Gestion des modèles d'Ollama
Dans ce chapitre, nous aborderons les commandes de gestion des modèles d'Ollama : téléchargement (pull), consultation, copie, suppression, et la façon dont les modèles résident en mémoire.
Télécharger un modèle : ollama pull
La commande pull télécharge uniquement le modèle sans démarrer de conversation, ce qui la rend adaptée pour préparer les modèles à l'avance.
Téléchargez le tag par défaut (latest) :
ollama pull qwen3.5
Téléchargez un tag de spécification précis :
ollama pull qwen3.5:4b
Après l'exécution, vous verrez la sortie standard de progression du téléchargement :
$ ollama pull qwen3.5:4b pulling manifest pulling 87497c5f0e8f... 100% |████████████████████| 3.4GB verifying sha256 digest writing manifest success
Si un téléchargement est interrompu, vous n'avez pas besoin de recommencer. Ollama vérifie et stocke les données par couche ; réexécuter la même commande reprendra automatiquement les couches inachevées.
Il convient également de noter que ollama run intègre une logique de pull : la première fois que vous exécutez un modèle, le téléchargement et le chargement sont effectués automatiquement, donc dans l'usage quotidien, vous n'avez souvent pas besoin de lancer un pull séparément.
Différentes balises de spécification correspondent à différents fichiers de modèle officiels préconstruits ; vous ne pouvez pas spécifier de précision de quantification supplémentaire lors du pull. Si vous souhaitez compresser vous-même un grand modèle en une taille plus petite, vous devez utiliser la commande create pour la quantification, ce qui est abordé dans le chapitre de personnalisation du Modelfile.
Afficher les modèles locaux : list et show
list répertorie tous les modèles locaux et leur utilisation du disque ; c’est la commande d’inventaire la plus couramment utilisée.
Lister les modèles locaux :
ollama list
Par exemple :
$ ollama list NAME ID SIZE MODIFIED qwen3.5:0.8b 9e3f4b3a1c2d 1.0GB 5 minutes ago qwen3.5:4b b1c7d9e2f3a4 3.4GB 2 days ago qwen3.5:latest a8b2c9d3e4f5 6.6GB 2 hours ago
Les quatre colonnes sont le nom du modèle, l’empreinte de version, l’utilisation du disque et la date de dernière modification. Lorsque l’espace disque est faible, consulter la colonne SIZE est l’approche la plus directe.
Pour examiner plus en détail un modèle, utilisez la commande show :
# 查看模型详情:能力、参数、系统提示词、许可证等 ollama show qwen3.5
show peut répondre à plusieurs questions typiques : quelles capacités le modèle prend en charge (chat, vision, appel d’outils), quels sont les paramètres de génération par défaut, ce que dit le prompt système, et quelle est la taille de la fenêtre de contexte.
Il a aussi un usage avancé : exporter la configuration complète du modèle en tant que Modelfile :
Exemple
ollama show --modelfile qwen3.5
Ce flux de travail « voir la recette - modifier - reconstruire » sera entièrement couvert dans le chapitre de personnalisation du Modelfile.
Afficher les modèles en cours d’exécution : ollama ps
list examine le disque, tandis que ps examine la mémoire : ce qui a été chargé, combien cela occupe, et quand cela sera déchargé.
Exemple
ollama ps
$ ollama ps NAME ID SIZE PROCESSOR CONTEXT UNTIL qwen3.5:9b a8b2c9d3e4f5 9.6GB 100% GPU 131072 4 minutes from now
La signification de chaque colonne est la suivante :
| Column | Signification |
|---|---|
| NOM / ID | Nom du modèle et empreinte de version, comme dans list |
| SIZE | Mémoire totale actuellement occupée par le modèle (y compris RAM et VRAM) |
| PROCESSEUR | Emplacement de chargement : 100% GPU signifie entièrement sur la carte graphique ; 100% CPU signifie entièrement en RAM ; un ratio tel que 48%/52% CPU/GPU indique une VRAM insuffisante et le modèle a été fractionné |
| CONTEXTE | Taille de la fenêtre de contexte actuellement allouée |
| JUSQU'À | Temps restant avant le déchargement automatique (compte à rebours keep-alive) |
La colonne PROCESSOR est le premier endroit à vérifier lorsque vous diagnostiquez « pourquoi le modèle est lent » : tant qu'elle n'est pas à 100 % GPU, cela signifie que le modèle n'est pas entièrement chargé dans la VRAM. Les méthodes spécifiques d'optimisation des performances sont détaillées dans le chapitre GPU et Performance.
Copier et renommer : ollama cp
cp donne un nouveau nom à un modèle existant, couramment utilisé pour renommer ou conserver un instantané.
Exemple
ollama cp qwen3.5:4b example-test
# L'utiliser comme un modèle normal
ollama run example-test
Il existe une astuce avancée très pratique : « emprunter un nom » pour un modèle.
Certains outils codent en dur les noms de modèles (p. ex., gpt-3.5-turbo). En utilisant cp pour copier un modèle local vers ce nom, vous pouvez permettre à ces outils d'utiliser directement le modèle local :
Exemple
ollama cp qwen3.5 gpt-3.5-turbo
cp se termine presque instantanément car il ne fait que créer une nouvelle entrée de nom de modèle pointant vers les fichiers du modèle d'origine ; il ne crée pas une seconde copie de plusieurs Go des données sur le disque.
Supprimer des modèles et nettoyer le disque : ollama rm
rm supprime les modèles locaux et est l'antidote au problème de la bibliothèque de modèles qui « ne fait que croître, sans jamais diminuer ».
Exemple
ollama rm qwen3.5:0.8b
$ ollama rm qwen3.5:0.8b deleted 'qwen3.5:0.8b'
Le flux de nettoyage recommandé est le suivant : utilisez d'abord ollama list pour trouver les modèles volumineux et plus utilisés, puis supprimez-les un par un avec rm.
Si plusieurs tags partagent les mêmes fichiers sous-jacents, supprimer l'un des tags n'affectera pas l'utilisation normale des autres tags.
Veillez à aussi gérer les modèles dont les noms ont été empruntés avec cp : après avoir supprimé le modèle d'origine, la copie dont le nom est emprunté existe toujours et continue d'occuper de l'espace. Ne les laissez pas devenir des trous noirs invisibles sur le disque.
Arrêter les modèles et le mécanisme de résidence keep-alive
Regardons d'abord un diagramme du cycle de vie d'un modèle : on verra d'un coup d'œil sur quelle étape agit chaque commande de gestion.
Le mécanisme clé est keep-alive : après la fin d'une conversation avec un modèle, le modèle n'est pas déchargé immédiatement, mais reste par défaut résident en mémoire ou en VRAM pendant 5 minutes.
Si une autre requête arrive dans ces 5 minutes, la réponse n'attend plus le chargement du modèle ; si aucune nouvelle requête n'arrive après ce délai, le modèle est automatiquement déchargé et la mémoire est libérée.
Pour que le modèle libère immédiatement ses ressources, utilisez la commande stop pour le décharger manuellement :
Exemple
ollama stop qwen3.5:4b
Il existe trois façons d'ajuster la durée de résidence :
| Méthode | Comment procéder | Cas d'utilisation |
|---|---|---|
| Modifier la valeur par défaut globale | Définir la variable d'environnement OLLAMA_KEEP_ALIVE, par exemple, 30m, 2h | Lorsque le serveur souhaite une politique de résidence unifiée |
| Spécifier par requête | Passer le paramètre keep_alive lors de l'appel à l'API ; par exemple, -1 signifie qu'il reste résident et n'est jamais déchargé | Lorsque la couche applicative traite différemment les différents modèles |
| Décharger immédiatement | ollama stop <nom du modèle> | Libérer temporairement la VRAM pour d'autres tâches |