SSD Nodes Learn Hosting plans →
मार्गदर्शक Matt Connorद्वारे Matt Connor

Ollama pull आणि run मधील फरक, मॉडेल फाइल्स कुठे असतात

ollama pull डाउनलोड करून थांबते, तर ollama run chat सुरू करते. मॉडेल फाइल्स कुठे साठतात, VPS ची root disk का भरते आणि त्या कशा हलवायच्या ते जाणून घ्या.

ollama pull विरुद्ध ollama run

ollama pull मॉडेल डाउनलोड करते आणि थांबते. स्थानिक chat मॉडेलसाठी, ollama run मॉडेल उपलब्ध नसल्यासच ते डाउनलोड करते, त्यानंतर ते memory मध्ये load करते आणि interactive chat सुरू करते. डाउनलोड प्रक्रिया समान असते आणि files त्याच ठिकाणी साठवल्या जातात. त्यानंतर पुढे सुरू राहणारी गोष्ट फक्त run आहे. Chat ऐवजी embedding साठी वेगळी पद्धत लागू होते: अधिकृत documentation मध्ये ollama run embeddinggemma "Hello world" उत्तराऐवजी embedding JSON array म्हणून print करते. Input text दिले नसल्यास, ollama run embedding मॉडेल नाकारते आणि embedding models require input text दाखवते.

याच एका फरकावरून कोणती command script मध्ये वापरायची आणि कोणती keyboard समोर वापरायची हे ठरते.

ollama pull gemma4
ollama run gemma4
ollama run gemma4 "Reply with one word: ready"

पहिली ओळ मॉडेल fetch करून बाहेर पडते. त्यामुळे ती provisioning आणि systemd unit मध्ये सुरक्षितपणे वापरता येते. दुसरी ओळ chat session सुरू करते; बाहेर पडण्यासाठी /bye type करा किंवा Ctrl+D दाबा. तिसरी ओळ एकच prompt पाठवते, उत्तर print करते आणि बाहेर पडते. Session ऐवजी उत्तर आवश्यक असताना script साठी हाच प्रकार योग्य असतो. या तिसऱ्या प्रकारात उत्तराची लांबी पूर्णपणे मॉडेलवर अवलंबून राहते. त्यामुळे एका ओळीच्या प्रश्नाचे उत्तर तीन परिच्छेदांचे येऊ शकते. Script मधील run caller प्रत्यक्ष वापरू शकेल इतक्या आकारात ठेवण्यासाठी num_predict ने उत्तराची कमाल लांबी ठरवणे आवश्यक आहे. Model names लवकर बदलतात. त्यामुळे येथे gemma4 हे placeholder समजा. October 2026 पर्यंतच्या अधिकृत Ollama documentation मध्ये वापरलेले हे उदाहरण आहे. त्याच workflow साठी दुसरे स्थानिक chat मॉडेल वापरा. :cloud ने समाप्त होणारे tags, जसे gemma4:cloud, वेगळे आहेत. Ollama ही मॉडेल्स स्वतःच्या servers वर चालवते आणि model weights डाउनलोड करत नाही. त्यामुळे खाली दिलेली disk space आवश्यकता स्थानिक मॉडेल्ससाठी आहे. प्रत्यक्ष server च्या क्षमतेनुसार आधीच आकार निश्चित केलेले मॉडेल वापरायचे असल्यास, VPS वर Nemotron 3.5 Lightning चालवणे येथे pull करण्यासाठी अचूक tag आणि आवश्यक memory दिली आहे.

पहिल्यांदा ollama run गोठल्यासारखे का दिसते

नवीन VPS वर पहिला run सुरू केल्यानंतर काही मिनिटे कोणतेही output दिसत नाही. काहीही बिघडलेले नसते. Model disk वर उपलब्ध होऊन memory मध्ये load होईपर्यंत chat prompt दिसू शकत नाही. त्यामुळे run दाखवण्यासाठी काही उपलब्ध होण्यापूर्वी अनेक gigabyte चा download करत असतो.

या प्रक्रियेतील काम दोन कारणांमुळे दिसत नाही. Ollama progress bar standard error वर लिहितो. त्यामुळे तो stream कुठे discard केला जात असेल किंवा नंतरच वाचला जात असेल, उदाहरणार्थ 2>/dev/null ने समाप्त होणाऱ्या script मध्ये किंवा cron job मध्ये, तर download सुरू आहे हे कळत नाही. त्यानंतर bytes disk वर आले तरी पहिला token मिळण्यापूर्वी file disk वरून RAM मध्ये read करावी लागते. लहान VPS वर हा read धीमा असतो. Model साठी पुरेशी memory नसल्यास kernel swapping सुरू करतो आणि प्रतीक्षा आणखी वाढते.

अंदाज करण्याऐवजी दुसऱ्या session मधून त्याची स्थिती पहा:

df -h /
watch -n5 df -h /

नवीन box वर free space टप्प्याटप्प्याने कमी होत असेल, तर download अजून सुरू आहे. Command अद्याप व्यस्त असताना free space कमी होणे थांबले, तरी loading सुरू झाली आहे असे निश्चित होत नाही. Download नंतर Ollama स्वतंत्र verifying sha256 digest phase चालवतो. या phase मध्ये files read केल्या जातात. त्यानंतर manifest लिहिला जातो आणि pull पूर्ण होते. आधीच models असलेला box Ollama 0.40.2 मध्ये दिशाभूल करू शकतो. जुन्या version ने downloaded केलेल्या model च्या पहिल्या run वेळी background मध्ये upgraded copy लिहिली जात होती आणि original ची backup ठेवली जात होती. त्यामुळे कोणताही download सुरू नसतानाही free space कमी होऊ शकत होते. 11 October 2026 रोजी released झालेल्या Ollama 0.40.3 ने हे background upgrade थांबवले.

म्हणून model आधीच pull करून ठेवणे योग्य ठरते. ollama run टाइप करणाऱ्या व्यक्तीने download साठी प्रतीक्षा करू नये.

मागणी येण्यापूर्वी model pull करा

व्यक्ती नसलेल्या इतर कोणत्याही गोष्टीसाठीही हेच लागू होते: तुमच्या Ollama endpoint कडे निर्देश करणाऱ्या coding agent कडे मागितलेला local model pull केलेला नसेल, तर model-not-found error येतो; inference request model download करत नाही. नवीन box वर server install करणाऱ्या त्याच script मध्ये model pull करा:

curl -fsSL https://ollama.com/install.sh | sh
ollama pull gemma4

तुम्ही server प्रथमच सुरू करत असाल, तर VPS वर पूर्ण Ollama install मध्ये service आणि तिच्यापर्यंत पोहोचण्याची परवानगी कोणाला आहे, हे दोन्ही दिले आहे. त्यानंतर terminal बंद झाल्यावरही सुरू राहणारा pull सेट करणे महत्त्वाचे आहे. मध्येच थांबलेला download यामुळे model store अर्धवट भरलेले राहते.

हे tmux मध्ये चालवा किंवा boot वेळी चालणाऱ्या one-shot unit म्हणून systemd कडे द्या. /etc/systemd/system/ollama-pull.service लिहा:

[Unit]
Description=Pre-pull Ollama models
Wants=ollama.service network-online.target
After=ollama.service network-online.target

[Service]
Type=oneshot
RemainAfterExit=yes
ExecStart=/bin/sh -c 'until ollama list >/dev/null 2>&1; do sleep 2; done'
ExecStart=/bin/sh -c 'ollama pull gemma4'

[Install]
WantedBy=multi-user.target

दोन्ही commands जाणीवपूर्वक /bin/sh -c मार्फत चालतात. साधा ExecStart= absolute path किंवा systemd च्या निश्चित search path मधून शोधलेले साधे executable name स्वीकारतो; command -v ollama तुमचा सध्याचा shell शोधत असलेला path दाखवतो. shell मार्फत चालवल्यामुळे guide मधून copy केलेल्या path ऐवजी service PATH वापरला जातो. पहिले ExecStart देखील महत्त्वाचे आहे: After=ollama.service म्हणजे server unit सुरू झाली आहे; server तयार आहे, असा त्याचा अर्थ नाही. त्यामुळे pull सुरू होण्यापूर्वी loop ollama list कडून उत्तर मिळेपर्यंत थांबतो.

sudo systemctl daemon-reload
sudo systemctl enable --now ollama-pull.service
journalctl -u ollama-pull.service

journal मध्ये pull कोणत्याही error शिवाय पूर्ण झाल्याचे दिसले पाहिजे. त्यानंतर ollama list ने model दिसला पाहिजे. बदलणारा tag अद्ययावत ठेवण्यासाठी त्याच pull ला चालवणारा systemd timer किंवा साप्ताहिक cron entry जोडा. बदललेल्या tag चे पुन्हा pull केल्यावर नवीन layers download होतात आणि बहुतेक models साठी, इतर कोणतीही गोष्ट वापरत नसलेल्या जुन्या layers त्याच pull च्या शेवटी हटवल्या जातात.

pull मध्ये व्यत्यय आल्यावर काय होते

मॉडेलचा प्रत्येक layer त्याच्या स्वतःच्या contents च्या hash अंतर्गत साठवला जातो. त्यामुळे pull मध्ये व्यत्यय आला तरी आधीचे काम वाया जात नाही: तोच ollama pull पुन्हा चालवा. आधी पूर्ण झालेले layers ओळखले जातात आणि वगळले जातात. त्यामुळे download ज्या layer वर थांबले होते, तिथून पुढे सुरू होते.

एका कृतीमुळे ही प्रगती नष्ट होऊ शकते. Ollama server सुरू झाल्यावर, कोणत्याही model manifest मध्ये संदर्भ नसलेले partial downloads आणि stored layers ते काढून टाकतो. बंद पडलेल्या pull मुळे उरलेले भाग याच प्रकारात येतात. सध्याच्या releases मध्ये (0.40.11, 26 October 2026 रोजी तपासलेले) मागील तासात लिहिलेली कोणतीही file वगळली जाते. त्यामुळे pull बंद पडल्यानंतर लगेच केलेला restart सुरक्षित असतो. मात्र काही तासांनी केलेल्या restart मध्ये आधी download केलेला भाग काढून टाकला जातो. आधी pull पुन्हा प्रयत्न करा आणि नंतर restart करा. Partial download ने restart नंतरही टिकून राहणे खरोखर आवश्यक असल्यास, service environment मध्ये OLLAMA_NOPRUNE=1 सेट करा. त्यानंतर ते पुन्हा काढून टाका, कारण त्या variable मुळे प्रत्येक pull च्या शेवटी होणारी cleanup प्रक्रिया देखील बंद होते. Orphaned layers disk वर साठू नयेत यासाठी या दोन्ही cleanup प्रक्रिया आवश्यक आहेत.

जर pull no space left on device सह बंद पडला असेल, तर पुन्हा प्रयत्न करण्यापूर्वी space मोकळी करा. df ने disk पूर्ण असल्याचे दाखवले, पण model directory वरील du त्याचे स्पष्टीकरण देत नसेल, तर space दुसरीकडे वापरली गेली आहे. काहीही delete करण्यापूर्वी df आणि du मधील फरकाची कारणे वाचणे उपयुक्त ठरेल.

VPS वर Ollama मॉडेल्स कुठे साठवते?

या मार्गदर्शकासह कोणत्याही मार्गदर्शकातील path वर विश्वास ठेवण्याऐवजी तुमच्या स्वतःच्या box कडून माहिती घ्या. Package install आणि container यांनुसार location वेगळी असते. कोणी OLLAMA_MODELS सेट केले असल्यास location पुन्हा बदलते.

systemctl cat ollama.service
getent passwd ollama
sudo find / -xdev -type d -name blobs 2>/dev/null

systemctl cat unit file आणि त्यासोबतचे सर्व drop-in दाखवते. त्यामुळे तुम्ही सेट केलेली किंवा तुमच्या image मध्ये आधीपासून असलेली OLLAMA_MODELS line तिथे दिसते. अशी line नसल्यास store हा सेवा ज्या account अंतर्गत चालते त्या account च्या home directory खाली असतो. getent passwd ही home directory colon ने विभक्त केलेल्या सहाव्या field मध्ये दाखवते. find एका filesystem मध्ये blobs directory शोधते. Layers प्रत्यक्षात याच directory मध्ये लिहिल्या जातात. Models वेगळ्या mount वर आधीपासून असण्याची शक्यता असल्यास -xdev काढून टाका.

आता मोजणी करा आणि तुमचे स्वतःचे आकडे वाचा:

ollama list
df -h /
sudo du -sh /the/directory/you/found
sudo du -h -d1 /the/directory/you/found

Store मध्ये दोन प्रकारची content असते. Manifest directories (manifests, आणि सध्याच्या releases मध्ये manifests-v2 ने जोडलेल्या) लहान files ठेवतात. प्रत्येक model tag साठी तो model कोणत्या layers पासून तयार झाला आहे, याची यादी या files मध्ये असते. blobs मध्ये layers स्वतः साठवल्या जातात. प्रत्येक layer ला तिच्या content च्या hash वर आधारित नाव असते आणि जवळजवळ संपूर्ण size तिथेच असतो. Layers tags मध्ये shared असल्यामुळे, समान weights वर तयार केलेले दोन models ollama list मध्ये प्रत्येकी स्वतःचा size दाखवतात; मात्र disk वर ती जागा एकदाच वापरली जाते. त्यामुळे दाखवलेल्या sizes ची बेरीज directory साठी du ने दाखवलेल्या size पेक्षा जास्त असू शकते. याउलट, Ollama 0.40.2 मध्ये अनपेक्षित बाब दिसते: background मध्ये upgrade केलेल्या models ची मूळ copy backup म्हणून disk वर ठेवली जाते. ollama list ती copy दोनदा दाखवत नाही. त्यामुळे du यादीत दिसणाऱ्या size पेक्षा बरीच मोठी value दाखवू शकते. 0.40.2 च्या release notes मध्ये फक्त हे backups delete करणारी script दिली आहे.

Model files लहान VPS च्या root filesystem ला तुम्ही install करण्याची शक्यता असलेल्या इतर कोणत्याही गोष्टीपेक्षा जलद भरतात. त्यांच्या size वर सर्वाधिक परिणाम करणारा घटक म्हणजे weight format. q4, q8 आणि fp16 मधील निवड प्रत्येक model साठी अनेक gigabytes जागा वाचवू शकते.

OLLAMA_MODELS वापरून models data volume वर हलवा

योजनेत दुसरी disk किंवा मोठा data volume असल्यास, root filesystem भरून जाण्यापूर्वी store हलवा. सर्व्हर आधी थांबवा, जेणेकरून अजून लिहिली जात असलेली file कॉपी होणार नाही.

sudo systemctl stop ollama
sudo mkdir -p /mnt/data/ollama-models
sudo rsync -a /the/directory/you/found/ /mnt/data/ollama-models/
sudo chown -R ollama:ollama /mnt/data/ollama-models
sudo systemctl edit ollama.service

systemctl edit drop-in file मध्ये editor उघडते. त्यामुळे packaged unit मध्ये बदल होत नाही आणि package upgrade तुमचा बदल overwrite करू शकत नाही. या दोन lines जोडा:

[Service]
Environment="OLLAMA_MODELS=/mnt/data/ollama-models"
sudo systemctl daemon-reload
sudo systemctl restart ollama
systemctl show ollama --property=Environment
ollama list

systemctl show ने तुमचा नवीन path दाखवला पाहिजे. ollama list ने move करण्यापूर्वी दाखवत असलेलेच models दाखवले पाहिजेत. List रिकामी असल्यास, नवीन directory मध्ये कॉपी केलेला store आहे का आणि server तो read करू शकतो का ते तपासा. सेवा ollama user म्हणून चालते. त्यामुळे त्या user कडे destination साठी read आणि write access असणे आवश्यक आहे. हे काम वरील chown line करते. नवीन path संदर्भातील permission errors साठी journalctl -e -u ollama तपासा. List योग्य असल्याची खात्री झाल्यानंतरच जुनी copy delete करा. Move अयशस्वी झाल्यानंतर source delete केल्यास सर्व काही पुन्हा download करावे लागेल.

दुसरा पर्याय original path कायम ठेवतो आणि data volume त्यावर mount करतो:

echo '/mnt/data/ollama-models /the/directory/you/found none bind 0 0' | sudo tee -a /etc/fstab
sudo mount -a
findmnt /the/directory/you/found
df -h /

findmnt ने mount दाखवला तर bind सक्रिय आहे. Box वरील दुसऱ्या एखाद्या घटकाला default location आधीच अपेक्षित असल्यास bind mount उपयोगी ठरतो. यात एक महत्त्वाचा धोका आहे: कॉपी केलेल्या files mount point अंतर्गत root disk वरच राहतात. Mount मुळे त्या लपलेल्या असतात. त्यामुळे unmount करून त्या files काढून टाकेपर्यंत disk space परत मिळत नाही. पुढे login करणाऱ्या व्यक्तीला समजावून सांगण्यासाठी environment variable हा दोन पर्यायांपैकी सोपा पर्याय आहे.

कंटेनर ते कुठे ठेवतो

अधिकृत image models तुम्ही mount केलेल्या ठिकाणी साठवते. ते कोणत्याही ollama user शी संबंधित host directory मध्ये साठवले जात नाहीत. Document केलेली run command अशी आहे:

docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

Colon च्या आधीचे ollama हे named Docker volume आहे. /root/.ollama हे container मधील ते स्थान आहे जिथे server लिहितो. त्यामुळे मागील section मधील paths वर du चालवल्यास काहीही सापडत नाही, कारण models तिथे नसतात. प्रत्यक्ष location आणि size दाखवा:

docker volume inspect ollama
docker system df -v
docker exec -it ollama ollama list

docker volume inspect मधील Mountpoint field वाचा. त्यानंतर त्यावर sudo du -sh चालवा. Models data volume वर ठेवण्यासाठी named volume ऐवजी host directory (-v /mnt/data/ollama:/root/.ollama) द्या आणि container पुन्हा तयार करा. Container root म्हणून लिहितो. त्यामुळे ती host directory root च्या मालकीची होते. Rootless Podman मध्ये container root default ने तुमच्या host user च्या UID आणि GID शी map होतो. इतर container IDs subordinate ranges वापरतात: rootless Podman अंतर्गत Ollama चालवणे मध्ये हे mapping स्पष्ट केले आहे.

Cleanup बाबत एक सूचना. साधा docker volume prune फक्त anonymous volumes काढतो. त्यामुळे named ollama volume तसाच राहतो. परंतु docker volume prune --all कोणत्याही container कडून संदर्भित नसलेले सर्व volumes काढतो; named volumes देखील त्यात येतात. ollama container त्याच्या volume शिवाय काढला किंवा पुन्हा तयार केला, तर नंतरचा prune --all तुम्ही download केलेले सर्व models काढून टाकतो. ते पुन्हा download करण्याशिवाय त्यांना परत मिळवण्याचा कोणताही मार्ग राहत नाही. Models असलेल्या box वर prune चालवण्यापूर्वी VPS वरील Docker disk usage prune कसे करावे हे वाचा.

ollama rm वापरून model काढा, rm वापरून नाही

ollama list
ollama rm gemma4
ollama list
df -h /

ollama rm त्या tag साठीचा manifest हटवते. त्यानंतर कोणताही शिल्लक manifest संदर्भ देत नसलेले layers हटवले जातात. या files unlink होताच disk space परत उपलब्ध होते. त्यामुळे df लगेच पुढे जाते. Layers shared असल्यामुळे, जवळच्या संबंधित दोन tags पैकी एक काढल्यावर ollama list च्या बाजूला दाखवलेल्या आकाराइतकी space मोकळी होईलच असे नाही. हे अपेक्षित वर्तन आहे. Delete अयशस्वी झालेले नाही.

Files हाताने हटवल्यास ही जोडी विस्कळीत होते. rm वापरून blob काढल्यास manifest मध्ये त्याची नोंद राहते. त्यामुळे ollama list model दाखवत राहते आणि missing layer वाचताना तो वापरण्याचा प्रयत्न अयशस्वी होतो. Manifest हाताने काढल्यास त्याचे layers disk वरच राहतात, पण त्यांच्याकडे निर्देश करणारी कोणतीही नोंद राहत नाही. त्यामुळे space व्यापली जाते आणि कोणतीही Ollama command ती space दाखवणार नाही. Blob आधीच हटवला असल्यास, tag वर ollama rm चालवल्याने उरलेली नोंद साफ होते. Manifest हटवला असल्यास, काढण्यासाठी tag entry उरत नाही. Server restart केल्यावर कोणत्याही नोंदीचा संदर्भ नसलेले layers एक तासापेक्षा जुने झाल्यावर साफ केले जातात.

शेवटचा एक फरक लक्षात ठेवा, कारण हे दोन्ही सतत गोंधळले जातात. ollama rm disk शी संबंधित आहे. ollama stop gemma4 model memory मधून unload करते आणि disk space अजिबात मोकळी करत नाही. Download पूर्ण झाल्यानंतर model RAM मध्ये किती काळ resident राहतो, ही स्वतंत्र setting आहे. प्रत्येक request वेळी model पुन्हा load करण्याऐवजी तो loaded ठेवणे यामध्ये तिचे वर्णन केले आहे.

FAQ

आणि यांमध्ये काय फरक आहे?

ollama pull मॉडेल डिस्कवर डाउनलोड करते आणि नंतर बंद होते. ollama run मॉडेल आधीच डिस्कवर आहे का ते तपासते, नसल्यास ते डाउनलोड करते, मेमरीमध्ये लोड करते आणि chat मॉडेल असल्यास interactive chat session सुरू करते. दोन्ही commands समान files समान directory मध्ये लिहितात. Provisioning आणि scripts मध्ये pull वापरा. Keyboard समोर वापरकर्ता असताना run वापरा. ollama run <model> "your prompt" एक prompt पाठवते आणि बंद होते. हे run चे script मध्ये वापरता येणारे रूप आहे.

माझे पहिले जणू अडकलेले का दिसते?

ते download, download ची पडताळणी किंवा model loading करत असू शकते. मॉडेल डिस्कवर उपलब्ध होऊन मेमरीमध्ये load होईपर्यंत chat prompt दिसत नाही. मॉडेलचा आकार अनेक gigabytes असू शकतो. Ollama progress bar standard error वर लिहिते. त्यामुळे त्या stream कडे दुर्लक्ष करणारे script मधील run किंवा cron job चालू असताना काहीही दिसत नाही. दुसरे session उघडा आणि watch -n5 df -h / चालवा. नवीन box वर free space टप्प्याटप्प्याने कमी होत असल्यास download सुरू आहे. Download आणि verification साठी लागणारा वेळ टाळण्यासाठी मॉडेल आधीच pull करा. मात्र loading साठी तरी वेळ लागतो.

Ollama त्याची models कुठे साठवते?

Location install वर अवलंबून असते. त्यामुळे अंदाज न लावता ती print करा. Unit किंवा drop-in मध्ये OLLAMA_MODELS set आहे का ते पाहण्यासाठी systemctl cat ollama.service चालवा. ते set नसल्यास store त्या service ज्या account म्हणून चालते त्या account च्या home directory अंतर्गत असतो. हा path getent passwd ollama print करते. Layer directory थेट शोधण्यासाठी sudo find / -xdev -type d -name blobs 2>/dev/null वापरा. Container image साठी store mounted volume मध्ये असतो. त्या volume चा host Mountpoint docker volume inspect ollama print करते.

Ollama models दुसऱ्या disk वर कशा हलवायच्या?

Service थांबवा. rsync -a वापरून store नवीन location वर copy करा. sudo chown -R ollama:ollama <directory> वापरून directory service account ला द्या. त्यानंतर sudo systemctl edit ollama.service चालवा आणि [Service] line अंतर्गत Environment="OLLAMA_MODELS=<directory>" जोडा. sudo systemctl daemon-reload वापरून reload करा आणि service restart करा. systemctl show ollama --property=Environment आणि ollama list वापरून खात्री करा. List रिकामी असल्यास नवीन directory मध्ये copied store आहे का ते तपासा. ollama user ला तो वाचता येतो का तेही तपासा. Permission errors साठी journalctl -e -u ollama तपासा.

Model files delete केल्याने space मोकळी होते का?

हाताने files delete केल्यास bytes मोकळे होतात. मात्र store विसंगत राहतो. एखादा blob काढल्यास manifest मध्ये त्या model ची नोंद राहते. त्यामुळे ते ollama list मध्ये दिसत राहते आणि वापरताना fail होते. Manifest काढल्यास त्याचे layers disk वर राहतात, पण त्यांचा संदर्भ देणारे काहीही उरत नाही. ollama rm <model> वापरा. ते manifest delete करते आणि इतर कोणत्याही model ला आवश्यक नसलेले layers त्यानंतर delete करते. Blob आधीच हाताने delete केला असल्यास entry काढण्यासाठी त्या tag वर ollama rm चालवा. Manifest delete केला असल्यास काढण्यासाठी tag entry उरत नाही. कोणताही manifest संदर्भ देत नसलेले layers एक तासापेक्षा जुने झाल्यावर काढण्यासाठी server restart करा.

हा लेख उपयुक्त होता का?