大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



新一年的最难秋招季又来了！

2025年，随着AI Agent的铺开，各类岗位都开始逐渐要求候选人具有AI能力。

你是否也想在简历上拥有训练GPT的高大上的项目经历，增强自己在AI时代求职的竞争力？

解决方案现在有了。

今年8月5日，自从几年前GPT-2发布后，再无新开源模型的终于发布了新开源大模型GPT-OSS，引发社区热议。

模型分为120B和20B两个版本，其中20B的版本理论上可以在消费级的16GB以上显存的显卡上运行，从而允许我们以较低的成本使用消费级显卡训练GPT。

近日，博主Lorentz Yeung发表的一篇博客，就对本地部署和微调训练GPT-OSS进行了手把手的详尽教学，小白友好值Max。

博客地址：https://pub.towardsai.net/teaching-openais-gpt-oss-20b-model-multilingual-reasoning-ability-a-hands-on-guide-with-rtx-4090-0835ba121ee7

本文会详细介绍如何对OpenAI最新开源的GPT-OSS-20B模型（https://huggingface.co/unsloth/gpt-oss-20b-GGUF）进行微调，以提升它的多语言推理能力。

我们将涵盖目标设定、基于RTX 4090和WSL2的本地环境搭建、代码来源、详细操作流程、训练前后效果对比，以及为何即便只训练60步也能有显著提升。

如果你喜欢鼓捣AI，这份教程可以帮助你在本地复现整个流程。

看完这篇教程后，你就能动手为OpenAI发布的GPT-OSS-20B模型进行多语言思维链推理的微调。

GPT-OSS模型本身已经可以胜任数学、编程、常识问答等任务，并且具备一定的多语言能力，但它的推理过程天然偏向英文。

比如，即使你用法语提问，模型内部思考时还是优先用英文，而且你无法像设置「推理语言：法语」那样切换它的思考语言。

通过在HuggingFaceH4/Multilingual-Thinking数据集（包含1000条多语言推理样本，涵盖法语、西班牙语、德语、意大利语等）上微调，可以让模型具备以下能力：

按需切换推理语言和详细程度。此处示例为：法语，中等详细程度

微调后的模型能根据需求自由切换推理语言和细节程度——例如用法语进行中等细节分析。

对于教学、内容创作或AI助手等场景，这点非常实用，尤其是当用户的母语不是英文时。

训练脚本主要基于Unsloth提供的训练脚本，并针对RTX4090做了一些参数调整。

硬件环境是：NVIDIA RTX 4090 GPU（24GB显存），操作系统是Windows，通过WSL2运行。

为什么要用本地环境？

我们一开始尝试用Google Colab免费的Tesla T4显卡，但由于显存限制（即使用了4bit量化，20B模型还是需要12–23GB显存），很快就出现AcceleratorError错误并崩溃。

使用Google Colab报错：AcceleratorError

Colab的付费高级版可能可以跑，但本地环境显然在控制能力和速度上更胜一筹。

搭建流程如下：

1. 在WSL2终端，创建虚拟环境并安装pytorch和unsloth，命令如下（见Unsloth文档：https://docs.unsloth.ai/basics/gpt-oss-how-to-run-and-fine-tune#fine-tuning-gpt-oss-with-unsloth）：

看到「unsloth_env is created!」就成功了。

2. 下载我们的Notebook文件，激活新建的「unsloth_env」（或者你自己命名的环境）kernel，运行安装依赖的cell：

有环境或依赖疑问可参考相关文档。

整个配置流程大约花费30分钟。

用RTX 4090本地运行其实很简单：下载Notebook到本地，在VS Code或Jupyter Lab里用WSL2环境逐行运行就可以了。

Unsloth库在速度和显存利用上都有优化，训练效率更高，也特别适配RTX系列显卡。

这份Notebook包含了加载模型、准备数据、微调和推理的完整流程。

如果你不关心细节解释，其实完全可以直接跳过下面的内容，在Jupyter Notebook顶部点击Run All一键运行就行——我们已经为RTX4090优化好了参数。

模型用的是Unsloth版本的GPT-OSS-20B。

OpenAI的GPT-OSS模型本身就用的是MXFP4格式，而Unsloth最近加了对应工具和兼容方案，让这些权重也能顺利微调。

MXFP4是Open Compute Project提出的微缩浮点数格式，在推理效率上表现很好。

OpenAI发布的GPT-OSS-120B和20B都有原生MXFP4权重，Unsloth针对主流训练框架缺乏MXFP4支持的情况，做了自定义适配和NF4仿真机制，能直接对GPT-OSS进行微调，详见Unsloth文档。

这段代码实现了什么？

这行代码的作用：

这段代码是在：

将每次对话包装为 GPT-OSS 专用的 Harmony 格式（例如：<|start|>role<|message|>content<|end|>）

这一大段代码其实只是在：

训练采样时会不会重复抽样？

Hugging Face的TRL SFTTrainer默认是「无放回采样」，即每轮迭代按顺序遍历数据集（可选shuffle），直到达到指定步数或epoch数。

如果训练步数不足一轮（比如这里的60步，等效batch size16，约采样960/1000条数据），一般不会重复抽样。

当然，也可以用dataloader_sampler等参数自定义采样方式。

微调前，基座模型在面对类似「解方程x⁵ + 3x⁴ - 10 = 3」的问题时，推理过程都是用英文进行：

微调60步之后：

微调后使用法语进行推理

你可能会好奇：为什么只训练60步，模型推理风格就发生这么大转变？

我们认为的一种可能的解释是：

本质上，这是在强大基座模型上进行风格微调——只需60步，多语言表现立竿见影。

看完这篇文章，你应该已经学会如何把类似GPT-OSS-20B这样的大模型，调整成支持多语言思维链推理的版本，把它从英文「内心独白」变成可按需切换思考语言（比如法语）的多面手。

这也包括了对Harmony格式结构化响应的理解，以及解决模型默认英文推理的限制。

如果遇到问题，可以优先去Unsloth的Discord社区（https://discord.com/invite/unsloth）寻求解决方案。

以上Notebook文件包含完整运行结果，可以在GitHub下载（https://github.com/entzyeung/towardsai/tree/main/Teaching%20OpenAI's%20GPT-OSS%2020B%20Model%20Multilingual%20Reasoning%20Ability）。

微调GPT-OSS，就像为AI打开了定制化大门，只需要以低成本临时在云端租用一张4090即可完成微调。

建议你也亲自试试，有问题欢迎在评论区讨论。