Ollama可配置环境变量：

• OLLAMA_DEBUG: 显示额外的调试信息（例如：OLLAMA_DEBUG=1）。
• OLLAMA_HOST: Ollama 服务器的 IP 地址（默认值：127.0.0.1:11434）。
• OLLAMA_KEEP_ALIVE: 模型在内存中保持加载的时长（默认值：“5m”）。
• OLLAMA_MAX_LOADED_MODELS: 每个 GPU 上最大加载模型数量。
• OLLAMA_MAX_QUEUE: 请求队列的最大长度。
• OLLAMA_MODELS: 模型目录的路径。
• OLLAMA_NUM_PARALLEL: 最大并行请求数。
• OLLAMA_NOPRUNE: 启动时不修剪模型 blob。
• OLLAMA_ORIGINS: 允许的源列表，使用逗号分隔。
• OLLAMA_SCHED_SPREAD: 始终跨所有 GPU 调度模型。
• OLLAMA_TMPDIR: 临时文件的位置。
• OLLAMA_FLASH_ATTENTION  ：启用 Flash Attention
• OLLAMA_LLM_LIBRARY: 设置 LLM 库以绕过自动检测。

2. 显卡资源使用不均横

设置环境变量OLLAMA_SCHED_SPREAD为1即可。

3. 加速计算

FlashAttention 是一种优化的注意力机制，用于加速深度学习模型中常见的自注意力计算，尤其是在Transformer架构中。它通过改进内存访问模式和计算策略，显著提高了计算效率和内存使用率。

可以通过设置环境变量OLLAMA_FLASH_ATTENTION为1，开启该选项。

4. 增加上下文窗口

假设你从Ollama上拉取了大模型，其默认的窗口大小只有2048。我们可以通过如下方法，提高上下文窗口。

ollama show --modelfile qwen2:72b > Modelfile

我们看一下生成的Modelfile。

# Modelfile generated by "ollama show"
# To build a new Modelfile based on this, replace FROM with:
# FROM qwen2:72b

FROM C:\Users\Administrator\.ollama\models\blobs\sha256-f6ac28d6f58ae1522734d1df834e6166e0813bb1919e86aafb4c0551eb4ce2bb
TEMPLATE "{{ if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ if .Prompt }}<|im_start|>user
{{ .Prompt }}<|im_end|>
{{ end }}<|im_start|>assistant
{{ .Response }}<|im_end|>
"
PARAMETER stop <|im_start|>
PARAMETER stop <|im_end|>
LICENSE """Tongyi Qianwen LICENSE AGREEMENT

Tongyi Qianwen Release Date: August 3, 2023
....
"""

然后在PARAMETER处增加如下配置，32768就是上下文窗口大小，设置成你想要的即可。

注意增加上下文窗口可能增加显存的使用，谨慎增加。

然后创建新模型即可

ollama create qwen2:72b-32k -f Modelfile

接下来，你就可以使用运行具有更高上下文的模型了。

在使用OpenAI接口调用时候，模型的名称也要改成qwen2:72b-32k。

5. 支持的并发请求数量

可以考虑配置OLLAMA_NUM_PARALLEL，默认一般是4或者1。它会相应的增加上下文，比如一个请求2048 Tokens。如果是4个并行，那么就会消耗4*2048的上下文窗口。