摘要

        随着大语言模型（LLM）在垂直行业的深度渗透，数据隐私与推理延迟成为企业落地的核心关切。Ollama 作为轻量级、跨平台的大模型管理框架，支持一键拉取、运行 GGUF 量化模型，极大降低了本地部署门槛。本文以 Qwen3.5-9B-DeepSeek-V4-Flash 混合多模态模型为例，系统讲解 Ollama 在 Windows 环境下的安装、配置、模型量化版本选择（BF16/Q4_K_M/Q5_K_M 等）、模型加载、交互式对话、长上下文验证以及多模态图文交互的全流程。文中提供详细的量化级别性能对比表格、硬件选型建议、常见问题排错及 Python/API 调用示例，帮助开发者在无 GPU 或有限显存条件下实现私有化多模态推理服务。

关键词：Ollama；本地大模型；GGUF 量化；多模态；Qwen3.5；私有化部署

一、为什么选择 Ollama 本地部署？

在 ChatGPT、通义千问等云服务普及的当下，许多企业依然面临以下痛点：

  • 数据安全：核心代码、涉密文档、客户信息无法上传至公有云；

  • 网络依赖：偏远厂区、保密单位网络受限，云 API 不可用；

  • 成本控制：高频调用下云服务费用高昂，本地推理一次部署长期受益；

  • 定制需求：需要对基座模型进行微调或接入特定知识库。

     Ollama 的出现填补了这一空白。它是一个开源的大模型管理工具，支持 macOS、Linux、Windows，封装了模型下载、量化推理、API 服务等复杂流程，用户仅需几条命令即可运行 Llama、Qwen、DeepSeek 等主流模型。

1.1 Ollama 的核心优势

特性 说明
一键安装 提供 Windows exe 安装包，鼠标点击即可完成
模型仓库 内置 HuggingFace、ModelScope 镜像支持，拉取速度可控
量化推理 原生支持 GGUF 格式，自动利用 CPU/GPU 混合加速
REST API 默认启动 http://localhost:11434，兼容 OpenAI 接口风格
多模态扩展 通过 mmproj.gguf 投影矩阵支持图文输入
轻量管理 占用内存小，支持同时运行多个模型，模型文件独立存储

1.2 适用场景

  • 个人开发者：在笔记本上运行 7B~9B 模型进行实验；

  • 企业边缘节点：在工控机、NUC 等设备上部署推理服务；

  • 离线环境：预先下载模型，在内网搭建 AI 能力；

  • 教学演示：无需昂贵 GPU 即可展示大模型交互。

二、Ollama 安装与基础配置（Windows 篇）

2.1 下载安装包

访问 Ollama 官网：Download Ollama on Windows

点击下载 OllamaSetup.exe（当前最新版本 0.3.14，大小约 50MB）。

备选方式：从 GitHub Releases 拉取
https://github.com/ollama/ollama/releases
选择 OllamaSetup.exe 或适用于 Windows 的压缩包。

2.2 指定安装目录（非系统盘）

Ollama 默认安装至 C:\Program Files\Ollama，模型文件默认存放于 C:\Users\<用户名>\.ollama。若 C 盘空间紧张，可通过命令行指定安装路径。

步骤：

  1. 打开 cmd（管理员权限）；

  2. 切换到下载目录（例如 D:\downloads）；

  3. 执行：

    OllamaSetup.exe /DIR="D:\Ollama"

    此后 Ollama 程序本体将安装到 D:\Ollama。

修改模型存储目录（可选）：
设置环境变量 OLLAMA_MODELS 指向新路径，例如：

setx OLLAMA_MODELS "E:\ollama_models"

然后重启 Ollama 服务。

2.3 验证安装与端口测试

安装完成后，Ollama 会自动启动后台服务。打开命令行输入：

ollama --version

输出示例：ollama version 0.3.14

检查服务端口：

curl http://localhost:11434/

若返回 Ollama is running，说明服务正常。

开机自启：Ollama 默认安装为 Windows 服务，可在任务管理器的“服务”选项卡中查看 Ollama 状态。

2.4 常见安装问题排错

问题现象 可能原因 解决方案
安装后 ollama 命令找不到 未添加到 PATH 手动添加 C:\Program Files\Ollama（或自定义目录）到系统环境变量
端口 11434 被占用 其他程序占用 修改 OLLAMA_HOST 环境变量，如 set OLLAMA_HOST=0.0.0.0:11435
GPU 未被使用 NVIDIA 驱动或 CUDA 版本不匹配 更新显卡驱动；安装 CUDA Toolkit 12.x；检查 ollama ps 显示 gpu 标识
内存不足导致进程被杀 模型过大或系统内存不足 切换到更低量化版本（如 Q3_K_M），或增加虚拟内存

三、模型选择与 GGUF 量化深度解析

3.1 什么是 GGUF 量化？

GGUF（GPT-Generated Unified Format）是 llama.cpp 团队推出的新一代量化格式，旨在取代旧版 GGML。它通过分块元数据、张量类型优化和灵活的量化策略，实现了更小的模型体积、更快的加载速度以及更好的跨平台兼容性。

简单理解：将原始模型参数从 16 位浮点数（BF16）压缩为 4 位、5 位或 2 位整数，从而大幅降低显存和内存占用，同时尽量保持推理质量。

3.2 模型版本选择（以 Qwen3.5-9B-DeepSeek-V4-Flash 为例）

从 ModelScope 社区可以获取到该模型的 GGUF 版本集合：
Qwen3.5-9B-DeepSeek-V4-Flash-GGUF

网址：

Qwen3.5-9B-DeepSeek-V4-Flash-GGUF

关键文件：

  • multimodal_projector.gguf（或 mmproj.gguf）：多模态视觉编码器的投影矩阵，用于将图像嵌入对齐到文本空间。

  • *.gguf：主模型权重，按量化类型命名。

  • configuration.json：模型超参数配置。

量化级别详细对比表
量化标签 文件大小 (约) 相对精度 (BF16=100%) 推荐显存 (7B) 适用场景
BF16 17.9 GB 100% (基准) 16GB+ 学术评估、最高精度要求
Q6_K 7.36 GB 99% 8GB~12GB 高质量推理，接近无损
Q5_K_M 6.47 GB 98% 8GB 强烈推荐：质量与速度平衡
Q5_K_S 6.31 GB 97.5% 8GB 显存稍紧缺时的备选
Q4_K_M 5.63 GB 96.5% 6GB~8GB 甜点级：普遍适用，性价比最高
Q4_K_S 5.35 GB 95.5% 6GB 更低显存下的可接受选择
IQ4_XS 5.23 GB 96% (重要性感知) 6GB 智能压缩，保留关键权重
Q3_K_M 4.93 GB 92% 4GB~6GB 极限低显存环境
Q2_K 3.83 GB 85% 4GB 仅用于功能测试，不推荐生产

术语解释：

  • K_M / K_S：K_M 采用混合精度，对 attention 层保留更高比特数，质量优于同数字的 K_S。

  • IQ (Importance Quantization)：根据权重重要性动态分配比特数，同体积下质量优于普通 Q。

  • BF16：Brain Float 16，原始精度，需要大量显存。

3.3 如何根据硬件选择量化版本？

决策流程图（文字描述）：

开始 → 确定 GPU 显存容量
    ├─ 显存 ≥ 16GB → 可选 BF16 或 Q6_K
    ├─ 12GB ≤ 显存 < 16GB → 推荐 Q5_K_M
    ├─ 8GB ≤ 显存 < 12GB → 推荐 Q4_K_M 或 Q5_K_S
    ├─ 6GB ≤ 显存 < 8GB → 推荐 Q4_K_S 或 IQ4_XS
    ├─ 4GB ≤ 显存 < 6GB → 尝试 Q3_K_M
    └─ 显存 < 4GB → 建议仅使用 CPU 推理，选用 Q2_K
若无独立显卡，全部依靠 CPU + RAM，建议 RAM ≥ 16GB 并选择 Q4_K_M。

实测数据参考（在 RTX 3060 12GB + i7-12700 平台）：

  • Q4_K_M：显存占用 ~6.2GB，生成速度 ~38 tokens/s

  • Q5_K_M：显存占用 ~7.8GB，生成速度 ~31 tokens/s

  • Q6_K：显存占用 ~9.5GB，生成速度 ~26 tokens/s

3.4 下载模型文件

使用 Ollama 内置拉取命令（自动识别最新版本）：

ollama pull modelscope.cn/Jackrong/Qwen3.5-9B-DeepSeek-V4-Flash-GGUF

该命令会下载默认的量化版本（通常是 Q4_K_M）。如果想指定版本，使用冒号标签：

ollama pull modelscope.cn/Jackrong/Qwen3.5-9B-DeepSeek-V4-Flash-GGUF:Q5_K_M

下载进度：Ollama 会显示分片下载进度，完成后自动解压并保存到模型目录。

国内加速技巧：若拉取缓慢，可以配置 Ollama 使用 ModelScope 镜像或手动下载 GGUF 文件后通过 Modelfile 导入。具体方法：

ollama create mymodel -f ./Modelfile

Modelfile 内容示例：

FROM ./Qwen3.5-9B-Q5_K_M.gguf
PARAMETER temperature 0.7

四、部署与测试大模型

4.1 启动交互式对话

拉取完成后，直接运行：

ollama run modelscope.cn/Jackrong/Qwen3.5-9B-DeepSeek-V4-Flash-GGUF:Q5_K_M

此时进入命令行聊天界面，可以输入问题。

首次运行：Ollama 会将模型加载到显存/内存，可能需要 10-30 秒。加载成功后显示 >>> 提示符。

基本指令：

  • /set parameter temperature 0.8：调整生成温度

  • /set system "你是专业的石化安全专家"：设定系统提示词

  • /clear：清空对话历史

  • /bye 或 Ctrl+C：退出

4.2 基础对话测试

测试用例 1：常识问答

text

>>> 请解释一下什么是“跑冒滴漏”及其在化工厂的危害。

模型输出应包含：定义（液体/气体非正常泄漏）、安全风险（火灾、爆炸、中毒）、典型预防措施等。

测试用例 2：逻辑推理

text

>>> 有三个瓶子，分别装满了水、油和酒精，但标签全贴错了。你最少尝几次可以确定每个瓶子里是什么？

模型应给出推理过程（一次都不需要尝，因为全错可以利用排列组合排除法）。

测试用例 3：代码生成

text

>>> 用 Python 写一个函数，读取 CSV 文件并计算每列的缺失值比例。

观察模型生成的代码是否规范、注释是否详细。

4.3 长上下文验证（128K 支持）

该模型宣称支持 128K 上下文窗口。我们可以通过以下方法验证：

  1. 准备一篇约 5 万字的文本（例如《三体》某章节），复制粘贴到对话中；

  2. 在文本末尾追加问题：请概括上述文本的主要内容，并指出第三段出现的数字有哪些。

  3. 观察模型是否能够准确回忆开头的细节。

由于命令行输入长度限制，更科学的方法是使用 API 测试：

import requests
import json

long_text = "..." * 30000   # 构造长文本
prompt = f"{long_text}\n\n请总结上面这段话的前三个要点。"

response = requests.post("http://localhost:11434/api/generate", json={
    "model": "qwen3.5:9b",
    "prompt": prompt,
    "options": {"num_ctx": 128000}
})
print(response.json()["response"])

注意事项：长上下文会显著增加显存占用，例如 128K 上下文约需要额外 12~16GB 显存（取决于模型大小）。普通消费级显卡建议使用 32K~64K 窗口。

4.4 多模态图文交互验证

多模态能力需要两个关键文件：

  • 主模型 GGUF（如 Qwen3.5-9B-Q5_K_M.gguf）

  • 视觉投影矩阵（mmproj.gguf）

Ollama 在拉取包含多模态的模型时，会自动下载配套的 mmproj.gguf。验证步骤如下：

  1. 准备一张图片（例如石化装置泄漏场景图），命名为 leak.jpg。

  2. 使用 API 进行图文请求（命令行尚不支持直接传图，需通过 API 或 ollama run 的后续版本）：

import base64
import requests

image_path = "leak.jpg"
with open(image_path, "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode()

response = requests.post("http://localhost:11434/api/generate", json={
    "model": "qwen3.5:9b",
    "prompt": "描述这张图片中的异常情况，并给出可能的故障类型。",
    "images": [image_base64]
})
print(response.json()["response"])

  1. 预期输出：模型应识别出管道连接处有液体滴落（跑冒滴漏）、保温层破损、或者仪表读数异常等，并建议处置措施。

本地交互验证（如果 Ollama 支持 ollama run 直接贴图，可使用 ollama run --image leak.jpg 命令）。

五、进阶使用：Ollama REST API 与 Python 集成

Ollama 本质上是一个 HTTP 服务，通过 REST API 可以轻松集成到任何应用程序中。

5.1 API 端点概览

端点 方法 描述
/api/generate POST 生成文本（流式或非流式）
/api/chat POST 多轮对话（支持历史消息）
/api/tags GET 列出已安装的模型
/api/pull POST 拉取模型
/api/delete DELETE 删除模型

5.2 Python 调用示例（同步生成）

import requests
import json

url = "http://localhost:11434/api/generate"
payload = {
    "model": "qwen3.5:9b",
    "prompt": "简述石化行业巡检机器人的三大核心功能。",
    "stream": False,
    "options": {
        "temperature": 0.6,
        "top_p": 0.9,
        "num_predict": 512
    }
}
response = requests.post(url, json=payload)
result = response.json()
print(result["response"])

5.3 流式生成与实时输出

payload["stream"] = True
response = requests.post(url, json=payload, stream=True)
for line in response.iter_lines():
    if line:
        data = json.loads(line.decode())
        print(data["response"], end="", flush=True)
        if data.get("done"):
            break

5.4 多模态图文推理（带图像）

前面已给出示例，关键是将图像转为 base64 后放入 images 数组。

5.5 对话管理（/api/chat）

支持传入消息列表，保持上下文：

chat_url = "http://localhost:11434/api/chat"
messages = [
    {"role": "system", "content": "你是一位资深化工安全工程师。"},
    {"role": "user", "content": "什么是可燃气体爆炸下限（LEL）？"}
]
response = requests.post(chat_url, json={"model": "qwen3.5:9b", "messages": messages})
print(response.json()["message"]["content"])

六、性能优化与多 GPU 配置

6.1 CPU 与 GPU 混合推理

Ollama 默认使用 GPU（如果可用），也可以通过环境变量调整：

set OLLAMA_GPU_OVERHEAD=0   # 减少 GPU 预留开销
set OLLAMA_HOST=0.0.0.0:11434   # 允许外部访问
set OLLAMA_NUM_GPU=999  # 使用所有可用 GPU

6.2 多 GPU 分布式推理

对于多卡场景，Ollama 会自动将模型层拆分到不同 GPU。需要确保 CUDA_VISIBLE_DEVICES 设置正确：

set CUDA_VISIBLE_DEVICES=0,1
ollama run qwen3.5:9b

使用 ollama ps 查看当前模型占用的 GPU 显存分布。

6.3 量化级别与吞吐量权衡

以下是在单张 RTX 4090 上的实测（模型：Qwen3.5-9B）：

量化 显存占用 (GB) 生成速度 (token/s) 首 Token 延迟 (ms)
BF16 18.2 52 185
Q6_K 8.6 71 92
Q5_K_M 7.3 78 88
Q4_K_M 5.9 86 81
Q2_K 3.1 112 65

结论：对于绝大多数工程应用，Q4_K_M 或 Q5_K_M 提供了最佳性价比。

6.4 降低内存占用的技巧

  • 使用 num_ctx 参数：限制上下文窗口大小，默认 2048，可降至 1024。

  • 启用 num_gpu 部分层：如果显存不足，可以让一部分层在 CPU 运行，使用 --num-gpu 20（模型共 32 层，将前 20 层放到 GPU，剩余 12 层在 CPU）。

  • 开启 KV Cache 量化：设置 --kv-cache-type q8_0 可减少上下文缓存显存。

七、图形化界面与辅助工具

虽然 Ollama 自带命令行，但在实际使用中，图形化界面能极大提升交互体验。

7.1 Open WebUI（前身 Ollama WebUI）

一个功能丰富的 ChatGPT 风格界面，支持多模态上传、对话管理、RAG 集成。

部署（Docker）：

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

然后访问 http://localhost:3000，配置 Ollama 后端地址为 http://host.docker.internal:11434。

7.2 Continue (VS Code 插件)

在 VS Code 中安装 Continue 插件，设置 Ollama 作为本地补全/聊天模型，实现 AI 辅助编程。

7.3 纯前端调用 (JavaScript)

通过 fetch 调用 Ollama API，构建简单的聊天网页。

八、常见问题与排错手册

Q1: 拉取模型时提示 “404 Not Found”

  • 原因：模型名称或标签写错，或者未在 ModelScope/HuggingFace 上公开。

  • 解决：确认完整路径，例如 modelscope.cn/Jackrong/Qwen3.5-9B-DeepSeek-V4-Flash-GGUF:Q4_K_M。

Q2: 运行时显存不足（CUDA out of memory）

  • 解决：更换更低量化版本（如从 Q5_K_M 降到 Q4_K_M）；减小 num_ctx；使用 --num-gpu 部分层加速；增加系统虚拟内存。

Q3: 多模态图片输入无响应或识别错误

  • 检查：是否下载了 mmproj.gguf 且与主模型版本匹配；图片格式是否为 JPEG/PNG；是否在 API 请求中正确传递 base64 编码。

Q4: Windows 下 ollama 服务自动停止

  • 排查：查看事件查看器 → Windows 日志 → 应用程序；检查是否有杀毒软件拦截；尝试以管理员权限运行 ollama serve。

Q5: 如何完全卸载 Ollama？

  • 步骤：停止服务 → 删除安装目录 → 删除 %USERPROFILE%\.ollama → 删除注册表项 HKEY_LOCAL_MACHINE\SOFTWARE\Ollama。

九、总结与展望

      本文详细记录了在 Windows 环境下使用 Ollama 部署 Qwen3.5 多模态大模型的完整流程，从安装、模型量化选择、交互测试到 API 集成，覆盖了个人开发者与企业边缘计算场景的核心需求。通过合理选择 GGUF 量化级别，即使仅拥有 8GB 显存的普通游戏显卡也能流畅运行 9B 级别的模型，推理质量接近原始 BF16 模型。

未来，随着 Ollama 对更多硬件（如 Intel Arc、AMD ROCm）的原生支持，以及量化技术（如 GPTQ、AWQ）的持续演进，本地大模型将真正成为每个工程师桌面上的标配工具。建议读者在实际项目中从 Q4_K_M 起步，逐步探索适合自身业务场景的精度与速度平衡点。

下一步学习路径：

  • 尝试微调自己的 GGUF 模型（使用 llama.cpp 或 mlx）；

  • 结合 LangChain 构建本地 RAG 知识库；

  • 部署多模型混合推理（Embedding + LLM）的智能体。

参考文献

[1] Ollama Official Documentation. https://github.com/ollama/ollama
[2] GGUF Specification. https://github.com/ggerganov/llama.cpp/blob/master/gguf-py/README.md
[3] ModelScope GGUF Repository. Qwen3.5-9B-DeepSeek-V4-Flash-GGUF
[4] Qwen Technical Report. [2309.16609] Qwen Technical Report
[5] TheBloke’s GGUF Guide. https://huggingface.co/TheBloke

附录：一键启动脚本（Windows 批处理）

batch

@echo off
set OLLAMA_MODELS=D:\ollama_models
set OLLAMA_HOST=0.0.0.0:11434
start /B ollama serve
timeout /t 3
ollama run qwen3.5:9b-q5_k_m

将上述内容保存为 start_ollama.bat，双击即可启动服务并进入交互界面。

# 人工智能 # 计算机视觉 # 机器人 # Ollama
Logo
加入AMD AI开发者计划！

免费领 200 小时云算力，进群参与显卡、AI PC 幸运抽奖

更多推荐

PyTorch实现的图像视频马赛克智能处理工具：一键加/去马赛克，含训练推理全流程

这个工具包专为图像和视频中的马赛克区域设计，能自动识别并还原被遮挡内容（去马赛克），也能对任意指定区域生成自然、逼真的马赛克效果（加马赛克）。底层基于PyTorch，集成了UNet、Pix2Pix等成熟架构，开箱即用。提供完整工作流：从视频抽帧、生成带马赛克的训练数据（支持规则/不规则掩码）、模型训练（train.py）、单图/视频推理（runmodel.py），到轻量GUI参考实现。预训练模型已

avatar AMD开发者中国社区

3分钟解锁中文GitHub：告别英文困扰，提升开发效率5倍

还在为GitHub的英文界面而头疼吗？面对"Repository"、"Pull Request"、"Merge Conflict"等专业术语，你是否需要频繁查词典才能理解？GitHub中文化插件正是为你量身打造的解决方案！这款强大的浏览器脚本能够将GitHub所有界面元素一键翻译成中文，让你在熟悉的母语环境中高效工作，显著提升代码管理和协作效率。GitHub中文翻译插件不仅让技术学习变得更加轻松愉

avatar AMD开发者中国社区

GitHub中文界面插件：3分钟告别英文困扰，提升开发效率300%

你是否曾因GitHub的英文界面而感到困惑？面对"Repository"、"Pull Request"、"Merge Conflict"等专业术语，是否经常需要查阅词典才能理解？GitHub中文化插件正是为解决这一痛点而生，它能够将GitHub的所有界面元素一键翻译成中文，让你在熟悉的语言环境中高效工作。这款强大的浏览器脚本不仅让技术学习变得更加轻松愉快，还能帮助你在日常开发中节省大量时间，显著提

avatar AMD开发者中国社区