Requisitos de GPU do gpt-oss-120b: VRAM e GPU mais barata
gpt-oss-120b tem 116,8 bi parâmetros, publicados em FP4. É um modelo de mistura de especialistas: 4 dos seus 128 especialistas trabalham em cada token, cerca de 5,8 bi parâmetros, então ele gera texto mais ou menos na velocidade de um modelo desse tamanho. Ainda assim, todos os especialistas precisam ficar na memória da GPU, por isso os números de memória abaixo são do modelo inteiro. É publicado sob apache-2.0, que permite uso comercial.
- Parâmetros
- 116,8 bi
- Menor consumo (INT4)
- cerca de 69 GB
- GPU mais barata por hora (FP16)
- US$ 0,59
- Tipo
- Texto
openai/gpt-oss-120b
- Parâmetros 116,8 bi
- Ativos por token 5,8 bi
- Tipo Texto
- Tarefa text-generation
- Contexto máximo 128K
- Licença apache-2.0
- Downloads 2,4 mi
- Curtidas 5,5 mil
Cálculo para gpt-oss-120b
Mais ajustes
gpt-oss-120b precisa de cerca de 258 GB de memória de GPU
Inferência (vLLM), FP16 / BF16, contexto de 8K tokens, uma requisição por vez.
Para onde vai a memória
- Pesos 234 GB
- Cache KV 0,3 GB
- Sobrecarga do runtime 24 GB
- Total 258 GB
A contagem de GPUs deixa 10% de cada placa livre para picos. Reserve mais se espera prompts longos ou muitos usuários ao mesmo tempo.
| Posição | Configuração | Por GPU / h | GPUs necessárias | Total / h | Total / mês (24/7) | Provedor |
|---|---|---|---|---|---|---|
| 1 | 6 × A40 48GBMais barataAmpere · GDDR6 | US$ 0,59 | 6vendida com 8 GPUs; você precisa de 6 | US$ 4,72 | US$ 3.446 | RunPod (abre em nova aba)8x A40 |
| 2 | 2 × MI300X 192GBCDNA 3 · HBM3 | US$ 2,39 | 2 | US$ 4,78 | US$ 3.489 | RunPod (abre em nova aba)2x MI300X |
| 3 | 6 × RTX A6000 48GBAmpere · GDDR6 | US$ 0,69 | 6vendida com 8 GPUs; você precisa de 6 | US$ 5,52 | US$ 4.030 | RunPod (abre em nova aba)8x RTX A6000 |
| 4 | 3 × RTX PRO 6000 96GBBlackwell · GDDR7 | US$ 1,72 | 3vendida com 4 GPUs; você precisa de 3 | US$ 6,89 | US$ 5.033 | Vast.ai (abre em nova aba)4x RTX PRO 6000 S (median of 8 offers) |
| 5 | 4 × A100 80GBAmpere · HBM2e | US$ 2,09 | 4 | US$ 8,36 | US$ 6.103 | RunPod (abre em nova aba)4x A100 PCIe |
| 6 | 6 × L40S 48GBAda Lovelace · GDDR6 | US$ 1,09 | 6vendida com 8 GPUs; você precisa de 6 | US$ 8,72 | US$ 6.366 | RunPod (abre em nova aba)8x L40S |
| 7 | 6 × RTX 6000 Ada 48GBAda Lovelace · GDDR6 | US$ 1,09 | 6vendida com 8 GPUs; você precisa de 6 | US$ 8,72 | US$ 6.366 | RunPod (abre em nova aba)8x RTX 6000 Ada |
| 8 | 1 × B300 288GBBlackwell Ultra · HBM3e | US$ 8,99 | 1 | US$ 8,99 | US$ 6.563 | RunPod (abre em nova aba)1x B300 |
| 9 | 4 × H100 80GBHopper · HBM3 | US$ 2,89 | 4 | US$ 11,56 | US$ 8.439 | RunPod (abre em nova aba)4x H100 PCIe |
| 10 | 4 × H100 NVL 94GBHopper · HBM3 | US$ 3,19 | 4 | US$ 12,76 | US$ 9.315 | RunPod (abre em nova aba)4x H100 NVL |
| 11 | 3 × H200 141GBHopper · HBM3e | US$ 3,79 | 3vendida com 4 GPUs; você precisa de 3 | US$ 15,16 | US$ 11.067 | RunPod (abre em nova aba)4x H200 NVL |
| 12 | 2 × B200 180GBBlackwell · HBM3e | US$ 7,89 | 2 | US$ 15,78 | US$ 11.519 | Lambda (abre em nova aba)2x B200 SXM6 |
| 13 | 8 × A100 40GBAmpere · HBM2 | US$ 1,99 | 8 | US$ 15,92 | US$ 11.622 | Lambda (abre em nova aba)8x HGX A100 |
| 14 | 2 × GB200 186GBBlackwell · HBM3e | US$ 10,50 | 2vendida com 4 GPUs; você precisa de 2 | US$ 42,00 | US$ 30.660 | CoreWeave (abre em nova aba)GB200 NVL72 |
| Mais de 8: precisa de vários nós: RTX 5090 32GB, RTX 4090 24GB, RTX 3090 24GB, L4 24GB, A10 24GB, T4 16GB, V100 16GB | ||||||
| Provedor | Instância | Por GPU / h | GPUs necessárias | Total / h | Total / mês (24/7) |
|---|---|---|---|---|---|
| RunPod (abre em nova aba)Mais barata | 8x A40us | US$ 0,59 | 6 × A40 48GB vendida com 8 GPUs; você precisa de 6 | cerca de US$ 4,72 | cerca de US$ 3.446 |
| Vast.ai (abre em nova aba) | 4x RTX PRO 6000 S (median of 8 offers)marketplace global | US$ 1,72 | 3 × RTX PRO 6000 96GB vendida com 4 GPUs; você precisa de 3 | cerca de US$ 6,89 | cerca de US$ 5.033 |
| Nebius (abre em nova aba) | 1x B300 288GBeu/us | US$ 9,50 | 1 × B300 288GB | cerca de US$ 9,50 | cerca de US$ 6.935 |
| Vultr (abre em nova aba) | vbm-48c-1024gb-4-a100-gpu (bare metal)us | US$ 2,40 | 4 × A100 80GB | cerca de US$ 9,59 | cerca de US$ 7.000 |
| Azure (abre em nova aba) | NC96ads_A100_v4eastus | US$ 3,67 | 4 × A100 80GB | cerca de US$ 14,69 | cerca de US$ 10.725 |
| Lambda (abre em nova aba) | 2x B200 SXM6us | US$ 7,89 | 2 × B200 180GB | cerca de US$ 15,78 | cerca de US$ 11.519 |
| AWS (abre em nova aba) | g7e.24xlargeus-east-1 | US$ 4,14 | 3 × RTX PRO 6000 96GB vendida com 4 GPUs; você precisa de 3 | cerca de US$ 16,57 | cerca de US$ 12.098 |
| Google Cloud (abre em nova aba) | g4-standard-192us-central1 | US$ 4,50 | 3 × RTX PRO 6000 96GB vendida com 4 GPUs; você precisa de 3 | cerca de US$ 18,00 | cerca de US$ 13.140 |
| CoreWeave (abre em nova aba) | L40Sus | US$ 2,25 | 6 × L40S 48GB vendida com 8 GPUs; você precisa de 6 | cerca de US$ 18,00 | cerca de US$ 13.140 |
Preços coletados em 13 de nov. de 2026. Todos os custos são aproximados: sob demanda, em dólares, principalmente regiões dos EUA (marketplaces como o Vast.ai são globais).
Memória por precisão e uso
| Precisão | Inferência | Ajuste LoRA | Ajuste QLoRA | Ajuste completo |
|---|---|---|---|---|
| FP16 / BF16 | 258 GB | 302 GB | – | 2.060 GB |
| INT8 | 136 GB | – | – | – |
| INT4 | 69 GB | – | 112 GB | – |
A GPU mais barata por precisão
Inferência com contexto de 8K e uma requisição por vez.
FP16 / BF16
cerca de 258 GB · 8K tokens
Os pesos como foram publicados. Sem perda, mas com o maior consumo.
6 × A40 48GB
RunPod (abre em nova aba) · 8x A40
vendida com 8 GPUs; você precisa de 6- Por GPU / h
- US$ 0,59
- GPUs necessárias
- 6
- Total / h
- cerca de US$ 4,72
- por mês, 24/7, aprox.
- US$ 3.446
INT8
cerca de 136 GB · 8K tokens
Pesos com metade do tamanho. Em chat e RAG quase não se nota diferença.
4 × A40 48GB
RunPod (abre em nova aba) · 4x A40
- Por GPU / h
- US$ 0,59
- GPUs necessárias
- 4
- Total / h
- cerca de US$ 2,36
- por mês, 24/7, aprox.
- US$ 1.723
INT4
cerca de 69 GB · 8K tokens
Pesos com um quarto do tamanho. As pequenas perdas aparecem primeiro em matemática e código.
1 × RTX PRO 6000 96GB
RunPod (abre em nova aba) · 1x RTX PRO 6000 MaxQ
- Por GPU / h
- US$ 0,50
- GPUs necessárias
- 1
- Total / h
- cerca de US$ 0,50
- por mês, 24/7, aprox.
- US$ 365
Inferência ou ajuste fino
Inferência (FP16)
1×
da memória da inferência
258 GB
6 × A40 48GB · cerca de US$ 4,72
Ajuste LoRA
1,2×
da memória da inferência
302 GB
7 × A40 48GB · cerca de US$ 4,72
Ajuste QLoRA
0,4×
da memória da inferência
112 GB
3 × A40 48GB · cerca de US$ 2,36
Ajuste completo
8×
da memória da inferência
2.060 GB
8 × B300 288GB · cerca de US$ 71,92
Para servi-lo em FP16 basta 6 × A40 48GB (RunPod). LoRA precisa de 7 × A40 48GB (RunPod), QLoRA de 3 × A40 48GB (RunPod) e um ajuste completo de 8 × B300 288GB (RunPod). O treino mantém na memória as ativações e o estado do otimizador além dos pesos, por isso costuma pedir mais GPUs do que servir o mesmo modelo.
Roda em um Mac ou em uma única RTX 4090?
RTX 4090 (24 GB)
Sozinha, não. Mesmo em INT4 ele precisa de cerca de 69 GB, mais que os 24 GB da placa. Duas ou mais placas, ou uma GPU de data center maior, resolvem.
Mac com Apple silicon
Sim, com memória suficiente. Em INT4 ele precisa de cerca de 69 GB, então um Mac com 96 GB ou mais de memória unificada (o macOS deixa a GPU usar cerca de três quartos dela). A geração será mais lenta que numa GPU de data center.
Rodar por conta própria ou pagar por token?
Rodar por conta própria
A configuração FP16 mais barata que encontramos é 6 × A40 48GB na RunPod, cerca de US$ 3.446 por mês rodando sem parar. Vale a pena com tráfego constante ou quando os dados precisam ficar nas suas máquinas.
Usar uma API hospedada
Nossa análise do gpt-oss-120b mostra onde usá-lo por API e quanto custa. Pagar por token costuma sair mais barato com tráfego leve ou irregular.
Leia nossa análiseModelos parecidos
Modelos abertos de tamanho parecido.
- Laguna S 2.1Texto117,6 bi · cerca de 260 GB FP16 · 511,5 mil ↓Necessidade de GPU
- GLM 4.5 AirTexto110,5 bi · cerca de 246 GB FP16 · 1,2 mi ↓Necessidade de GPU
- NVIDIA Nemotron 3 Super 120B A12B BF16Texto123,6 bi · cerca de 274 GB FP16 · 916,3 mil ↓Necessidade de GPU
- Ornith-1.5-122BTexto125,1 bi · cerca de 276 GB FP16 · 312,9 mil ↓Necessidade de GPU
- Ling-3.0-flash-SanteTexto127,5 bi · cerca de 282 GB FP16 · 2,7 mil ↓Necessidade de GPU
- Sarvam-105BTexto106 bi · cerca de 235 GB FP16 · 5,2 mil ↓Necessidade de GPU
gpt-oss-120b: perguntas frequentes
Quanta VRAM o gpt-oss-120b precisa?
Cerca de 258 GB em FP16, 136 GB em INT8 e 69 GB em INT4, com contexto de 8K e uma requisição por vez. Contextos maiores e mais requisições em paralelo somam cache KV.
Qual é a GPU mais barata para rodar o gpt-oss-120b?
6 × A40 48GB (cerca de US$ 0,59 por GPU / hora; vendida com 8 GPUs; você precisa de 6) na RunPod, por cerca de US$ 4,72 a hora para inferência em FP16 / BF16 com contexto de 8K. Preços coletados em 13 de nov. de 2026; mudam com frequência.
Dá para fazer ajuste fino do gpt-oss-120b em uma única GPU?
Não em uma GPU só. Mesmo o QLoRA precisa de cerca de 112 GB, mais do que cabe numa GPU de 80 GB. LoRA precisa de cerca de 302 GB e um ajuste completo de cerca de 2.060 GB.
Como esses números são calculados?
Os pesos são os parâmetros vezes os bytes por parâmetro (2 em FP16, 1 em INT8, 0,5 em INT4). O cache KV vem das camadas, cabeças KV, tamanho da cabeça e tamanho do contexto do modelo. Somamos cerca de 10% mais 1 GB para o runtime e enchemos cada GPU até 90%. Os preços são de tabela sob demanda em regiões dos EUA, coletados da página pública de cada provedor.
O gpt-oss-120b roda em uma GPU de consumo como a RTX 4090?
Sozinha, não. Mesmo em INT4 ele precisa de cerca de 69 GB, mais que os 24 GB da placa. Duas ou mais placas, ou uma GPU de data center maior, resolvem.
O gpt-oss-120b cabe em uma única H100 80GB?
Sim, em INT4 com contexto de 8K.
Quantas GPUs preciso para o gpt-oss-120b?
Em FP16 com contexto de 8K: 4 × 80 GB, 6 × 48 GB ou 12 × 24 GB. Em INT4 os pesos ocupam cerca de um quarto da memória.
Quanta VRAM o gpt-oss-120b precisa em INT8?
Cerca de 136 GB: 123 GB para os pesos, 0,3 GB para um cache KV de 8K e 13 GB de sobrecarga do runtime.
Quanto custa rodar o gpt-oss-120b 24/7 por um mês?
Cerca de US$ 3.446 na configuração mais barata que encontramos (6 × A40 48GB (cerca de US$ 0,59 por GPU / hora; vendida com 8 GPUs; você precisa de 6), US$ 4,72 a hora por 730 horas). O mais barato na AWS, Google Cloud ou Azure fica em cerca de US$ 10.725 por mês.
FP16, INT8 ou INT4: qual usar?
FP16 mantém a qualidade total e usa mais memória (cerca de 258 GB aqui). INT8 corta os pesos pela metade com pouca perda na maioria dos usos de chat. INT4 (AWQ, GPTQ ou GGUF Q4) reduz para um quarto, cerca de 69 GB no total, com uma pequena queda de qualidade que aparece mais em matemática e código.
O gpt-oss-120b roda em um Mac?
Sim, com memória suficiente. Em INT4 ele precisa de cerca de 69 GB, então um Mac com 96 GB ou mais de memória unificada (o macOS deixa a GPU usar cerca de três quartos dela). A geração será mais lenta que numa GPU de data center.
vLLM ou llama.cpp?
O vLLM foi feito para atender muitas requisições ao mesmo tempo em GPUs NVIDIA e AMD e reserva quase toda a memória da GPU para o cache KV. O llama.cpp roda arquivos GGUF em quase tudo, inclusive Macs e CPUs, e serve bem a uma pessoa ou a uma equipe pequena. Na mesma precisão, a memória necessária é parecida.
Preços coletados em 13 de nov. de 2026. Todos os custos são aproximados: sob demanda, em dólares, principalmente regiões dos EUA (marketplaces como o Vast.ai são globais).
Como calculamos
- Pesos. Parâmetros vezes bytes por parâmetro: 2 em FP16, 1 em INT8, 0,5 em INT4, mais cerca de 5% para as escalas de quantização em INT8 e INT4.
- Cache KV. 2 × camadas × cabeças KV × tamanho da cabeça × contexto × requisições × 2 bytes, a partir do config.json do modelo. Quando falta um dado, estimamos e avisamos.
- Sobrecarga. Cerca de 10% mais 1 GB para o runtime, em linha com o que o vLLM reserva.
- Ajuste fino. LoRA mantém pesos em 16 bits e adiciona um adaptador pequeno, seu otimizador e as ativações. QLoRA faz o mesmo sobre pesos de 4 bits. Um ajuste completo precisa de cerca de 16 bytes por parâmetro com Adam em precisão mista (pesos, gradientes e estados do otimizador), mais as ativações.
- GPUs. Enchemos cada GPU até 90% da memória e paramos em 8 por nó. Os custos são preços de tabela sob demanda em regiões dos EUA; nos marketplaces mostramos a oferta mediana.