Ollama 是一个本地化的、支持多种自然语言处理（NLP）任务的机器学习框架，专注于模型加载、推理和生成任务。
通过 Ollama，用户能够方便地与本地部署的大型预训练模型进行交互。
以下是 Ollama 的核心概念：
1. 模型（Model）
在 Ollama 中，模型是核心组成部分。它们是经过预训练的机器学习模型，能够执行不同的任务，例如文本生成、文本摘要、情感分析、对话生成等。
这是 Ollama 的核心。你可以从 Ollama 的模型库中拉取并运行各种开源模型。
标识符：每个模型都有一个名称和标签，格式通常是 模型名:标签。
例子：llama3：8b，qwen：7b，mistral：latest。
latest 通常指默认或最新的版本。
Ollama 支持多种流行的预训练模型，常见的模型有：
- deepseek-v3：深度求索提供的大型语言模型，专门用于文本生成任务。
- LLama2：Meta 提供的大型语言模型，专门用于文本生成任务。
- GPT：OpenAI 的 GPT 系列模型，适用于广泛的对话生成、文本推理等任务。
- BERT：用于句子理解和问答系统的预训练模型。
- 其他自定义模型：用户可以上传自己的自定义模型，并利用 Ollama 进行推理。
模型的主要功能：
- 推理（Inference）：根据用户输入生成输出结果。
- 微调（Fine-tuning）：用户可以在已有模型的基础上使用自己的数据进行训练，从而定制化模型以适应特定的任务或领域。
模型通常是由大量参数构成的神经网络，通过对大量文本数据进行训练，能够学习语言规律并进行高效的推理。
Ollama 支持的模型可以访问：https://ollama.com/library
点击模型，可以查看到下载的命令：
下表列出一些模型的下载命令：
| 模型 | 参数 | 大小 | 下载命令 |
|---|---|---|---|
| Llama 3.3 | 70B | 43GB | ollama run llama3.3 |
| Llama 3.2 | 3B | 2.0GB | ollama run llama3.2 |
| Llama 3.2 | 1B | 1.3GB | ollama run llama3.2:1b |
| Llama 3.2 Vision | 11B | 7.9GB | ollama run llama3.2-vision |
| Llama 3.2 Vision | 90B | 55GB | ollama run llama3.2-vision:90b |
| Llama 3.1 | 8B | 4.7GB | ollama run llama3.1 |
| Llama 3.1 | 405B | 231GB | ollama run llama3.1:405b |
| Phi 4 | 14B | 9.1GB | ollama run phi4 |
| Phi 3 Mini | 3.8B | 2.3GB | ollama run phi3 |
| Gemma 2 | 2B | 1.6GB | ollama run gemma2:2b |
| Gemma 2 | 9B | 5.5GB | ollama run gemma2 |
| Gemma 2 | 27B | 16GB | ollama run gemma2:27b |
| Mistral | 7B | 4.1GB | ollama run mistral |
| Moondream 2 | 1.4B | 829MB | ollama run moondream |
| Neural Chat | 7B | 4.1GB | ollama run neural-chat |
| Starling | 7B | 4.1GB | ollama run starling-lm |
| Code Llama | 7B | 3.8GB | ollama run codellama |
| Llama 2 Uncensored | 7B | 3.8GB | ollama run llama2-uncensored |
| LLaVA | 7B | 4.5GB | ollama run llava |
| Solar | 10.7B | 6.1GB | ollama run solar |
核心操作命令
拉取模型：ollama pull <模型名>（例如 ollama pull llama3）。这会从模型库下载模型到你的本地。
运行模型：ollama run <模型名>。这会加载模型到内存中，并直接在终端里打开一个交互式的对话界面。
创建模型：ollama create <新模型名> -f ./Modelfile。根据你的 Modelfile 创建一个自定义模型。
列出模型：ollama list。查看本地已经下载了哪些模型。
删除模型：ollama rm <模型名>。
2. 任务（Task）
Ollama 支持多种 NLP 任务。每个任务对应模型的不同应用场景，主要包括但不限于以下几种：
- 对话生成（Chat Generation）：通过与用户交互生成自然的对话回复。
- 文本生成（Text Generation）：根据给定的提示生成自然语言文本，例如写文章、生成故事等。
- 情感分析（Sentiment Analysis）：分析给定文本的情感倾向（如正面、负面、中立）。
- 文本摘要（Text Summarization）：将长文本压缩为简洁的摘要。
- 翻译（Translation）：将文本从一种语言翻译成另一种语言。
通过命令行工具，用户可以指定不同的任务，并加载不同的模型来完成特定任务。
3. 推理（Inference）
推理是指在已训练的模型上进行输入处理，生成输出的过程。
Ollama 提供了易于使用的命令行工具或 API，使用户可以快速向模型提供输入并获取结果。
推理是 Ollama 的主要功能之一，也是与模型交互的核心。
推理过程：
- 输入：用户向模型提供文本输入，可以是一个问题、提示或者对话内容。
- 模型处理：模型通过内置的神经网络根据输入生成适当的输出。
- 输出：模型返回生成的文本内容，可能是回复、生成的文章、翻译文本等。
Ollama 通过 API 或 CLI 与本地模型交互，能够让用户轻松实现推理任务。
4. 微调（Fine-tuning）
微调是指在一个已预训练的模型上，基于特定的领域数据进行进一步的训练，以便使模型在特定任务或领域上表现得更好。
Ollama 支持微调功能，用户可以使用自己的数据集对预训练模型进行微调，来定制模型的输出。
微调过程：
- 准备数据集：用户准备特定领域的数据集，数据格式通常为文本文件或 JSON 格式。
- 加载预训练模型：选择一个适合微调的预训练模型，例如 LLama2 或 GPT 模型。
- 训练：使用用户的特定数据集对模型进行训练，使其能够更好地适应目标任务。
- 保存和部署：训练完成后，微调过的模型可以保存并部署，供以后使用。
微调有助于模型在处理特定领域问题时表现得更加精确和高效。
5. API 服务
Ollama 不仅仅是一个命令行工具，它在后台运行一个 本地服务器。
当你运行 ollama serve 或首次执行 ollama run 时，服务会自动启动，默认监听地址 127.0.0.1：11434。
它提供了一个 RESTful API，允许你通过 HTTP 请求与模型交互。这使得你可以用 Python、JavaScript 或其他编程语言来调用本地的大模型。
简单的 API 调用示例：
curl http：//localhost：11434/api/generate -d '{
"model"： "llama3"，
"prompt"： "为什么天空是蓝色的？"
}'
6. Modelfile
模型文件：Ollama 使用一种叫做 Modelfile 的文件来定义和创建模型（类似于 Docker 的 Dockerfile）。你可以基于现有模型进行定制，比如修改温度参数、设置系统提示词或导入 GGUF 格式的模型文件。
Ollama 官方提供了一个模型库，里面列出了支持的模型架构（如 Llama 3， Qwen 2， Mistral， Phi-3 等）。你可以直接通过命令搜索和下载。
这是定义模型配置的文件。包含的关键参数有：
FROM：指定基础模型（必须是本地已拉取的）或模型文件的路径。
SYSTEM：设置系统提示词，定义模型的行为和角色。
PARAMETER：设置运行参数，例如 temperature（温度，控制创造力）、top_p、num_ctx（上下文长度）等。
TEMPLATE：指定提示词的模板格式。
7. 上下文
在对话中，上下文指的是模型能够“记住”的之前的对话内容。上下文长度（由 num_ctx 控制）决定了模型在处理新请求时，能参考多少之前的文本。上下文越长，占用的内存就越多。
8. 量化
为了减少模型占用的内存和提高推理速度，模型通常会进行量化。模型名称中常包含表示量化级别的字母：
q4_0， q5_1， q8：表示不同的量化精度。q4 占用内存较小，但精度略低；q8 占用较大，但更接近原始模型。GGUF 格式的模型常采用这种命名方式。
总结
可以把 Ollama 理解为一个 “本地大模型的 Docker”。它让你能够轻松地拉取、运行和管理各种 LLM，并通过标准化的 API 供其他程序调用，这一切都在你自己的电脑上完成。
