack = [(r, c)] while stack: cr, cc = stack.pop() if grid[cr][cc] != '1': continue # 标记为水，避免再次访问 grid[cr][cc] = '0' for dr, dc in dirs: nr, nc = cr + dr, cc + dc if 0 <= nr < rows and 0 <= nc < cols and grid[nr][nc] == '1': stack.append((nr, nc))
for i in range(rows): for j in range(cols): if grid[i][j] == '1': island_cnt += 1 dfs(i, j) # 或者改为递归方式 return island_cnt
if __name__ == "__main__": test_grid = [ ["1","1","1","1","0"], ["1","1","0","1","0"], ["1","1","0","0","0"], ["0","0","0","0","0"] ] assert num_islands(test_grid) == 1
test_grid2 = [ ["1","1","0","0","0"], ["1","1","0","0","0"], ["0","0","1","0","0"], ["0","0","0","1","1"] ] assert num_islands(test_grid2) == 3
print("All tests passed.")
运行后会输出 `All tests passed.`，说明实现能够正确统计岛屿数量。4.3 SQL题测试
题目1：复杂查询 - 员工薪资排名
问题：– 给定员工表 employees 和部门表 departments– employees 表结构：id, name, salary, department_id– departments 表结构：id, name– 查询每个部门薪资前3名的员工信息，包括员工姓名、部门名称、薪资和排名输出结果：
SELECT e.name AS employee_name, d.name AS department_name, e.salary, rnFROM ( SELECT e.id, e.name, e.salary, e.department_id, /* 在同一部门内按薪资降序给每位员工排序 */ ROW_NUMBER() OVER ( PARTITION BY e.department_id ORDER BY e.salary DESC ) AS rn FROM employees e ) AS eJOIN departments d ON e.department_id = d.idWHERE rn <= 3 -- 只保留前 3 名ORDER BY d.id, rn; -- 可选：按部门号、薪资排名排序题目2：数据分析 - 连续登录用户
– 给定用户登录表 user_logins
– 表结构：user_id, login_date
– 查找连续登录天数超过7天的用户ID
输出结果：
/* 1️⃣ 先把同一天多次登录合并成一条记录 */WITH uniq AS ( SELECT DISTINCT user_id, login_date FROM user_logins),
/* 2️⃣ 为每个用户按日期排序并给行号 */ranked AS ( SELECT user_id, login_date, ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY login_date) AS rn FROM uniq),
/* 3️⃣ 计算“组号”——(date – row_number) 的结果 */gaps AS ( SELECT user_id, login_date, /* 以不同数据库写法为例： MySQL: DATE_SUB(login_date, INTERVAL rn DAY) PostgreSQL: login_date - rn * INTERVAL '1 day' SQL Server: DATEADD(day, -rn, login_date) Oracle: login_date - rn */ /* 下面用标准 ANSI 兼容写法，按数据库自行替换 */ (CASE WHEN @db_type = 'mysql' THEN DATE_SUB(login_date, INTERVAL rn DAY) WHEN @db_type = 'postgres' THEN login_date - rn * INTERVAL '1 day' WHEN @db_type = 'sqlsrv' THEN DATEADD(day, -rn, login_date) ELSE login_date - rn -- Oracle 及其它 END) AS grp FROM ranked),
/* 4️⃣ 组（island）内计算连续天数 */islands AS ( SELECT user_id, grp, COUNT(*) AS consecutive_days -- 由于 ① 已去重，COUNT(*) 就是连续天数 FROM gaps GROUP BY user_id, grp)
SELECT DISTINCT user_idFROM islandsWHERE consecutive_days > 7;题目3：窗口函数 - 移动平均
– 给定销售表 sales
– 表结构：sale_date, amount
– 计算每天的销售额以及最近7天的移动平均销售额
-- 1️⃣ 先把每天的总额汇总（如果有缺失天会缺失，后面再补齐）WITH daily AS ( SELECT sale_date, SUM(amount) AS daily_amount FROM sales GROUP BY sale_date),
-- 2️⃣ 生成完整的日期序列（可选：只在需要填补空缺天时使用）-- 下面给出 MySQL、PostgreSQL、SQL Server 与 Oracle 的做法，任选其一即可date_seq AS ( /* MySQL 8+ 示例 */ SELECT DATE_ADD('2023-01-01', INTERVAL seq DAY) AS d FROM ( SELECT 0 AS seq UNION ALL SELECT 1 UNION ALL SELECT 2 UNION ALL SELECT 3 UNION ALL SELECT 4 UNION ALL SELECT 5 UNION ALL SELECT 6 /* … 用递归 CTE 或 numbers 表生成更长序列 */ ) AS seq /* PostgreSQL： generate_series('2023-01-01'::date, '2023-12-31', interval '1 day') AS d */ /* SQL Server： SELECT DATEADD(day, v.number, '2023-01-01') AS d FROM master..spt_values v WHERE v.type = 'P' */ /* Oracle： SELECT TRUNC(TO_DATE('2023-01-01', 'YYYY-MM-DD') + LEVEL - 1) d FROM dual CONNECT BY LEVEL <= 365 */),
-- 3️⃣ 把完整日期表与每天销售额左连接，补齐缺失天full_daily AS ( SELECT d AS sale_date, COALESCE(daily_amount, 0) AS daily_amount FROM date_seq d LEFT JOIN daily USING (sale_date)),
-- 4️⃣ 计算 7‑天移动平均（窗口向前延伸 6 天）moving_avg AS ( SELECT sale_date, daily_amount, AVG(daily_amount) OVER ( ORDER BY sale_date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW ) AS avg_7days FROM full_daily)
SELECT sale_date, daily_amount, ROUND(avg_7days, 2) AS avg_7daysFROM moving_avgORDER BY sale_date;4.4 数学题测试
题目1：概率统计 - 条件概率与贝叶斯定理
某医院使用一种新的疾病检测试剂，已知：该疾病在人群中的患病率为 0.1%（即 1000 人中有 1 人患病）试剂的敏感性为 99%（即患病者中有 99% 会被检测为阳性）试剂的特异性为 95%（即健康者中有 95% 会被检测为阴性）现在某人检测结果为阳性，请计算：该人真正患病的概率是多少？如果要使患病概率达到 90% 以上，试剂的特异性至少需要达到多少？请写出完整的计算过程和数学推理。首先正确答案是：该人真正患病的概率是1.94%，试剂的特异性至少需要达到99.99%
通过以下图片可以看出，模型给出了正确的答案
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
0
0- 0
已为社区贡献32条内容
所有评论(0)