dexblog.ro
Acces rapid: Învață AI Învață Programare Specificații Dispozitive Comparații
OLLAMA Toate comenzile Ollama CLI & Ghid Local

Variabila OLLAMA_KV_CACHE_TYPE: Cuantizarea Cache-ului de Atenție în Ollama CLI & Ghid Local

Server, Rețea și Hardware Optimizare VRAM Q&A AI / Distribuie cod
Sintaxă & invocare 
export OLLAMA_KV_CACHE_TYPE=q8_0 | q4_0 | f16

Implicit, cache-ul de chei și valori (KV Cache) este stocat în virgulă mobilă pe 16 biți (f16), ocupând gigabiți întregi de VRAM la ferestre de 32k sau 128k tokeni. Prin OLLAMA_KV_CACHE_TYPE=q4_0 sau q8_0, memoria KV Cache este cuantizată, reducând spațiul ocupat cu până la 70%.

# Rularea unui model cu context de 32k tokeni pe un GPU de 8GB VRAM:
export OLLAMA_KV_CACHE_TYPE=q4_0
ollama serve

Deblocare context uriaș: Permite citirea documentelor lungi fără a depăși capacitatea plăcilor video pentru consumatori.

Învață AI • Comunitate & Q&A

Întrebări & Exemple practice: Variabila OLLAMA_KV_CACHE_TYPE: Cuantizarea Cache-ului de Atenție

Ai o întrebare despre Variabila OLLAMA_KV_CACHE_TYPE: Cuantizarea Cache-ului de Atenție sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!

🤖

Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!

Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.

Comunitate AI Adaugă o întrebare sau distribuie un cod / prompt

Moderare & Siguranță:

Pentru a menține calitatea și securitatea informațiilor, fiecare întrebare sau fragment de cod/prompt este analizat (manual sau prin moderare asistată de AI) înainte de publicare.