Mejor GPU para gpt-oss-20b en local
Precios en tiempo real y recomendaciones de hardware actualizados para agosto de 2026.
gpt-oss-20b es un modelo denso: sus 20B de parámetros se activan en cada token, así que la velocidad de generación depende de lo rápido que tu tarjeta pueda leer todos los pesos.
Para ejecutar gpt-oss-20b en local necesitas unos 14.1 GB de VRAM con cuantización Q4_K_M y un contexto de 32k tokens. La tarjeta con mejor relación calidad-precio que encaja es la GeForce RTX 5060 Ti 16GB (16 GB), que debería generar alrededor de 12 tokens por segundo.
Ajustar longitud de contexto
Desliza para seleccionar tamaños populares o escribe un valor manualmente.
Hardware recomendado
Los pesos Q3 (~8,6GB) más la caché KV de 32k alcanzan ~11GB. Las tarjetas de 12GB cubren toda la ventana de contexto con margen.
Hardware recomendado
Los pesos Q4 (~11,5GB) más la caché KV de 32k alcanzan ~14GB. Las tarjetas de 16GB son la configuración principal ideal.
Hardware recomendado
Los pesos Q8 (~23GB) más la caché KV de 32k superan los 24GB. Las tarjetas de 32GB+ ofrecen una precisión casi sin pérdidas sin restricción de VRAM.
Otros modelos con el mismo requisito de VRAM
Como los pesos de gpt-oss-20b caben en una tarjeta de 16 GB, otros modelos de tamaño similar funcionan en la misma GPU. La velocidad de generación varía — los modelos Mixture-of-Experts son más rápidos, los densos más lentos — pero todos caben en la misma VRAM:
Optimización de configuración para gpt-oss-20b
Recomendaciones de cuantización
Para tareas diarias de programación y razonamiento, Q4_K_M (cuantización de 4 bits) ofrece el mejor equilibrio entre calidad y eficiencia de memoria: reduce los requisitos de memoria en más del 70% con una pérdida de calidad mínima en comparación con FP16. Los ajustes preestablecidos Q8 y superiores conservan más fidelidad a costa de un uso de VRAM significativamente mayor, lo que puede forzar la descarga de capas y reducir el rendimiento de generación.
Software local recomendado
Recomendamos usar Ollama como el ejecutor principal para la inferencia local debido a su división automática de modelos en GPU y optimizaciones de caché de contexto. Para ajustes finos avanzados o divisiones de cuantización, llama.cpp compilado de forma nativa con Flash Attention proporciona el mejor control granular.
Ejecutar gpt-oss-20b en local: preguntas frecuentes
¿Cuánta VRAM necesito para ejecutar gpt-oss-20b?
Con un contexto de 32k y la cuantización de la caché KV activada, gpt-oss-20b necesita unos 14.1 GB de VRAM en Q4_K_M, la cuantización recomendada para la mayoría. Bajar a Q3_K_M lo reduce a unos 11.2 GB con cierta pérdida de calidad, mientras que Q8_0 requiere unos 25.6 GB para la mejor calidad que puede dar este modelo.
¿En qué tamaño de tarjeta gráfica cabe gpt-oss-20b?
gpt-oss-20b necesita unos 14.1 GB en Q4_K_M, así que una tarjeta de 16 GB es el tamaño común más pequeño que lo mantiene íntegro en VRAM. Por debajo hay que descargar capas a la RAM del sistema, lo que suele costarte la mayor parte de la velocidad de generación.
¿Qué cuantización debo usar para gpt-oss-20b?
Usa Q4_K_M salvo que te sobre VRAM. Necesita unos 14.1 GB y pierde muy poca calidad frente a la precisión completa. Q8_0 requiere unos 25.6 GB para una mejora que casi nadie percibe programando o conversando. Dedica la VRAM sobrante a un contexto más largo.
¿Cómo afecta la longitud del contexto a la VRAM que necesita gpt-oss-20b?
Los pesos del modelo son fijos, pero la caché KV crece de forma lineal con el contexto. Para gpt-oss-20b con un contexto de 32k la caché ocupa unos 2.6 GB; al doblarlo a 64k sube a unos 5.1 GB. Desactivar la cuantización de la caché KV vuelve a duplicar esas cifras.
¿Puede la misma GPU ejecutar otros modelos similares a gpt-oss-20b?
Sí. gpt-oss-20b necesita unos 14.1 GB en Q4_K_M, y cualquier modelo cuyos pesos quepan en la misma tarjeta funciona en ella — incluidos InternLM2.5-20B (20B), Codestral 22B (22.2B), DiffusionGemma 26B-A4B (25.2B). Los pesos caben en la misma GPU; la velocidad de generación varía (los modelos Mixture-of-Experts son más rápidos, los densos más lentos).
▸Cómo se estiman las velocidades de tokens
Cómo calculamos la Puntuación de Valor GPU y normalizamos los datos del mercado.
Lectura (Prefill)
La consulta se procesa en una sola pasada paralela. Esto está limitado por la capacidad de cómputo: satura los núcleos tensor de la GPU.
Decodificación (Generación)
Cada nuevo token requiere cargar todos los pesos activos del modelo desde la VRAM. Esto está limitado por el ancho de banda de memoria: la GPU se detiene esperando datos en lugar de computar.
Pesos = (activeParams × bits ÷ 8) × 1.15 de sobrecarga. Caché KV por paso = activeParams × multiplicador × contextK.
Factores de utilización por arquitectura
Izquierda: factor de decodificación — Derecha: factor de lectura
Fuentes de datos
Los TFLOPS y el ancho de banda de memoria se leen de la base de datos de GPU. Si no están disponibles, el ancho de banda recurre a una lista predefinida.
Limitaciones
Estas son estimaciones analíticas, no resultados de pruebas reales. Úsalas como una comparación relativa, no como una garantía absoluta de rendimiento.