Ollama大模型非C盘安装与优化指南-代码聚汇网

Ollama大模型非C盘安装与优化指南

Chrysalid·2026-08-10·阅读 29 GEO检测（免费）

ollama安装大模型部署非C盘安装

|难度：普通|阅读约 13 分钟

1. 为什么需要将ollama安装到非C盘？

对于大多数Windows用户来说，C盘空间总是捉襟见肘。特别是当你准备部署ollama这类大模型时，动辄几十GB的模型文件会让系统盘瞬间爆满。我最近在帮同事部署ollama时，就遇到了C盘剩余空间不足导致安装失败的典型案例。

大模型本地部署通常需要三个关键空间占用项：

ollama主程序：约500MB
基础模型文件：7B参数模型约4GB，13B参数模型约8GB
运行时的临时文件：根据模型大小会有1-2GB波动

如果你选择安装Llama2-70B这样的超大模型，光是模型权重文件就可能超过40GB。更糟糕的是，ollama默认会将所有模型下载到C:\Users\<用户名>\.ollama目录下，这对系统盘简直是灾难性的。

重要提示：即使你手动修改了ollama安装路径，模型下载目录仍会默认指向用户目录。这需要额外的配置才能更改，后文会详细说明。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 安装前的准备工作

2.1 硬件需求评估

在开始安装前，建议先检查你的硬件配置是否满足大模型运行需求：

模型规模	最低RAM	推荐RAM	显存需求	磁盘空间
7B参数	8GB	16GB	6GB	10GB
13B参数	16GB	32GB	10GB	20GB
70B参数	64GB	128GB	48GB	100GB

如果你的设备显存不足，ollama会自动回退到CPU模式运行，但推理速度会显著下降。我曾在一台只有6GB显存的游戏本上测试13B模型，token生成速度从30token/s降到不足5token/s。

2.2 磁盘空间规划

假设你准备安装13B参数的模型，建议至少准备以下空间：

D盘或E盘：50GB以上可用空间（用于安装程序和存储模型）
C盘：保留至少10GB剩余空间（用于系统临时文件）

我推荐使用如下目录结构：

code复制D:\AI_Models
├── ollama          # 主程序安装目录
├── ollama_models   # 模型存储目录
└── temp           # 临时文件目录

2.3 下载官方安装包

访问ollama官网时，国内用户可能会遇到下载速度极慢的问题。这里分享几个实测有效的解决方案：

使用国内镜像源下载：

bash复制# Windows x64版本
curl -O https://mirrors.aliyun.com/ollama/ollama-windows-amd64.exe

# Linux版本
wget https://mirrors.ustc.edu.cn/ollama/ollama-linux-amd64

如果镜像源不可用，可以尝试通过迅雷等下载工具获取，这类工具通常有更好的资源调度能力。

3. 自定义安装到非系统盘

3.1 Windows系统安装步骤

运行安装程序时，不要直接点击"快速安装"，而是选择"自定义安装"：
```
code复制安装位置：D:\AI_Models\ollama
```

安装完成后，需要修改环境变量：

powershell复制[Environment]::SetEnvironmentVariable("OLLAMA_MODELS", "D:\AI_Models\ollama_models", "User")

修改ollama配置文件（如果不存在则新建）：

bash复制# 文件位置：C:\Users\<用户名>\.ollama\config.json
{
  "model_dir": "D:\\AI_Models\\ollama_models",
  "cache_dir": "D:\\AI_Models\\temp"
}

3.2 Linux系统安装方案

对于Linux用户，建议使用以下命令安装：

bash复制# 下载安装包
wget https://ollama.ai/download/ollama-linux-amd64 -O /opt/ollama

# 设置可执行权限
chmod +x /opt/ollama

# 创建符号链接
ln -s /opt/ollama /usr/local/bin/ollama

# 设置模型存储目录
export OLLAMA_MODELS=/mnt/data/ollama_models
echo 'export OLLAMA_MODELS=/mnt/data/ollama_models' >> ~/.bashrc

4. 模型下载与加速技巧

4.1 国内镜像源配置

由于ollama默认从海外服务器下载模型，国内用户经常会遇到下载速度慢或失败的问题。可以通过以下方式配置镜像源：

临时使用镜像源（每次运行前设置）：

bash复制export OLLAMA_HOST=https://mirrors.aliyun.com/ollama
ollama pull llama2:13b

永久配置镜像源：

bash复制# Windows在环境变量中添加：
OLLAMA_HOST=https://mirrors.aliyun.com/ollama

# Linux在~/.bashrc中添加：
echo 'export OLLAMA_HOST=https://mirrors.aliyun.com/ollama' >> ~/.bashrc

4.2 断点续传与手动导入

对于超大模型下载，建议使用screen或tmux保持会话，避免网络中断导致前功尽弃。如果下载确实困难，还可以尝试：

从其他设备下载后手动传输：

bash复制# 在已完成的设备上打包模型
tar -czvf llama2-13b.tar.gz ~/.ollama/models/blobs/sha256-*

# 在新设备上导入
ollama import llama2-13b.tar.gz

使用第三方下载工具获取模型文件后，放置到正确的目录结构下。

5. 常见问题排查

5.1 安装后无法启动

如果安装完成后运行ollama命令无响应，可能是以下原因：

服务未正确启动：

powershell复制# Windows检查服务状态
Get-Service ollama

# Linux检查进程
systemctl status ollama

端口冲突（ollama默认使用11434端口）：

bash复制netstat -ano | findstr 11434  # Windows
ss -tulnp | grep 11434       # Linux

5.2 模型加载失败

当看到"Error loading model"提示时，可以：

检查磁盘空间：

bash复制df -h  # Linux
fsutil volume diskfree D:  # Windows

验证模型完整性：

bash复制ollama ps  # 查看运行中的模型
ollama rm llama2:13b  # 删除损坏的模型
ollama pull llama2:13b  # 重新下载

5.3 性能优化建议

对于CPU模式运行的用户，可以设置线程数：

bash复制export OLLAMA_NUM_PARALLEL=8  # 根据CPU核心数调整

如果使用NVIDIA显卡但ollama没有检测到，可能需要手动指定：
```
bash复制export CUDA_VISIBLE_DEVICES=0  # 使用第一块GPU
```
内存不足时可以启用内存交换（但会降低性能）：
```
bash复制export OLLAMA_KEEP_ALIVE=-1  # 允许使用swap
```

6. 进阶使用技巧

6.1 多模型管理

当你在非C盘安装了多个模型后，可以使用以下命令高效管理：

bash复制# 列出所有模型
ollama list

# 复制模型到另一台设备
ollama create mycopy -f Modelfile  # 先创建Modelfile
ollama push mycopy  # 导出到仓库

# 删除旧模型释放空间
ollama rm old-model

6.2 与开发工具集成

ollama可以很好地与常见开发工具配合使用：

VSCode集成：
安装"Ollama"扩展后，在settings.json中添加：

json复制{
  "ollama.server": "http://localhost:11434",
  "ollama.model": "llama2:13b"
}

通过API调用：

python复制import requests
response = requests.post(
    "http://localhost:11434/api/generate",
    json={"model": "llama2:13b", "prompt": "解释量子力学"}
)

6.3 模型微调实战

如果你想在本地微调模型，需要额外准备：

准备训练数据（至少几百MB的文本）
确保有足够的磁盘空间（原始模型大小的2-3倍）

使用以下命令开始微调：

bash复制ollama create mymodel -f ./Modelfile  # 创建配置文件
ollama train mymodel  # 开始训练

典型的Modelfile内容示例：

code复制FROM llama2:13b
PARAMETER num_epochs 3
PARAMETER learning_rate 0.0001
ADAPTER ./my_data.json

我在实际使用中发现，微调13B模型需要至少32GB内存和24GB显存才能流畅运行。如果资源不足，可以考虑使用7B模型或租用云服务器完成微调后再导回本地。