გაეცანით gpt-oss-ს
gpt-oss-120b და gpt-oss-20b open-weight მსჯელობის მოდელების მოწინავე ზღვარს აფართოებენ
ვაქვეყნებთ gpt-oss-120b-ს და gpt-oss-20b-ს — ორ უახლესი დონის open-weight ენობრივ მოდელს, რომლებიც დაბალ ფასად ძლიერ რეალურ წარმადობას იძლევა. მოქნილი Apache 2.0 ლიცენზიით ხელმისაწვდომი ეს მოდელები მსჯელობის ამოცანებში ზომით მსგავს open model-ებს აჯობებს, აჩვენებს ხელსაწყოების გამოყენების ძლიერ შესაძლებლობებს და ოპტიმიზებულია სამომხმარებლო ჰარდვერზე ეფექტიანი განთავსებისთვის. ისინი გაწვრთნილია განმამტკიცებელი სწავლებისა და OpenAI-ის ყველაზე მოწინავე შიდა მოდელებით, მათ შორის o3‑ითა და სხვა მოწინავე სისტემებით შთაგონებული ტექნიკების ნაზავით.
gpt-oss-120b მოდელი ძირითად მსჯელობის ბენჩმარკებში თითქმის უტოლდება OpenAI o4-mini-ს და ამავე დროს ეფექტიანად მუშაობს ერთ 80 GB GPU-ზე. gpt-oss-20b მოდელი გავრცელებულ ბენჩმარკებში OpenAI o3‑mini‑ს მსგავს შედეგებს იძლევა და შეუძლია იმუშაოს edge მოწყობილობებზე მხოლოდ 16 GB მეხსიერებით, რაც მას იდეალურს ხდის მოწყობილობაზე გაშვებისთვის, ლოკალური ინფერენსისთვის ან ძვირადღირებული ინფრასტრუქტურის გარეშე სწრაფი იტერაციისთვის. ორივე მოდელი ასევე ძლიერად მუშაობს ხელსაწყოების გამოყენებაში, Few-shot სწავლება ფუნქციის გამოძახებაში, CoT მსჯელობაში (როგორც ჩანს Tau-Bench აგენტური შეფასების პაკეტის შედეგებში) და HealthBench-ში (ზოგჯერ ისეთ პროპრიეტარულ მოდელებსაც კი სჯობნის, როგორიცაა OpenAI o1 და GPT‑4o).
ეს მოდელები თავსებადია ჩვენს Responses API(იხსნება ახალ ფანჯარაში)-სთან და შექმნილია აგენტურ სამუშაო პროცესებში გამოსაყენებლად გამორჩეული ინსტრუქციების მიყოლით, ხელსაწყოების გამოყენებით, როგორიცაა ვებძებნა ან Python კოდის შესრულება, და მსჯელობის შესაძლებლობებით — მათ შორის მსჯელობის ძალისხმევის რეგულირების უნარით იმ ამოცანებისთვის, რომლებსაც რთული მსჯელობა არ სჭირდება და/ან ძალიან დაბალი დაყოვნების საბოლოო შედეგებს ესწრაფვის. ისინი სრულად კონფიგურირებადია, იძლევა სრულ chain-of-thought (CoT)-ს და მხარს უჭერს სტრუქტურირებული შედეგები(იხსნება ახალ ფანჯარაში)-ს.
უსაფრთხოება ჩვენი ყველა მოდელის გამოშვების მიდგომის ფუნდამენტური ნაწილია და open model-ებისთვის მას განსაკუთრებული მნიშვნელობა აქვს. გარდა იმისა, რომ მოდელები გავატარეთ უსაფრთხოების ყოვლისმომცველ სწავლებასა და შეფასებებში, შეფასების დამატებითი ფენაც შემოვიტანეთ: adversarially fine-tuned gpt-oss-120b ვერსია გამოვცადეთ ჩვენი მზაობის ჩარჩო(იხსნება ახალ ფანჯარაში)-ს ფარგლებში. gpt-oss მოდელები შიდა უსაფრთხოების ბენჩმარკებზე ჩვენს მოწინავე მოდელებთან შედარებად შედეგებს აჩვენებს და დეველოპერებს უსაფრთხოების იმავე სტანდარტს სთავაზობს, რაც ჩვენს ბოლო პროპრიეტარულ მოდელებშია. ამ სამუშაოს შედეგებსა და დამატებით დეტალებს ვიზიარებთ კვლევით ნაშრომში(იხსნება ახალ ფანჯარაში) და მოდელის ბარათში(იხსნება ახალ ფანჯარაში). ჩვენი მეთოდოლოგია გარე ექსპერტებმა შეაფასეს და ეს ნაბიჯია open-weight მოდელებისთვის უსაფრთხოების ახალი სტანდარტების დადგენისკენ.
ასევე ვმუშაობდით ადრეულ პარტნიორებთან, როგორიცაა AI Sweden(იხსნება ახალ ფანჯარაში), Orange(იხსნება ახალ ფანჯარაში) და Snowflake(იხსნება ახალ ფანჯარაში), რათა გაგვეგო ჩვენი open model-ების რეალური გამოყენების შემთხვევები — ამ მოდელების ადგილობრივ ინფრასტრუქტურაზე ჰოსტინგიდან მონაცემთა უსაფრთხოებისთვის დაწყებული, სპეციალიზებულ მონაცემთა ნაკრებებზე მათი დახვეწით დასრულებული. გვიხარია, რომ ეს საუკეთესო კლასის open model-ები ყველასთვის ხელმისაწვდომია — ინდივიდუალური დეველოპერებიდან დიდ საწარმოებსა და მთავრობებამდე — რათა საკუთარ ინფრასტრუქტურაზე გაუშვან და მოარგონ AI. ჩვენს API-ში ხელმისაწვდომ მოდელებთან ერთად, დეველოპერებს შეუძლიათ აირჩიონ წარმადობა, ფასი და დაყოვნება, რომელიც AI სამუშაო პროცესების გასაძლიერებლად სჭირდებათ.
gpt-oss მოდელები გაწვრთნილია ჩვენი ყველაზე მოწინავე წინასწარი სწავლებისა და წვრთნისშემდგომი ტექნიკებით, განსაკუთრებული აქცენტით მსჯელობაზე, ეფექტიანობაზე და რეალურ სამყაროში გამოსადეგობაზე განთავსების მრავალ გარემოში. მიუხედავად იმისა, რომ ადრე ღიად ხელმისაწვდომი გავხადეთ სხვა მოდელებიც, მათ შორის Whisper და CLIP, gpt-oss მოდელები ჩვენი პირველი open-weight ენობრივი მოდელებია GPT‑2‑ის შემდეგ[1].
თითოეული მოდელი არის ტრანსფორმერი, რომელიც იყენებს mixture-of-experts-ს (MoE[2]) შეყვანის დასამუშავებლად საჭირო აქტიური პარამეტრების რაოდენობის შესამცირებლად. gpt-oss-120b თითო token-ზე 5.1B პარამეტრს ააქტიურებს, ხოლო gpt-oss-20b — 3.6B-ს. მოდელებს, შესაბამისად, სულ 117b და 21b პარამეტრი აქვთ. მოდელები იყენებს მონაცვლეობით dense და locally banded sparse attention პატერნებს, GPT‑3‑ის მსგავსად[3]. ინფერენსისა და მეხსიერების ეფექტიანობისთვის მოდელები ასევე იყენებს grouped multi-query attention-ს, 8-იანი ჯგუფის ზომით. პოზიციური კოდირებისთვის ვიყენებთ Rotary Positional Embedding-ს (RoPE[4]) და მოდელებს მშობლიურად უჭერს მხარს 128k-მდე კონტექსტის სიგრძე.
მოდელი | ფენები | სულ პარამეტრები | აქტიური პარამეტრები თითო token-ზე | ექსპერტების საერთო რაოდენობა | აქტიური ექსპერტები თითო token-ზე | კონტექსტის სიგრძე |
gpt-oss-120b | 36 | 117B | 5.1B | 128 | 4 | 128k |
gpt-oss-20b | 24 | 21B | 3.6B | 32 | 4 | 128k |
მოდელები გავწვრთენით ძირითადად ინგლისურ, მხოლოდ ტექსტურ მონაცემთა ნაკრებზე, STEM-ზე, კოდირებასა და ზოგად ცოდნაზე ფოკუსით. მონაცემები დავყავით token-ებად ჩვენი tokenizer-ის სუპერკრებულით, რომელიც OpenAI o4-mini-სა და GPT‑4o‑სთვის გამოიყენება: o200k_harmony, რომლის ღიად გამოქვეყნებასაც დღესაც ვახორციელებთ.
ჩვენი მოდელების არქიტექტურისა და სწავლების შესახებ მეტი ინფორმაციისთვის წაიკითხეთ მოდელის ბარათი(იხსნება ახალ ფანჯარაში).
მოდელები წვრთნისშემდგომად გაწვრთნილი იყო o4-mini-ს მსგავსი პროცესით, მათ შორის ზედამხედველობის ქვეშ დახვეწის ეტაპითა და მაღალი გამოთვლითი რესურსის RL ეტაპით. ჩვენი მიზანი იყო მოდელების შესაბამისობაში მოყვანა OpenAI Model Spec(იხსნება ახალ ფანჯარაში)-თან და მისთვის CoT მსჯელობის და ხელსაწყოების გამოყენების სწავლება პასუხის წარმოქმნამდე. ჩვენი უახლესი დონის პროპრიეტარული მსჯელობის მოდელების იგივე ტექნიკების გამოყენებით, ამ მოდელებმა წვრთნისშემდგომად გამორჩეული შესაძლებლობები აჩვენა.
API-ში OpenAI o-სერიის მსჯელობის მოდელების მსგავსად, ორი open-weight მოდელი მხარს უჭერს მსჯელობის სამ დონეს — დაბალს, საშუალოს და მაღალს — რომლებიც ერთმანეთს უპირისპირებს დაყოვნებასა და წარმადობას. დეველოპერებს შეუძლიათ მსჯელობის დონე მარტივად დააყენონ სისტემურ შეტყობინებაში ერთი წინადადებით.
ჩვენ შევაფასეთ gpt-oss-120b და gpt-oss-20b სტანდარტულ აკადემიურ ბენჩმარკებზე, რათა გაგვეზომა მათი შესაძლებლობები კოდირებაში, საკონკურსო მათემატიკაში, ჯანმრთელობასთან დაკავშირებულ ამოცანებსა და აგენტურ ხელსაწყოთა გამოყენებაში, სხვა OpenAI მსჯელობის მოდელებთან, მათ შორის o3, o3‑mini და o4-mini-სთან შედარებით.
gpt-oss-120b სჯობნის OpenAI o3‑mini‑ს და ემთხვევა ან აჭარბებს OpenAI o4-mini-ს საკონკურსო კოდირებაში (Codeforces), ზოგად პრობლემების გადაწყვეტაში (MMLU და HLE) და ხელსაწყოს გამოძახებაში (TauBench). უფრო მეტიც, ჯანმრთელობასთან დაკავშირებულ მოთხოვნებში (HealthBench) და საკონკურსო მათემატიკაში (AIME 2024 და 2025) ის o4-mini-ზე უკეთესიც კია. gpt-oss-20b ამავე შეფასებებში ემთხვევა ან აჭარბებს OpenAI o3‑mini‑ს, მიუხედავად მცირე ზომისა, და მას საკონკურსო მათემატიკასა და ჯანმრთელობაშიც კი სჯობნის.
gpt-oss მოდელები ვერ ჩაანაცვლებს სამედიცინო პროფესიონალს და არ არის განკუთვნილი დაავადების დიაგნოსტიკისთვის ან მკურნალობისთვის
მაგალითური გაშვებები
gpt-oss-120b-ს შეუძლია სწრაფად გააერთიანოს უახლესი ინფორმაცია ბრაუზინგის ხელსაწყოს გამოყენებით, მათ შორის ზედიზედ ათობით გამოძახების ჯაჭვურად გაერთიანებით.
ჩვენმა ბოლოდროინდელმა კვლევამ აჩვენა, რომ მსჯელობის მოდელის CoT-ის მონიტორინგი შეიძლება სასარგებლო იყოს არასათანადო ქცევის აღმოსაჩენად, თუ მოდელი CoT-ის შესათანხმებლად პირდაპირი ზედამხედველობით არ ყოფილა გაწვრთნილი. ამ ხედვას ინდუსტრიაში სხვებიც იზიარებენ(იხსნება ახალ ფანჯარაში). ჩვენი პრინციპების შესაბამისად, OpenAI o1‑preview-ის გამოშვების დღიდან, არცერთ gpt-oss მოდელზე CoT-ისთვის პირდაპირი ზედამხედველობა არ დაგვიდია. გვჯერა, რომ ეს კრიტიკულად მნიშვნელოვანია მოდელის არასათანადო ქცევის, მოტყუებისა და ბოროტად გამოყენების მონიტორინგისთვის. ჩვენი იმედია, რომ არაზედამხედველობითი chain of thought-ის მქონე open model-ის გამოშვება დეველოპერებსა და მკვლევრებს მისცემს შესაძლებლობას, თავად გამოიკვლიონ და დანერგონ საკუთარი CoT მონიტორინგის სისტემები.
დეველოპერებმა თავიანთ აპლიკაციებში CoT-ები პირდაპირ მომხმარებლებს არ უნდა აჩვენონ. ისინი შეიძლება შეიცავდეს ჰალუცინირებულ ან საზიანო შინაარსს, მათ შორის ენას, რომელიც არ ასახავს OpenAI-ის სტანდარტულ უსაფრთხოების პოლიტიკებს, და შესაძლოა მოიცავდეს ინფორმაციას, რომლის საბოლოო შედეგში ჩართვაც მოდელს პირდაპირ ეკრძალება.
gpt-oss-120b თავის შედეგებში საიმედოდ მიჰყვება სისტემურ ინსტრუქციებს, მაგრამ თავის CoT-ში ხშირად აშკარად არ ემორჩილება ინსტრუქციებს.
gpt-oss მოდელები უსაფრთხოების სწავლებისთვის იყენებს ჩვენს უახლესი დონის მიდგომებს. წინასწარი სწავლების დროს გავფილტრეთ გარკვეული მავნე მონაცემები, რომლებიც დაკავშირებული იყო Chemical, Biological, Radiological, and Nuclear (CBRN)-თან. წვრთნისშემდგომ ეტაპზე გამოვიყენეთ გააზრებული შესაბამისობა და ინსტრუქციების იერარქია(იხსნება ახალ ფანჯარაში), რათა მოდელს ესწავლა სახიფათო მოთხოვნებზე უარის თქმა და პრომპტ ინიექციისგან დაცვა.
როდესაც open-weight მოდელი გამოქვეყნდება, მოწინააღმდეგეებს შეიძლება შეეძლოთ მისი მავნე მიზნებისთვის დახვეწა. ეს რისკები პირდაპირ შევაფასეთ მოდელის სპეციალიზებულ ბიოლოგიურ და კიბერუსაფრთხოების მონაცემებზე დახვეწით, რითაც თითოეული დომენისთვის დომენსპეციფიკური უარმთქმელობაზე არმომუშავე ვერსია შევქმენით — ისე, როგორც ამას თავდამსხმელი გააკეთებდა. შემდეგ ამ მოდელების შესაძლებლობის დონე შიდა და გარე ტესტირებით შევაფასეთ. ამ ტესტირებამ, როგორც აღწერილია ჩვენს თანდართულ უსაფრთხოების ნაშრომში, აჩვენა, რომ OpenAI-ის დარგში მოწინავე სასწავლო სტეკის გამოყენებით ჩატარებული ძლიერი დახვეწის შემთხვევაშიც კი, ეს ბოროტად დახვეწილი მოდელები ჩვენი მზაობის ჩარჩო-ს მიხედვით შესაძლებლობის მაღალ დონეს ვერ აღწევდა. ამ მავნე დახვეწის მეთოდოლოგია სამმა დამოუკიდებელმა ექსპერტთა ჯგუფმა განიხილა და მათ გამოთქვეს რეკომენდაციები სასწავლო პროცესისა და შეფასებების გასაუმჯობესებლად, რომელთაგან ბევრიც მივიღეთ. ამ რეკომენდაციებს დეტალურად აღვწერთ მოდელის ბარათში. ეს პროცესები open model-ის უსაფრთხოებისთვის მნიშვნელოვან წინსვლას აღნიშნავს. სწორედ ამ დასკვნებმა განაპირობა ჩვენი გადაწყვეტილება, გამოგვეშვა gpt-oss მოდელები. იმედი გვაქვს, რომ ეს მოდელები ინდუსტრიის მასშტაბით უსაფრთხოების სწავლებისა და შესაბამისობის კვლევას დააჩქარებს.
უფრო უსაფრთხო ღია კოდის ეკოსისტემაში წვლილის შესატანად, ვმასპინძლობთ შეტევითი ტესტირების გამოწვევას(იხსნება ახალ ფანჯარაში), რათა წავახალისოთ მკვლევრები, დეველოპერები და ენთუზიასტები მთელი მსოფლიოდან, დაგვეხმარონ უსაფრთხოების ახალი პრობლემების იდენტიფიცირებაში. გამოწვევის საპრიზო ფონდი 500,000 დოლარია და გამარჯვებულები შეფასდებიან OpenAI-ისა და სხვა წამყვანი ლაბორატორიების ექსპერტი მსაჯების პანელის განხილვის საფუძველზე. გამოწვევის დასრულების შემდეგ გამოვაქვეყნებთ ანგარიშს და ღიად გავასაჯაროებთ შეფასების მონაცემთა ნაკრებს დადასტურებულ მიგნებებზე დაყრდნობით, რათა ფართო საზოგადოებამ დაუყოვნებლივ მიიღოს სარგებელი. მეტი ინფორმაციისთვის და მონაწილეობისთვის შედით აქ(იხსნება ახალ ფანჯარაში).
როგორც gpt-oss-120b-ის, ისე gpt-oss-20b-ის წონები უფასოდ არის ხელმისაწვდომი Hugging Face-ზე ჩამოსატვირთად და მშობლიურად მოდის MXFP4-ში კვანტიზებული სახით. ეს შესაძლებელს ხდის, რომ gpt-oss-120B მოდელი 80GB მეხსიერების ფარგლებში გაეშვას, ხოლო gpt-oss-20b-ს მხოლოდ 16GB სჭირდება.
მოდელები წვრთნისშემდგომად გაწვრთნილია ჩვენს harmony prompt format(იხსნება ახალ ფანჯარაში)-ზე, და მის გამოყენებას გასაადვილებლად Python-სა და Rust-ში ღიად ვაქვეყნებთ harmony renderer(იხსნება ახალ ფანჯარაში)-საც. ასევე ვუშვებთ სარეფერენცო იმპლემენტაციებს PyTorch-ით ინფერენსის გასაშვებად და Apple-ის Metal პლატფორმაზე, მოდელისთვის მაგალითური ხელსაწყოების კოლექციასთან ერთად.
ეს მოდელები შევქმნით მოქნილი და ყველგან მარტივად გასაშვები გამოსაყენებლად — ლოკალურად, მოწყობილობაზე ან მესამე მხარის ინფერენსის პროვაიდერების მეშვეობით. ამის მხარდასაჭერად, გაშვებამდე ვითანამშრომლეთ წამყვან განთავსების პლატფორმებთან, როგორიცაა Azure, Hugging Face, vLLM, Ollama, llama.cpp, LM Studio, AWS, Fireworks, Together AI, Baseten, Databricks, Vercel, Cloudflare და OpenRouter, რათა მოდელები დეველოპერებისთვის ფართოდ ხელმისაწვდომი გამხდარიყო. ჰარდვერის მხრივ, ვიმუშავეთ ინდუსტრიის ლიდერებთან, მათ შორის NVIDIA, AMD, Cerebras და Groq-თან, რათა სისტემების ფართო სპექტრზე ოპტიმიზებული წარმადობა უზრუნველგვეყო.
დღევანდელი გამოშვების ფარგლებში, Microsoft ასევე Windows მოწყობილობებზე ამატებს gpt-oss-20b მოდელის GPU-ოპტიმიზებულ ვერსიებს. ONNX Runtime-ზე მომუშავე ეს მოდელები მხარს უჭერს ლოკალურ ინფერენსს და ხელმისაწვდომია Foundry Local-ისა და AI Toolkit for VS Code-ის მეშვეობით, რაც Windows-ის დეველოპერებისთვის open model-ებით შექმნას ამარტივებს.
დეველოპერებისთვის, რომლებსაც სრულად კონფიგურირებადი მოდელები სურთ, რათა საკუთარ გარემოში დახვეწონ და განათავსონ, gpt-oss შესანიშნავი არჩევანია. მათთვის კი, ვინც ეძებს მულტიმოდალურ მხარდაჭერას, ჩაშენებულ ხელსაწყოებს და ჩვენს პლატფორმასთან შეუფერხებელ ინტეგრაციას, ჩვენი API პლატფორმით ხელმისაწვდომი მოდელები კვლავ საუკეთესო ვარიანტად რჩება. ჩვენ ვაგრძელებთ დეველოპერთა უკუკავშირის ყურადღებით მოსმენას და შესაძლოა მომავალში gpt-oss-ის API მხარდაჭერაც განვიხილოთ.
თუ მოდელების მოსინჯვა გსურთ, ეწვიეთ ჩვენს open model playground(იხსნება ახალ ფანჯარაში)-ს. იმის გასაგებად, თუ როგორ გამოიყენოთ მოდელები სხვადასხვა ეკოსისტემურ პროვაიდერთან ან როგორ დახვეწოთ ისინი, გაეცანით ჩვენს გზამკვლევებს(იხსნება ახალ ფანჯარაში).
gpt-oss-120b-ისა და gpt-oss-20b-ის გამოშვება open-weight მოდელებისთვის მნიშვნელოვანი წინგადადგმული ნაბიჯია. მათი ზომისთვის ეს მოდელები არსებით გაუმჯობესებებს იძლევა როგორც მსჯელობის შესაძლებლობებში, ისე უსაფრთხოებაში. Open model-ები ავსებს ჩვენს ჰოსტირებულ მოდელებს და დეველოპერებს ხელსაწყოების უფრო ფართო სპექტრს აძლევს, რათა დააჩქარონ მოწინავე კვლევა, წაახალისონ ინოვაცია და შესაძლებელი გახადონ უფრო უსაფრთხო და გამჭვირვალე AI-ის განვითარება გამოყენების შემთხვევების ფართო სპექტრში.
ეს open model-ები ასევე ამცირებს ბარიერებს განვითარებადი ბაზრებისთვის, რესურსებით შეზღუდული სექტორებისთვის და პატარა ორგანიზაციებისთვის, რომლებსაც შესაძლოა არ ჰქონდეთ ბიუჯეტი ან მოქნილობა პროპრიეტარული მოდელების მისაღებად. როდესაც მათ ხელში ძლიერი და ხელმისაწვდომი ხელსაწყოებია, მსოფლიოს სხვადასხვა კუთხეში ადამიანებს შეუძლიათ შექმნან, განავითარონ იდეები და საკუთარი თავისა და სხვებისთვის ახალი შესაძლებლობები შექმნან. აშშ-ში შექმნილ ამ ძლიერი open-weight მოდელებზე ფართო წვდომა ხელს უწყობს დემოკრატიული AI ინფრასტრუქტურის გაფართოებას.
ჯანსაღი open model ეკოსისტემა ერთ-ერთი განზომილებაა იმისა, რომ AI ფართოდ ხელმისაწვდომი და ყველასთვის სასარგებლო გახდეს. ვიწვევთ დეველოპერებსა და მკვლევრებს, გამოიყენონ ეს მოდელები ექსპერიმენტებისთვის, თანამშრომლობისთვის და შესაძლებლის საზღვრების გასაფართოებლად. მოუთმენლად ველით, რას შექმნით.
ავტორი
ციტირებები
კონტრიბუტორები
Zoran Martinovic, Zhuohan Li, Zhiqing Sun, Zach Johnson, Yu Yang, Yu Bai, Yang Song, Xin Wang, Wenting Zhan, Volodymyr Kyrylov, Vlad Fomenko, Tyler Bertao, Tong Mu, Timur Garipov, Tarun Gogineni, Suvansh Sanjeev, Steve Mostovoy, Song Mei, Shengjia Zhao, Sebastien Bubeck, Scott McKinney, Scott Lessans, Sandhini Agarwal, Sam Toizer, Sam Altman, Saachi Jain, Romain Huet, Rahul K. Arora, Philippe Tillet, Olivia Watkins, Nivedita Brett, Nikhil Vyas, Miles Wang, Michihiro Yasunaga, Michelle Pokrass, Mia Glaese, Max Schwarzer, Mark Chen, Mario Lezcano-Casado, Marat Dukhan, Lukas Gross, Ludovic Peran, Ludovic Peran, Lindsay McCallum, Lin Yang, Lily (Xiaoxuan) Liu, Leher Pathak, Lama Ahmad, Kristian Georgiev, Kristen Ying, Kimmy Richardson, Kevin Whinnery, Kevin Weil, Kevin Lu, Kevin Fives, Kendal Simon, Katia Gil Guzman, Karan Singhal, Karan Singhal, Kai Chen, Josh McGrath, Jordan Liss, Jongsoo Park, John Hallman, Johannes Heidecke, Jiancheng Liu, Ji Lin, Jason Kwon, Jason Ai, James Park Lennon, Jakub Pachocki, Jacob Huh, Jackie Hehir, Irina Kofman, Huida Qiu, Hongyu Ren, Harshit Sikchi, Hannah Wong, Haitang Hu, Haitang Hu, Haiming Bao, Hadi Salman, Guillaume Leclerc, Greg Brockman, Gideon Myles, Giambattista Parascandolo, Gaby Raila, Foivos Tsimpourlas, Filippo Raso, Eugene Brevdo, Eric Wallace, Enoch Cheung, Elizabeth Proehl, Elaine Ya Le, Edwin Arbus, Eddie Zhang, Dominik Kundel, Dmitry Pimenov, David Robinson, Dane Stuckey, Dana Palmie, Dan Cook, Cyril Zhang, Chris Lu, Chris Koch, Che Chang, Cedric Whitney, Casey Dvorak, Carolina Paz, Brian Zhang, Bowen Baker, Bob Rotsted, Boaz Barak, Ashley Pantuliano, Andy Applebaum, Amy Wendling, Ally Bennett, Alexander Neitz, Alex Paino, Alex Nichol, Alec Helyar, Aidan McLaughlin, Aidan Clark და Adam Goucher
