SSD Nodes Learn Hosting plans →
الأدلة Matt Connorبقلم Matt Connor · آخر تحديث في 2026-10-26

كيفية تحديد طول مخرجات Ollama باستخدام num_predict

تعرف على كيفية التحكم في طول استجابة Ollama عبر خيار num_predict. اكتشف ترتيب الأولوية بين الإعدادات الثلاثة، وكيفية قراءة done_reason عند توقف النموذج بسبب الوصول للحد.

ما الذي يفعله num_predict في Ollama

num_predict هو خيار Ollama الذي يحدّ الحد الأقصى لعدد الرموز التي يمكن للنموذج توليدها في استجابة واحدة. ويُحتسب عدد رموز المخرجات فقط، لذلك لا تُحتسب المطالبة ضمن هذا الحد. عندما يصل النموذج إلى الحد الأقصى، يتوقف التوليد عند موضعه الحالي، وقد يتوقف أحياناً في منتصف كلمة، وتعود الاستجابة مع ضبط done_reason على length.

هذه هي الوظيفة كاملة. تكمن الصعوبة في أن Ollama يتيح لك ضبط القيمة في ثلاثة مواضع منفصلة، وتكون الأولوية للإعداد الأقرب إلى الطلب. تنشأ كل تقارير "num_predict لا يفعل شيئاً" تقريباً لأن إحدى الطبقات تتجاوز إعداد طبقة أخرى بصمت.

num_predict ليس num_ctx

يحدث الخلط بين هذين الخيارين أكثر من أي زوج آخر في Ollama، ويؤدي هذا الخلط إلى إضاعة وقت فعلي في تصحيح الأخطاء.

num_ctx يحدد مقدار ما يستطيع النموذج قراءته. إنه حجم نافذة السياق التي تحتوي على المطالبة وكل ما أُنتج حتى الآن. تؤدي زيادته إلى استهلاك المزيد من الذاكرة، لأن ذاكرة التخزين المؤقت للمفاتيح والقيم التي يحتفظ بها النموذج لهذه الرموز تزداد مع اتساع النافذة. تُعد تحديد حجم num_ctx وفق عتادك مهمة منفصلة لها حالات فشل خاصة بها.

num_predict يحدد مقدار ما سيقوم النموذج بكتابته. إنه قاعدة لإيقاف التوليد، وليس تخصيصاً للموارد. تؤدي زيادته إلى استهلاك وقت أطول بدلاً من RAM، ولا تُحجز أي موارد مسبقاً.

يلتقي الخياران في موضع واحد. تُضاف الرموز المولَّدة إلى نافذة السياق أثناء إنتاجها. في Ollama v0.40.11، يكون تحريك السياق مفعّلاً افتراضياً لمعظم النماذج، لذلك تُسقط النافذة الممتلئة الرموز الأقدم ويستمر التوليد. عند تعطيل التحريك، بسبب إرسال الطلب "shift": false أو عدم دعم النموذج للتحريك، قد تتوقف الإجابة أيضاً لأن النافذة امتلأت، وليس لأن الحد الذي حددته قد بُلغ. يعرض Ollama length في كلتا الحالتين، لذلك فإن الرقم الذي يميّز بينهما هو eval_count، وسنغطيه لاحقاً.

ضبطه مرة واحدة باستخدام Modelfile

تُثبّت Modelfile القيمة داخل نموذج تنشئه. اكتب الملف:

FROM qwen3:8b
PARAMETER num_ctx 8192
PARAMETER num_predict 512

ثم أنشئ النموذج واقرأ القيمة التي ثبّتَّها:

ollama create qwen3-capped -f Modelfile
ollama show --parameters qwen3-capped

يعرض ollama show --parameters سطراً واحداً لكل معلمة مخزنة مع قيمتها. إذا لم يظهر num_predict في ذلك الناتج، فلا يحتوي النموذج على حد أقصى مثبت داخلياً، ويُطبَّق الإعداد الافتراضي الخاص بـOllama. يعرض ollama show --modelfile qwen3-capped التعريف الكامل، وهي أيضاً أسرع طريقة لنسخ المعلمات التي يأتي بها نموذج موجود مسبقاً. لا يتطلب إنشاء نموذج بحد أقصى بهذه الطريقة مساحة إضافية تُذكر على القرص، لأن الإدخال الجديد يعيد استخدام كتل الأوزان التي نزّلها النموذج الأساسي مسبقاً بدلاً من نسخها، ومن المفيد معرفة مكان احتفاظ Ollama بهذه الكتل قبل امتلاء قرص root في VPS.

هذه هي الطبقة المناسبة لقيمة تريد أن يرثها كل مستدعٍ. لكنها ليست الطبقة المناسبة إذا كنت تتوقع أن تكون القيمة نهائية، لأنها ليست كذلك.

اضبطه لكل طلب داخل كائن الخيارات

تتلقى كل نقطة نهاية للتوليد كائن options، ويُوضَع num_predict داخله:

curl http://localhost:11434/api/generate -d '{
  "model": "qwen3:8b",
  "prompt": "Explain what a reverse proxy does.",
  "stream": false,
  "options": { "num_predict": 128 }
}'

يستخدم /api/chat مفتاح options نفسه بالمعنى نفسه. تنطبق القيمة المحددة هنا على هذه المكالمة الواحدة فقط، ولا تنطبق على أي شيء آخر. هذه هي الطبقة التي تستخدمها أدواتك: واجهة أمامية للمحادثة، أو نص برمجي، أو غلاف SDK، أو وكيل برمجي. ترسل جميعها كائن options، سواء أظهرت لك حقلاً له أم لا.

عيّنه لجلسة واحدة باستخدام المعامل /set

داخل ollama run، تضبط الجلسة التفاعلية الخيارات لبقية الجلسة:

>>> /set parameter num_predict 256
>>> /show parameters

يعرض /show parameters ما سترسله الجلسة مع رسالتك التالية، لذلك فهو أسرع طريقة للتأكد من تطبيق التغيير. تبقى القيمة حتى تكتب /bye. للاحتفاظ بها، يحفظ /save qwen3-capped الجلسة الحالية، بما في ذلك المعاملات، كنموذج جديد. لا يصل أي شيء تكتبه هنا باستخدام /set إلى أي عميل آخر.

أي إعداد تكون له الأولوية، ولماذا يبدو إعدادك متجاهلاً

الترتيب بسيط. تتغلب الخيارات المرسلة مع الطلب على كل شيء آخر. يكون السطر PARAMETER num_predict في Modelfile الخاص بالنموذج هو القيمة الاحتياطية التي تُستخدم عندما لا يحمل الطلب أي قيمة. وعند غياب كليهما، يُطبَّق الإعداد الافتراضي المضمّن في Ollama.

لا يمثّل /set parameter قاعدة ثالثة. الجلسة التفاعلية هي عميل API، ولذلك تُرسَل القيمة التي تضبطها فيها باعتبارها options الخاصة بذلك الطلب. ولهذا تتغلب على Modelfile خلال الجلسة.

إليك الآن المشكلة التي يفسرها ذلك. تضيف PARAMETER num_predict 512، ثم تعيد بناء النموذج، لكن الردود تظل تصل إلى آلاف الرموز. إعدادك موجود، ويثبت ollama show --parameters ذلك. لكنه يتعرض للتجاوز في كل طلب، لأن العميل يرسل كائن options خاصاً به يحمل رقماً خاصاً به، وغالباً يكون رقماً أدخلته في شاشة إعدادات قبل أشهر ثم نسيته. يقرأ ollama show النموذج المخزّن. ولا يستطيع عرض ما يصل عبر HTTP.

أثبت إعداد الخادم باستخدام أمر واحد. أرسل طلباً سينتج إجابة طويلة، واخْفِض الحد الأقصى، ثم اقرأ حقلين:

curl -s http://localhost:11434/api/generate -d '{
  "model": "qwen3-capped",
  "prompt": "Describe the Linux boot process in detail.",
  "stream": false,
  "options": { "num_predict": 32 }
}' | jq '.done_reason, .eval_count'

ستتجاوز الإجابة التفصيلية 32 رمزاً بفارق كبير، لذلك توقّع "length" و32. ثبّت jq أولاً باستخدام sudo apt install -y jq إذا لم يكن مثبتاً. لا تكون قيمة 32 مضمونة، لأن eval_count هو عدد رموز الإخراج التي ولّدها الخادم فعلياً. إذا أكمل النموذج الإجابة مبكراً، فستحصل على "stop" وعدد أقل، ويكون الحل إرسال مطالبة تطلب المزيد. عندما تحصل على "length" و32، تكون قيمة الطلب الخاصة قد تغلبت على القيمة 512 المخزّنة في qwen3-capped، وهذا يثبت أن الخادم يطبّق الخيارات الخاصة بكل طلب. لكنه لا يخبرك بما يرسله تطبيقك، لذلك ينتقل البحث إلى العميل. ولمعرفة سجل الخادم نفسه عن أحد الطلبات، أعد تشغيله مع OLLAMA_DEBUG=1 في البيئة، ثم راقب journalctl -u ollama -f أثناء تواصل تطبيقك معه.

القيم السالبة والأرقام التي يجب ألا تنسخها

num_predict يقبل أيضاً قيماً سالبة، وهذه القيم مؤشرات خاصة وليست أعداداً. تعني إحدى القيم السالبة «لا تضع حداً لهذا، واستمر في التوليد». وكانت قيمة أخرى تعني «املأ السياق المتبقي». اعتباراً من أكتوبر 2026، يذكر مرجع Ollama Modelfile أن القيمة الافتراضية هي -1، أي التوليد غير المحدود، كما أدرجت الإصدارات السابقة من الجدول نفسه أيضاً -2 لملء السياق.

تعامل مع كل ذلك على أنه يعتمد على الإصدار، لأن هذه القيم تغيّرت. فقد وثّق المرجع القيمة الافتراضية على أنها 128 لفترة طويلة، قبل تصحيحها إلى -1. لذلك ما زالت أدلة كثيرة تكرر الرقم القديم. كما تغيّر السلوك أيضاً. يمرّر Ollama v0.40.11، وهو الإصدار الحالي في 25 أكتوبر 2026، نماذج GGUF إلى عملية llama-server من upstream تحتاج إلى حد نهائي. لذلك يستبدل أي قيمة سالبة، وأي حد يتجاوز عشرة أضعاف num_ctx، بعشرة أضعاف num_ctx. وبذلك يعني «غير محدود» 81,920 رمزاً للنموذج qwen3-capped المذكور أعلاه، ولم تعد -2 تتصرف بشكل مختلف عن -1. اقرأ مرجع معاملات Modelfile للإصدار الذي تشغّله فعلياً، ثم تحقّق من السلوك باستخدام فحص eval_count أعلاه. القيمة التي تحققت منها على جهازك أفضل من قيمة قرأتها في أي مكان، بما في ذلك هذا المنشور.

لماذا يُعد طول المخرجات التكلفة الرئيسية على خادم VPS يعمل بالمعالج (CPU) فقط

يمكنك تشغيل Ollama مجاناً على جهاز تتحكم فيه، لذلك لا تُحتسب تكلفة التوليد المحلي حسب الاستخدام، وتُدفع تكلفة الإجابة الطويلة بالوقت بدلاً من المال. يمر التوليد بمرحلتين بسرعتين مختلفتين جداً. تُقيَّم رموز الطلب على دفعات، بعدد كبير في كل مرة. أما رموز الإخراج فتُنتَج واحدة تلو الأخرى، وتحتاج كل واحدة منها إلى تمريرة على الأوزان التي تستخدمها. في VPS يعمل بالـCPU فقط، تحدد عرض نطاق الذاكرة سرعة هذه التمريرة، لذلك يكلّف توليد رمز واحد أكثر بكثير من تقييم رمز واحد من الطلب. يجب أن تقرأ هذه التمريرة كل وزن يستخدمه الرمز، أي جميع الأوزان في نموذج كثيف، أو الخبراء الذين يوجّه إليهم الطلب فقط في نموذج مزيج الخبراء مثل Nemotron 3.5 Lightning، الذي يفعّل نحو 3B من معلماته البالغ عددها 30B لكل رمز. لذلك يحدد عدد وحدات البايت التي يشغلها كل وزن الحد الأعلى لمعدل توليد الرموز، ولهذا يفك إصدار q4 الرموز بسرعة أكبر من النموذج نفسه عند q8 أو fp16.

اطلب استجابة بدون تدفق (streaming) وستظهر الأرقام أمامك مباشرة:

"prompt_eval_count": 11,
"prompt_eval_duration": 13074791,
"eval_count": 18,
"eval_duration": 52479709

المدد الزمنية بالنانو ثانية. في تلك الكتلة، وهي نموذج الاستجابة المنشور في وثائق واجهة برمجة تطبيقات Ollama اعتباراً من أكتوبر 2026 وليس قياساً لخادم معين، استغرقت 11 رمزاً من المدخلات حوالي 0.013 ثانية بينما استغرقت 18 رمزاً من المخرجات حوالي 0.052 ثانية. هذا يعادل تقريباً 1.2 مللي ثانية لكل رمز مدخلات مقابل 2.9 مللي ثانية لكل رمز مخرجات، لذا حتى في الرد المكون من سطر واحد، كلف كل رمز مُوَلَّد أكثر من ضعف تكلفة كل رمز مقروء، وفي الإجابات الطويلة، جانب المخرجات هو ما يستهلك الوقت. معدل التوليد الخاص بك هو eval_count مقسوماً على eval_duration بعد تحويله إلى ثوانٍ، وقياس عدد الرموز في الثانية على جهازك الخاص أمر يستحق القيام به مرة واحدة قبل ضبط أي شيء آخر. يعتمد هذا المعدل على النموذج بقدر اعتماده على الجهاز، لذا إذا كانت الإجابات الطويلة هي التكلفة الحقيقية، فإن نموذجاً مصمماً لفك تشفير سريع مثل Nemotron 3.5 Lightning على خادم VPS يستعيد بعض الوقت الذي قد يستهلكه حد أقصى منخفض.

الحسابات تقوم بالباقي. بمعدل 8 رموز في الثانية، تشغل إجابة مكونة من 2,000 رمز الجهاز لأكثر من أربع دقائق، والنموذج لا يعرف أنك أردت فقرة واحدة فقط. يقضي نموذج الاستدلال جزءاً من هذه الميزانية في التفكير قبل كتابة أي كلمة طلبتها، وهذا التفكير يُوَلَّد رمزاً واحداً في كل مرة مثل أي شيء آخر، لذا فإن جهد الاستدلال الذي تطلبه هو عامل آخر يؤثر على نفس الفاتورة. بعض النماذج تدخل أيضاً في حلقات تكرارية، حيث تكرر عبارة ما حتى يوقفها شيء ما. بدون حد أقصى، سيظل هذا الطلب الواحد يشغل النواة حتى يصل إلى عشرة أضعاف num_ctx من الرموز، لأن إزاحة السياق تمنع نافذة كاملة من إنهاء العملية. num_predict هو الإعداد الذي يضع حداً لذلك، وهو أمر يهم أكثر على خادم Ollama VPS ذاتي الاستضافة صغير الحجم حيث يمكن لطلب واحد طويل أن يستهلك موارد الجهاز بالكامل.

المخرجات المبتورة عادة ما تكون بسبب الحد الأقصى، وليست عطلاً في النموذج

تبدو الأعراض كأنها فشل في النموذج. إجابة تتوقف في منتصف الجملة. كود JSON لا يمكن تحليله لأن قوس الإغلاق لم يصل أبداً. رد الفعل التلقائي هو إلقاء اللوم على النموذج أو التكميم (quantisation). اقرأ الاستجابة أولاً.

done_reason تجيب على السؤال مباشرة. stop تعني أن التوليد انتهى قبل الوصول إلى أي حد، إما لأن النموذج أصدر رمز نهاية التسلسل الخاص به أو لأن المخرجات طابقت إحدى السلاسل في خيار stop الخاص بك، والذي ينهي الرد حيثما وقعت المطابقة. length تعني أن التوليد قُطع لأنه نفد من المساحة المتاحة. عندما ترى length، قارن eval_count بالحد الأقصى الذي ضبطته: التطابق التام يعني أن num_predict هو من أوقفه، والرقم الأصغر يعني أن نافذة السياق امتلأت أولاً، وهو أمر لا يحدث إلا عند إيقاف إزاحة السياق.

عندما تقوم بالبث (stream)، تصل هذه الحقول في الجزء الأخير، وهو الجزء الذي يحمل "done": true. تتجاهل العديد من مكتبات العميل ذلك الجزء وتُسلّم كودك النص فقط، ولهذا السبب يبدو نفس البتر غير مفسر داخل التطبيق بينما يكون واضحاً تحت curl. إذا كانت المكتبة تخفي ذلك، أرسل طلباً واحداً باستخدام curl لمعرفة ما قاله الخادم حقاً.

نقطة إضافية توفر عليك ضياع فترة بعد الظهيرة. رفع num_predict لا يجعل النموذج يكتب المزيد. إنه يزيل السقف فقط. إذا انتهى الرد عند 200 رمز مع done_reason من stop، فإما أن النموذج قرر أنه انتهى أو أن إحدى سلاسل stop الخاصة بك قد طابقت، ولن يغير الحد الأقصى الأكبر أي شيء. الإجابات القصيرة مع stop هي مشكلة في صياغة الطلب (prompting) أو سلاسل التوقف. الإجابات القصيرة مع length هي مشكلة في الحد الأقصى.

اختيار قيمة

  • بالنسبة إلى الدردشة التفاعلية، اتركها بلا حد واضغط على Ctrl+C لإيقاف الرد الخارج عن السيطرة. فأنت تراقب الشاشة في كل الأحوال.
  • بالنسبة إلى أي شيء يعمل بواسطة script، حدّدها. فتوليد غير محدود داخل حلقة هو ما يجعل مهمة batch يُفترض أن تستغرق عشر دقائق تستمر حتى صباح اليوم التالي.
  • بالنسبة إلى الإخراج المنظّم، حدّد الحد أعلى من أكبر مستند صالح تتوقعه، ثم اعتبر done_reason من length خطأً حرجاً وأعد المحاولة بدلاً من تحليل الناتج الذي وصل.
  • بالنسبة إلى coding agent، يجب أن تكون القيمة في إعداداته الخاصة، لأن الوكيل يرسل خياراته الخاصة مع كل طلب. يوضّح توجيه coding agent إلى Ollama موضع هذه الإعدادات.

يحسب الحدّ tokens، وليس الكلمات أو الأحرف، لذلك لا تقدّره. أنشئ إجابة تمثيلية واحدة بلا حد، واقرأ eval_count، ثم اضبط الحد أعلى منها بهامش مناسب. تختلف طريقة tokenise بين عائلات النماذج، لذلك قد تكفي قيمة معيّنة لنموذج Llama، لكنها قد تقتطع الإجابة نفسها من نموذج Qwen 3 على VPS نفسه.

FAQ

ما الفرق بين num_ctx وnum_predict في Ollama؟

يمثل num_ctx حجم نافذة السياق، ولذلك يحدد مقدار ما يمكن للنموذج قراءته: المطالبة وكل ما أُنتج حتى الآن. ويستهلك ذلك الذاكرة، لأن ذاكرة التخزين المؤقت للمفتاح/القيمة تكبر معه. يحدد num_predict عدد الرموز التي يمكن للنموذج كتابتها في استجابة واحدة. ويستهلك ذلك الوقت بدلاً من الذاكرة، ولا تُحجز هذه المساحة مسبقاً. تُحتسب الرموز المُنشأة ضمن الحدين معاً، لذلك يمكن أن تنقطع الاستجابة مبكراً بسبب أيٍّ منهما عند تعطيل إزاحة السياق.

لماذا يبدو أن إعداد num_predict الخاص بي مُهمَل؟

لأن القيمة المرسلة مع الطلب تتجاوز القيمة المخزنة في النموذج. ضع PARAMETER num_predict 512 في Modelfile، ثم شغّل ذلك النموذج من واجهة محادثة أو وكيل برمجي، وسيُرسل العميل كائن options الخاص به، وتكون قيمته هي المعتمدة. سيظل ollama show --parameters يطبع قيمتك، لأنه يقرأ النموذج المخزن ولا يستطيع رؤية ما يصل عبر HTTP. أرسل طلباً واحداً باستخدام curl عبر "options": {"num_predict": 32}، مع مطالبة تحتاج إلى إجابة طويلة، ثم اقرأ done_reason وeval_count. يوضح length مع eval_count بقيمة 32 أن قيمة الطلب تجاوزت القيمة المخزنة، وهذا يؤكد أن الخادم يعمل كما ينبغي، وينقل البحث عن السبب إلى تطبيقك. أما stop مع عدد أصغر، فلا يعني إلا أن النموذج انتهى أولاً، ولذلك أعد المحاولة بمطالبة تطلب إجابة أطول.

كيف أعرف ما إذا كانت مخرجاتي قد انقطعت بسبب num_predict؟

أرسل الطلب باستخدام "stream": false، واقرأ done_reason. تعني القيمة stop أن النموذج انتهى من تلقاء نفسه، أو أن إحدى سلاسل stop أنهت التوليد. وتعني القيمة length أنه نفدت المساحة المتاحة. قارن بعد ذلك eval_count بالحد الذي حددته: فإذا تطابقا تماماً، فهذا يعني أن num_predict أوقف التوليد، وإذا كانت eval_count أصغر، فهذا يعني أن نافذة السياق امتلأت أولاً. عند استخدام البث، يصل الحقلان في الجزء الأخير مع "done": true، لكن كثيراً من مكتبات العملاء تتخلص منه قبل أن يصل إلى شفرتك.

ما القيمة الافتراضية لـ num_predict؟

اقرأها من تثبيتك أنت بدلاً من الاعتماد على مقالة. اعتباراً من أكتوبر 2026، يذكر مرجع Modelfile في Ollama أن القيمة الافتراضية هي -1، ما يعني أن التوليد غير مقيّد بحد، وقد صُححت هذه المعلومة بعد فترة طويلة كان المرجع يوثق فيها 128. في Ollama v0.40.11، يتوقف هذا الإعداد المفتوح، مثل أي قيمة سالبة، فعلياً عند عشرة أضعاف num_ctx. القيم السالبة مؤشرات خاصة وليست أعداداً، كما كانت إصدارات أقدم من الجدول نفسه تذكر -2 لملء ما تبقى من السياق. راجع مرجع معاملات Modelfile لإصدارك، ثم تحقق من القيمة باستخدام ollama show --parameters وطلب واحد عبر curl.

هل يؤدي رفع num_predict إلى جعل النموذج يكتب إجابات أطول؟

لا. فهو يزيل سقفاً فقط. إذا انتهت الاستجابة مع done_reason من stop، فهذا يعني أن النموذج قرر أنه انتهى، أو أن إحدى سلاسل stop التي حددتها تطابقت، ولن يغير رفع الحد شيئاً. في هذه الحالة، يعتمد الطول على صياغة المطالبة: اطلب بنية محددة، أو عدداً للأقسام، أو مستوى تفصيل محدداً. ارفع num_predict فقط عندما تكون قيمة done_reason هي length.

هل كان هذا المقال مفيدًا؟