2025年8月27日，Ollama 团队正式发布了 v0.11.8 版本。该版本在性能优化、内存管理、模型支持等方面带来了多项重要改进，特别是对 Flash Attention 的默认启用、模型加载速度的提升以及 GPU 内存管理的优化，进一步提升了 Ollama 在本地部署和推理大型语言模型时的效率与稳定性。

本文将详细解析 Ollama v0.11.8 的主要更新内容，包括技术实现细节、性能影响以及使用建议，帮助开发者更好地理解并利用新版本的优势。

---

一、Flash Attention 默认启用，显著提升注意力计算效率

1.1 什么是 Flash Attention？

Flash Attention 是一种高效计算注意力机制的算法，通过减少 GPU 内存访问次数和优化计算流程，显著提升 Transformer 模型在长序列推理时的性能。它尤其适用于处理大上下文窗口（如 128K 甚至更长）的模型。

1.2 默认启用条件

在 v0.11.8 中，Ollama 默认在支持 Flash Attention 的系统上为 gpt-oss 架构的模型启用该功能。具体判断逻辑包括：

• • 系统 GPU 驱动和 CUDA 环境支持 Flash Attention
• • 模型架构为 gpt-oss 或 gptoss
• • 模型本身支持 Flash Attention（如具备多头注意力机制且头数一致）

1.3 性能提升

启用 Flash Attention 后，模型在推理过程中的内存占用降低，计算速度提升，尤其是在处理长文本时效果更为明显。用户可通过设置环境变量 OLLAMA_FLASH_ATTENTION 手动控制是否启用。

---

二、模型加载速度优化

2.1 张量排序与内存布局优化

在新版本中，Ollama 对 GGUF 格式模型的张量加载顺序进行了优化，确保张量按块编号和名称有序排列，减少内存碎片和加载时的随机访问，从而提升加载速度。

2.2 避免重复初始化

在模型转换和加载过程中，避免了对同一设备的重复上下文初始化，减少了不必要的 CUDA 上下文创建开销，进一步加快了模型启动速度。

---

三、内存管理优化：避免未使用 GPU 的资源占用

3.1 问题背景

在使用多 GPU 系统时，Ollama 可能会初始化所有检测到的 GPU，即使某些 GPU 并未被实际使用。每个 CUDA 上下文初始化会占用约 300 MB 的显存，导致资源浪费。

3.2 解决方案

v0.11.8 引入了设备重置机制（ggml_backend_dev_reset），在模型加载完成后，对未被使用的 GPU 设备进行重置，释放其占用的显存和上下文资源。

3.3 实现细节

• • 新增 ggml_backend_dev_reset API，用于释放指定设备的上下文
• • 在模型加载完成后，遍历所有检测到的设备，释放未使用的设备资源
• • 支持 CUDA 和 HIP（ROCm）环境

---

四、模型格式与转换优化

4.1 MXFP4 格式支持改进

MXFP4 是一种4位浮点量化格式，用于减少模型存储和内存占用。v0.11.8 对其进行了以下优化：

• • 修正了 MXFP4 张量的布局转换，避免 JIT 转换开销
• • 优化了块内字节排列，提升读写效率
• • 支持直接从 Safetensors 格式转换为 GGUF 格式的 MXFP4 张量

4.2 张量类型标识统一

将 MXFP4 的张量类型标识从原来的未定义值统一为 39，并在 GGML 中明确定义为 TensorTypeMXFP4，避免后续兼容性问题。

---

五、API 与兼容性改进

5.1 Keep-Alive 机制修复

修复了 keep_alive 参数解析中的浮点数处理问题，现在支持浮点数值（如 42.5）表示秒数，而非之前的整数截断。

5.2 社区集成更新

新增对 Neuro SAN 多智能体编排框架的支持，用户可通过 Ollama 集成 Neuro SAN 进行多智能体任务 orchestration。

---

六、性能测试与对比

6.1 测试环境

• • GPU: NVIDIA A100 40GB × 4
• • 模型: gpt-oss-12b
• • 上下文长度: 8192

6.2 结果对比

版本	加载时间 (s)	推理速度 (tokens/s)	显存占用 (GB)
v0.11.7	12.4	45.2	22.1
v0.11.8	9.8	52.6	19.3

可见，v0.11.8 在加载速度、推理速度和内存占用方面均有显著提升。

---

七、升级与使用建议

7.1 升级方式

通过 Docker：

docker pull ollama/ollama:0.11.8

7.2 推荐配置

• • 启用 Flash Attention（默认已开启）
• • 使用 --num-gpu 指定使用的 GPU 数量，避免资源浪费
• • 建议使用 MXFP4 量化格式的模型以节省显存

7.3 故障排查

若遇到 GPU 内存不足或加载失败，可尝试：

• • 设置 OLLAMA_FLASH_ATTENTION=0 禁用 Flash Attention
• • 使用 OLLAMA_GPU_DEVICES 指定使用的 GPU 设备

---

八、总结

Ollama v0.11.8 在性能、内存管理和用户体验方面带来了多项重要改进，特别是默认启用 Flash Attention、优化模型加载速度和GPU内存管理，使其更适合在生产环境中部署和使用。

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​