抑制C盘空间占用是一以贯之的工作，尤其是对于大语言模型这类动辄占用数 GB 甚至数十 GB 空间的文件来说，稍有不慎就会让本就不富裕的 C 盘空间雪上加霜。所以看了一些教程，有些有很强的误导性，实际操作下来就会发现只改Path是不行的，所以现在我把经验记录下来，供大家参考：

只需做一件事：新建一个名为OLLAMA_MODELS的环境变量,变量值就是你要保存的位置

默认的下载路径在

C:\Users\<用户名>\.ollama\models

之前如果有下好的模型移动到新位置就好

输入命令ollama ls 检验一下

模型能正常列出就没问题了

# 经验分享
Logo
加入AMD AI开发者计划！

免费领 150 小时云算力，进群参与显卡、AI PC 幸运抽奖

更多推荐

模型量化精度异常时的检查与止损

为了将 70B 大语言模型的部署成本打下来，我们将线上 vLLM 推理集群的模型权重与激活值从 FP16 全量量化到了 INT8（采用 W8A8 方案）。量化效果立竿见影：单卡 A100-80G 的显存占用直接从 140GB（需 2 卡并行）缩减到了 70GB，单卡即可拉起，推理吞吐量（Tokens/s）提升了将近一倍。然而上线不到两天，客服渠道就接到了多起投诉。在处理复杂代码推导和长文本逻辑分析

avatar AMD开发者中国社区

Agent强化学习训练框架Microsoft Agent-Lightning之训练环境部署

本文档详细记录了在Ubuntu 22.04系统上部署Agent-Lightning环境的完整流程。关键点包括：使用conda创建Python 3.12环境；安装特定版本的torch、vllm等核心组件；通过预编译wheel安装flash-attn以避免本地编译；解决了三个常见环境问题（libstdc++版本冲突、fastapi兼容性问题、transformers版本限制）。文档还提供了项目目录结构

avatar AMD开发者中国社区
cover

大模型实战指南（11）——推理框架选型实战：vLLM × SGLang × TensorRT-LLM 深度对比与部署指南

avatar AMD开发者中国社区