Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

gpt-oss-20b vs Qwen3 30B A3B para chat local

Dois modelos de chat de mistura de especialistas para uma máquina de 16 a 32 GB

Fatos do catálogo revisado

Fatos do catálogo revisado
Especificaçãogpt-oss-20bQwen3 30B A3B Instruct 2507
TarefaTexto e chatTexto e chat
Parâmetros21B · 3,6B ativos30,5B · 3,3B ativos
LicençaApache 2.0Apache 2.0
Uso comercialPermitidotexto da licençaPermitidotexto da licença
Qualidade · LMArena 2026-10-22 · texto1.317 ± 61.311–1.324 · 10.417 votos · posição 269 · fonte1.382 ± 51.377–1.387 · 23.306 votos · posição 190 · fonte
Memóriaestimativa de planejamento Q4 (~16 GB de pesos antes da reserva da máquina)estimativa de planejamento Q4 (~23 GB de pesos antes da reserva da máquina)
Checkpointficha oficialficha oficial

No LMArena 2026-10-22 · texto, o Qwen3 30B A3B Instruct 2507 tem 1.382 ± 5 contra 1.317 ± 6 do gpt-oss-20b, 65 pontos à frente, com intervalos que não se sobrepõem. Votos cegos de pessoas em pares, no modelo hospedado, CC BY 4.0. A pontuação é relativa; intervalos que se sobrepõem significam que a ordem não está definida. Escala: pontuação Arena (controle de estilo, geral) ± metade do intervalo de confiança.

Memória em três máquinas

A reserva de cada máquina é somada (placas de vídeo 2 GB; memória unificada e do sistema 25%, de 2 a 8 GB). Estimativas de planejamento, não execuções medidas.

gpt-oss-20b vs Qwen3 30B A3B para chat local: memória em três máquinas
Máquinagpt-oss-20bQwen3 30B A3B Instruct 2507
RTX 4060 Ti · 16 GB de VRAM~18 GBNa memória, fora da parte rápida · offload para a RAM do PC (32 GB presumidos)~25 GBNa memória, fora da parte rápida · offload para a RAM do PC (32 GB presumidos)
RTX 4090 · 24 GB de VRAM~18 GBCabe na memória rápida~25 GBNa memória, fora da parte rápida · offload para a RAM do PC (32 GB presumidos)
MacBook Air 13 polegadas M4 · 32 GB unificados~24 GBCabe na memória rápida~31 GBCabe na memória rápida

gpt-oss-20b: estimativa de planejamento Q4 (~16 GB de pesos antes da reserva da máquina). Qwen3 30B A3B Instruct 2507: estimativa de planejamento Q4 (~23 GB de pesos antes da reserva da máquina). Fórmulas

Tudo o que roda em cada máquina: RTX 4060 Ti · 16 GB de VRAM · RTX 4090 · 24 GB de VRAM · MacBook Air 13 polegadas M4 · 32 GB unificados

Qual escolher

Os dois são misturas de especialistas com parte ativa pequena (3,6 bilhões de parâmetros no gpt-oss-20b, 3,3 bilhões no Qwen3 30B A3B), então geram rápido para o tamanho. O gpt-oss-20b é menor no total (21 bilhões contra 30,5) e a OpenAI o distribui em MXFP4 de 4 bits, dizendo que roda em 16 GB; a estimativa Q4 genérica abaixo é mais cautelosa que essa afirmação. O Qwen3 30B A3B passa do limite de uma placa de 24 GB em Q4 e cabe num Mac de 32 GB. Os dois são Apache 2.0. O Qwen3 30B A3B publica contexto de 262.144 tokens contra 131.072 e tem nota maior na mesma rodada de texto do LMArena.

Arquivos e comandos para rodar

O arquivo padrão da fonte coletada mais baixada, ou os comandos que cada ficha documenta. Não executados por este site.

gpt-oss-20b

unsloth/gpt-oss-20b-GGUF · gpt-oss-20b-Q4_K_M.gguf · Q4_K_M · 11,6 GB · unsloth

ollama run hf.co/unsloth/gpt-oss-20b-GGUF:Q4_K_M
llama-server -hf unsloth/gpt-oss-20b-GGUF:Q4_K_M
lms get https://huggingface.co/unsloth/gpt-oss-20b-GGUF
  • mlx-lm: O mlx-lm roda repositórios MLX; escolha a versão MLX num Mac

Qwen3 30B A3B Instruct 2507

unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF · Qwen3-30B-A3B-Instruct-2507-Q4_K_M.gguf · Q4_K_M · 18,6 GB · unsloth

ollama run hf.co/unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF:Q4_K_M
llama-server -hf unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF:Q4_K_M
lms get https://huggingface.co/unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF
  • mlx-lm: O mlx-lm roda repositórios MLX; escolha a versão MLX num Mac

Números que cada publicador informa

Os resultados de cada ficha, com a configuração de cada uma. Publicadores escolhem testes e configurações diferentes, então estes valores nunca são comparados entre publicadores aqui.

gpt-oss-20b · informado por OpenAI

A ficha do publicador não informa resultado de benchmark para este checkpoint (lida em 2026-10-25). não publicado na ficha · lida em 2026-10-25

Qwen3 30B A3B Instruct 2507 · informado por Alibaba

25 resultados · ficha de Alibaba · lida em 2026-10-25
MMLU-Pro
78,4Knowledge
MMLU-Redux
89,3Knowledge
GPQA
70,4Knowledge
SuperGPQA
53,4Knowledge
AIME25
61,3Reasoning
HMMT25
43,0Reasoning
ZebraLogic
90,0Reasoning
LiveBench 20241125
69,0Reasoning
Todos os resultados informados25
LiveCodeBench v6 (25.02-25.05)
43,2Coding
MultiPL-E
83,8Coding
Aider-Polyglot
35,6Coding
IFEval
84,7Alignment
Arena-Hard v2
69,0Alignment
Creative Writing v3
86,0Alignment
WritingBench
85,5Alignment
BFCL-v3
65,1Agent
TAU1-Retail
59,1Agent
TAU1-Airline
40,0Agent
TAU2-Retail
57,0Agent
TAU2-Airline
38,0Agent
TAU2-Telecom
12,3Agent
MultiIF
67,9Multilingualism
MMLU-ProX
72,0Multilingualism
INCLUDE
71,9Multilingualism
PolyMATH
43,1Multilingualism

Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Performance); coluna “Qwen3-30B-A3B-Instruct-2507”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo

Limites e datas

O benchmark de qualidade publicado não testa uma versão local quantizada. Estimativas de memória não medem velocidade nem garantem compatibilidade. Tamanho de repositório, quando disponível, não é VRAM. Fórmulas

Página atualizada em · Catálogo revisado em · LMArena 2026-10-22 · texto