Ollama context deadline exceeded: jak naprawić błąd
Błąd context deadline exceeded w Ollama oznacza przekroczenie limitu czasu w Go. Dowiedz się, jak zdiagnozować problem podczas pobierania modelu lub zapytania do API.
Co w rzeczywistości oznacza błąd "context deadline exceeded"
Błąd Ollama o treści context deadline exceeded to informacja o przekroczeniu limitu czasu. Fragment kodu w języku Go ustalił termin wykonania operacji, operacja nie zakończyła się w wyznaczonym czasie, a termin upłynął. Najczęściej operacją tą jest żądanie oczekujące na odpowiedź modelu. Żaden proces nie uległ awarii, a pliki nie są uszkodzone. Praca nadal trwała w momencie, gdy zegar odliczył czas.
Sformułowanie to pochodzi ze standardowego pakietu context języka Go, co samo w sobie stanowi użyteczną wskazówkę. Klient napisany w Pythonie, oparty na httpx, zgłasza zamiast tego httpx.ReadTimeout. Przeglądarka wyświetla zwykły błąd sieciowy. Jeśli widzisz dokładnie te słowa, oznacza to, że program w języku Go przestał czekać: narzędzie wiersza poleceń Ollama, sam serwer Ollama lub aplikacja w języku Go wywołująca API (application programming interface).
Limit czasu nie zawsze dotyczy odpowiedzi modelu. Te same słowa pojawiają się podczas pobierania: ollama pull lub operacji pull, którą ollama run inicjuje, gdy model nie znajduje się jeszcze na dysku. Zgłoszenie Ollama #17484, dotyczące wersji 0.32.5, pokazuje ollama run modelu z Hugging Face, który wypisuje swoje linie pulling, a następnie Error: context deadline exceeded, podczas gdy dziennik serwera wskazuje na błąd pobierania obiektu blob z hf.co z tym samym komunikatem. Jeśli dane wyjściowe zatrzymują się zaraz po liniach pulling, limit czasu dotyczy pobierania, więc ponów operację pull i sprawdź ścieżkę sieciową do rejestru, zanim zmienisz jakiekolwiek ustawienia poniżej.
Gdy model znajduje się już na dysku, zaangażowanych jest pięć warstw. Trzy z nich posiadają własne limity czasu: klient, limit ładowania modelu przez serwer oraz reverse proxy. Pozostałe dwie, keep_alive oraz num_ctx, nie ustalają limitu czasu, ale decydują o tym, jak duża ilość pracy musi zmieścić się w jednym żądaniu. Zawodzą one w różnych punktach i każda wymaga innego rozwiązania, więc całe zadanie polega na ustaleniu, która z nich wywołuje błąd.
- Klient HTTP, który nadał żądaniu sztywny budżet czasowy.
- Limit czasu ładowania modelu przez serwer Ollama, który aktywuje się, gdy duży model jest odczytywany z dysku po raz pierwszy.
keep_alive, który zwalnia model z pamięci między żądaniami, przez co każde kolejne wywołanie ponownie obciążone jest kosztem ładowania.num_ctxna tyle duży, że samo przetwarzanie promptu trwa minuty na jednostce działającej wyłącznie na CPU.- Reverse proxy, takie jak nginx lub Traefik, przerywające połączenie, zanim Ollama zdąży odpowiedzieć.
Przeanalizuj tę listę w podanej kolejności. Każdy poniższy krok eliminuje jedną warstwę, co pozwala uniknąć zgadywania.
Odtworzenie żądania do API w celu wykluczenia proxy
Wykonaj żądanie bezpośrednio na serwerze, kierując je prosto do Ollama, z pominięciem proxy.
time curl -s http://127.0.0.1:11434/api/generate -d '{
"model": "llama3.1:8b",
"prompt": "Why is the sky blue?",
"stream": false
}' | head -c 400curl nie narzuca własnego limitu czasowego dla całego połączenia, a jedynie limit czasu nawiązania połączenia, dlatego to polecenie oczekuje tak długo, jak wymaga tego Ollama. Pozwala to na podział problemu na dwie części. Jeśli otrzymasz odpowiedź w formacie JSON, oznacza to, że Ollama udzieliła odpowiedzi, a limit czasu jest narzucany przez komponent znajdujący się przed nią. Jeśli to wywołanie zawiesza się na kilka minut, opóźnienie występuje wewnątrz Ollama, a proxy jest niewinne.
Teraz wyślij to samo żądanie przez publiczny adres URL i zmierz czas jego trwania.
curl -s -o /dev/null -w '%{http_code} %{time_total}\n' \
-X POST https://llm.example.com/api/generate \
-d '{"model": "llama3.1:8b", "prompt": "hi", "stream": false}'Status 504 wyświetlony po podejrzanie równej liczbie sekund, na przykład 60.0 lub 30.0, oznacza przekroczenie limitu czasu przez proxy. Proxy korzystają z domyślnych, zaokrąglonych wartości. Model nie kończy pracy dokładnie po 60.000 sekundach dwa razy z rzędu. Jeśli bezpośrednie wywołanie zostaje natychmiast odrzucone, zamiast działać powoli, problemem jest nasłuchiwanie, a nie limit czasu; przypadek ten opisuje na jakim adresie Ollama nasłuchuje na porcie 11434.
Monitorowanie dziennika serwera podczas wykonywania żądania
Otwórz drugą sesję i śledź dziennik usługi, a następnie wyślij żądanie ponownie.
journalctl -u ollama --no-pager --follow --pager-endPoprawny „zimny start” rejestruje w dzienniku ładowanie modelu, uruchomienie modułu wykonawczego (runner), a następnie obsługę żądania. Nieudane ładowanie w bieżących wydaniach (sprawdzono na podstawie kodu źródłowego 0.40.11 w październiku 2026 r.) wygląda inaczej; poniższy ciąg znaków identyfikuje przekroczenie czasu ładowania przez sam serwer:
timed out waiting for llama-server to start - <last error from the runner>Starsze kompilacje, takie jak 0.12.0, używają sformułowania timed out waiting for llama runner to start - progress 0.00 -. W obu przypadkach proces modelu nie zakończył uruchamiania w wyznaczonym przez serwer czasie. W starszym sformułowaniu wartość postępu informuje o stopniu zaawansowania, a 0.00 oznacza, że moduł wykonawczy nie zgłosił nic przed upływem terminu, co zazwyczaj oznacza, że plik jest nadal odczytywany lub system korzysta z pamięci wymiany (swap). Bieżące kompilacje pomijają tę wartość i dołączają ostatni błąd modułu wykonawczego, który jest pusty, jeśli błąd nie wystąpił. Jeśli dziennik zamiast tego ostrzega, że połączenie klienta zostało zamknięte przed zakończeniem ładowania przez llama-server, oznacza to, że wywołujący (klient lub proxy przed nim) zrezygnował jako pierwszy i ładowanie zostało przerwane. Aby uzyskać więcej szczegółów podczas ładowania, zrestartuj usługę z ustawioną flagą OLLAMA_DEBUG=1 i powtórz operację.
Pomiar, czy opóźnienie wynika z ładowania, czy generowania
Ollama raportuje własne czasy wykonania, więc nie ma potrzeby zgadywania w tym zakresie.
ollama run --verbose llama3.1:8b "Why is the sky blue?"Po udzieleniu odpowiedzi wyświetlane są wartości total duration, load duration, prompt eval count, prompt eval rate, eval count oraz eval rate. Uruchom polecenie dwukrotnie. Przy drugim uruchomieniu wartość load duration powinna spaść niemal do zera, ponieważ model znajduje się już w pamięci. Jeśli wartość ta nie spada, oznacza to, że model jest usuwany z pamięci między uruchomieniami, co odpowiada przypadkowi keep_alive opisanemu poniżej.
Te same liczby są zwracane przez API w końcowym obiekcie JSON jako load_duration, prompt_eval_duration oraz eval_duration. Dokumentacja wskazuje, że wszystkie czasy trwania są zwracane w nanosekundach, więc należy podzielić je przez 10^9, aby uzyskać wynik w sekundach.
curl -s http://127.0.0.1:11434/api/generate -d '{
"model": "llama3.1:8b",
"prompt": "Why is the sky blue?",
"stream": false
}' | python3 -c 'import json,sys; d=json.load(sys.stdin); print({k: round(v/1e9, 2) for k, v in d.items() if k.endswith("_duration")})'Zidentyfikuj największą wartość. Jeśli dominuje load_duration, występuje problem z ładowaniem modelu; przejdź do dwóch kolejnych sekcji. Jeśli dominuje prompt_eval_duration, kosztem jest przetwarzanie promptu; przejdź do sekcji num_ctx. Jeśli dominuje eval_duration, model generuje dane zbyt wolno na danym sprzęcie i żadne ustawienie limitu czasu tego nie zmieni. Skróć wynik za pomocą num_predict lub przejdź na mniejszy model.
Zwiększenie OLLAMA_LOAD_TIMEOUT po sprawdzeniu wersji
Zmienna serwerowa, która tym zarządza, to OLLAMA_LOAD_TIMEOUT. W kodzie źródłowym 0.40.11, sprawdzonym w październiku 2026 roku, opisano ją jako czas oczekiwania na załadowanie modelu przed przerwaniem operacji. Wartość domyślna wynosi 5 minut, a każdy sygnał postępu ładowania resetuje ten licznik. Zmienna ta nie istnieje w starszych kompilacjach, takich jak 0.3.0, dlatego należy sprawdzić wartość domyślną dla własnej wersji, zamiast polegać na jakimkolwiek artykule, w tym niniejszym. Najpierw należy wyświetlić wersję.
ollama --versionNastępnie należy otworzyć kod źródłowy dla konkretnego tagu, https://github.com/ollama/ollama/blob/<your version>/envconfig/config.go, i wyszukać OLLAMA_LOAD_TIMEOUT. Wartość w tym pliku to domyślne ustawienie, z jakim skompilowano plik binarny. Własną wartość należy ustawić za pomocą pliku drop-in systemd.
sudo systemctl edit ollama.serviceZmienne należy dodać w sekcji [Service], co jest metodą zalecaną w dokumentacji Ollama dla systemu Linux:
[Service]
Environment="OLLAMA_LOAD_TIMEOUT=15m"
Environment="OLLAMA_KEEP_ALIVE=-1"sudo systemctl daemon-reload
sudo systemctl restart ollama
systemctl show ollama --property=EnvironmentOstatnie polecenie wyświetla środowisko, które faktycznie otrzymała usługa. Pusty wynik oznacza, że plik drop-in został zapisany poza znacznikami edytora lub w niewłaściwej sekcji, przez co ustawienia nie weszły w życie. Należy mieć świadomość, co to daje: dłuższy limit czasu ładowania zapobiega przerwaniu pracy serwera, ale nie przyspiesza samego procesu. Jeśli model nie mieści się w pamięci, maszyna zacznie korzystać ze swapu, ładowanie będzie bardzo powolne, a zwiększenie wartości jedynie odsunie moment wystąpienia błędu w czasie.
Dlaczego pierwsze żądanie po przerwie jest wolne
Ollama zwalnia nieaktywny model, aby odzyskać pamięć. O tym, kiedy to następuje, decyduje ustawienie keep_alive. Dokumentacja Ollama podaje wartość domyślną jako 5 minut, stan na październik 2026. W rezultacie aplikacja czatowa używana raz na godzinę przeładowuje model przy każdej wiadomości, a każda wiadomość obarczona jest pełnym czasem zimnego startu. Żądanie, którego czas oczekiwania przekracza limit, to pierwsze żądanie po okresie bezczynności, co dokładnie odpowiada wzorcowi, który użytkownicy opisują jako losowy.
Sprawdź, co obecnie znajduje się w pamięci:
ollama ps
curl -s http://127.0.0.1:11434/api/psPusta lista lub wygaśnięcie za kilka minut potwierdzają ten stan. keep_alive przyjmuje ciąg określający czas, taki jak "10m" lub "24h", zwykłą liczbę sekund, 0 w celu natychmiastowego zwolnienia oraz liczbę ujemną, aby utrzymać model w pamięci bezterminowo. Ustawienie można zdefiniować dla każdego żądania lub ustawić OLLAMA_KEEP_ALIVE w usłudze dla wszystkich żądań. Wartość żądania ma pierwszeństwo: dokumentacja Ollama stwierdza, że parametr API keep_alive nadpisuje ustawienie OLLAMA_KEEP_ALIVE, więc klient wysyłający własne keep_alive nadal zwalnia model zgodnie z własnym harmonogramem.
curl -s http://127.0.0.1:11434/api/generate -d '{
"model": "llama3.1:8b",
"keep_alive": -1
}'Żądanie z modelem, ale bez promptu, ładuje model i kończy działanie. Jest to udokumentowany sposób na rozgrzanie serwera po restarcie i powinien być umieszczony w małej jednostce systemd, aby nikt nie musiał czekać na pierwszy zimny start po uruchomieniu systemu. Koszt jest jawny: przypięty model zajmuje pamięć na stałe, więc na małym serwerze można przypiąć jeden model, a nie cztery. Utrzymywanie modelu w pamięci między żądaniami zawiera obliczenia dotyczące pamięci oraz opis jednostki rozgrzewającej.
Dlaczego duża wartość num_ctx powoduje przekroczenie limitu czasu przed wygenerowaniem pierwszego tokena
Zanim model rozpocznie generowanie treści, musi przetworzyć cały prompt. Ten etap to prefill, który jest mierzony przez prompt eval. Parametr num_ctx określa długość kontekstu, co wpływa na dwa aspekty jednocześnie. Ogranicza liczbę tokenów, które model może uwzględnić, oraz definiuje rozmiar pamięci podręcznej KV (key value cache), którą serwer rezerwuje z wyprzedzeniem. Oba te czynniki zwiększają obciążenie.
Na serwerze działającym wyłącznie w oparciu o CPU proces prefill jest powolny, a jego czas trwania rośnie liniowo wraz z liczbą tokenów w prompcie. Wklejenie długiego dokumentu do czatu może spowodować, że etap prefill potrwa minuty, podczas gdy klient nie otrzyma żadnej odpowiedzi, ponieważ strumieniowanie jeszcze się nie rozpoczęło. Klient osiąga swój limit czasu i zgłasza błąd przekroczenia terminu kontekstu, mimo że serwer przez cały ten czas pracował. Można to zweryfikować za pomocą danych z poprzedniej sekcji. Należy wysłać długi prompt i odczytać wartości prompt_eval_count oraz prompt_eval_duration, które w Ollama oznaczają czas poświęcony na przetwarzanie niebuforowanych tokenów promptu. Jeśli wartości te wynoszą minuty przy małym eval_duration, oznacza to, że trwa proces prefill. Ponieważ liczone są tylko niebuforowane tokeny, powtórzenie tego samego promptu na modelu, który jest już załadowany do pamięci, może dać znacznie niższe wyniki, dlatego należy porównywać pierwsze uruchomienia. Aby sprawdzić koszt większej pamięci podręcznej, należy uruchomić prompt z parametrem "options": {"num_ctx": 2048}, a następnie z 32768 i odczytać load_duration, ponieważ czas ładowania modelu jest raportowany w tym miejscu, a nie w prompt_eval_duration.
Domyślna wartość serwera pochodzi z OLLAMA_CONTEXT_LENGTH, a parametr num_ctx w obiekcie options dla pojedynczego żądania nadpisuje to ustawienie. Częstym błędem jest zwiększanie tej wartości do maksimum obsługiwanego przez model tylko dlatego, że taka możliwość istnieje. Alokacja pamięci podręcznej KV może wypchnąć model z pamięci RAM i spowodować, że poprawnie działająca konfiguracja zacznie korzystać z pamięci wymiany (swap). Szczegóły dotyczące doboru rozmiaru znajdują się w Dobieranie num_ctx do rzeczywistej dostępnej pamięci.
Dlaczego nginx zwraca błąd 504 Gateway Time-out
Dokumentacja nginx definiuje proxy_read_timeout z wartością domyślną 60s, a dziennik błędów wprost wskazuje przyczynę niepowodzenia:
upstream timed out (110: Connection timed out) while reading response header from upstreamIstotny szczegół zawarty w dokumentacji nginx brzmi: limit czasu „jest ustawiany tylko pomiędzy dwiema kolejnymi operacjami odczytu, a nie dla transmisji całej odpowiedzi”. Odpowiedź strumieniowa resetuje licznik przy każdym fragmencie danych, dlatego czaty strumieniowe działają poprawnie. Żądanie z parametrem "stream": false nie wysyła żadnych danych do momentu zakończenia generowania odpowiedzi, więc cały proces musi zmieścić się w tym jednym oknie czasowym. Z tego powodu ten sam model działa w oknie czatu, a kończy się błędem przy wywołaniu ze skryptu.
location / {
proxy_pass http://127.0.0.1:11434;
proxy_http_version 1.1;
proxy_set_header Host $host;
proxy_read_timeout 600s;
proxy_send_timeout 600s;
proxy_buffering off;
}sudo nginx -t && sudo systemctl reload nginxParametr proxy_buffering off ma znaczenie dla strumieniowania. Przy włączonym buforowaniu nginx może gromadzić odpowiedź i przekazać ją dopiero po zakończeniu, przez co tokeny przestają pojawiać się pojedynczo, a działający strumień sprawia wrażenie zawieszonego.
Traefik stosuje analogiczną kontrolę w obiekcie ServersTransport, z którego korzysta router.
http:
serversTransports:
ollama:
forwardingTimeouts:
dialTimeout: "30s"
responseHeaderTimeout: "0s"
idleConnTimeout: "60s"Parametr responseHeaderTimeout określa czas oczekiwania na nagłówki odpowiedzi po wysłaniu żądania, a wartość zero oznacza brak limitu czasu. Usługa musi odwoływać się do transportu za pomocą nazwy przy użyciu serversTransport: ollama; w przeciwnym razie edytowana konfiguracja nie będzie używana przez żaden element systemu.
Mniejsza kwantyzacja przyspiesza ładowanie ze względu na mniejszą ilość danych do odczytu
Kwantyzacja określa precyzję, z jaką przechowywane są wagi modelu. Niższa precyzja oznacza mniejszy plik, a proces ładowania modelu polega głównie na odczycie tego pliku z dysku do pamięci RAM.
Dane, na których opiera się ten wykres
[
{
"label": "q4_K_M",
"download_size_gb": 4.9
},
{
"label": "q8_0",
"download_size_gb": 8.5
},
{
"label": "fp16",
"download_size_gb": 16
}
]Podane wartości to rozmiary opublikowane na stronie modelu, a nie pomiary wykonane w środowisku testowym. Domyślna wersja 8B ma rozmiar 4.9 GB. Wersja tego samego modelu o pełnej precyzji zajmuje 16 GB, co oznacza ponad trzykrotnie większą liczbę bajtów do odczytania oraz ponad trzykrotnie większe zapotrzebowanie na pamięć. Na wynajętym serwerze ze współdzieloną pamięcią masową ta różnica decyduje o tym, czy ładowanie zakończy się powodzeniem, czy przekroczy limit czasu. Ustalenie, który model mieści się w pamięci RAM to weryfikacja, którą należy przeprowadzić przed pobraniem jakichkolwiek dużych plików.
Co zmienić na wynajętym serwerze
Wprowadzaj poniższe zmiany pojedynczo, zgodnie z kolejnością wskazaną przez pomiary, i po każdej z nich ponownie uruchamiaj polecenie pomiarowe.
- Przypnij model za pomocą
OLLAMA_KEEP_ALIVE=-1i rozgrzej go podczas startu systemu, aby żądania użytkowników nie obciążały procesu ładowania. Następnie sprawdź, czy żaden klient nie przesyła własnego parametrukeep_alive, ponieważ wartość w żądaniu nadpisuje ustawienia serwera. - Zmniejsz
num_ctxdo wartości faktycznie wymaganej przez Twoje prompty. Skróci to fazę prefill i zwolni pamięć zajmowaną przez KV cache. - Pobierz mniejszą kwantyzację, aby operacja ładowania odczytywała mniej bajtów, co pozostawi więcej miejsca w pamięci na cache.
- Zwiększ
proxy_read_timeoutw Nginx lubresponseHeaderTimeoutw Traefik i wyłącz buforowanie, aby strumieniowane tokeny docierały do klienta. - Zwiększ limit czasu (timeout) w swoim kliencie. Program w języku Go lub Python z limitem 30 sekund zakończy się błędem, jeśli model będzie przetwarzał dane dłużej.
Za wszystkimi tymi przyczynami kryje się jeszcze jedna. Ollama obsługuje ograniczoną liczbę żądań jednocześnie, a pozostałe umieszcza w kolejce. Drugi użytkownik może oczekiwać w kolejce, podczas gdy jego własny limit czasu wygaśnie, mimo że sam model nie działa wolno. Dziennik serwera wykaże, że żądanie zostało obsłużone z opóźnieniem, a nie że wystąpił błąd. Co się dzieje, gdy kilka osób korzysta z jednego serwera Ollama omawia ustawienia równoległości, a podstawowa instalacja na VPS opisuje konfigurację usługi, na której opierają się te zmiany.
FAQ
Co oznacza komunikat "context deadline exceeded" w Ollama?
Oznacza on, że upłynął limit czasu przed zakończeniem zadania, które ten limit nadzorował. Najczęściej zadaniem tym jest żądanie oczekujące na model, ale ten sam błąd pojawia się również podczas pobierania modeli, w ollama pull lub procesie pull, który uruchamia ollama run. Fraza pochodzi z pakietu context języka Go, więc wyświetlił ją program napisany w Go: narzędzie wiersza poleceń Ollama, serwer Ollama lub aplikacja korzystająca z API. Jest to przekroczenie czasu oczekiwania, więc nic nie jest uszkodzone ani niepoprawne. Jeśli wynik został przerwany zaraz po pulling liniach, należy traktować to jako problem z pobieraniem. W przeciwnym razie kolejnym krokiem jest ustalenie, która warstwa ustawiła limit, ponieważ klient, ładowanie modelu i reverse proxy ustawiają własne limity, podczas gdy keep_alive oraz num_ctx decydują, ile pracy musi się w nich zmieścić.
Czy powinienem zwiększyć limit czasu klienta czy Ollama?
Najpierw wykonaj pomiary. Wyślij żądanie za pomocą curl bezpośrednio na serwerze, kierując je do http://127.0.0.1:11434, ponieważ curl nie narzuca ogólnego limitu czasu. Jeśli to wywołanie zwróci treść JSON, oznacza to, że Ollama odpowiada, a limit czasu dotyczy klienta lub proxy – tam należy go zwiększyć. Jeśli to wywołanie również zawiesza się, opóźnienie występuje wewnątrz Ollama, a pola load_duration oraz prompt_eval_duration w odpowiedzi wskażą, czy model jest ładowany, czy przetwarzany jest prompt.
Dlaczego pierwsze żądanie przekracza limit czasu, a kolejne działa?
Ollama zwalnia nieaktywny model z pamięci zgodnie z harmonogramem ustawionym przez keep_alive. Domyślna wartość dokumentowana w październiku 2026 roku wynosi 5 minut. Pierwsze żądanie po okresie bezczynności ładuje model z dysku i uwzględnia pełny czas zimnego startu, podczas gdy żądanie wysłane zaraz po nim zastaje model w pamięci i zwraca wynik szybko. Uruchom ollama ps, aby sprawdzić, co jest załadowane i kiedy wygasa. Ustaw OLLAMA_KEEP_ALIVE=-1, aby utrzymać model w pamięci, akceptując fakt, że będzie ona stale zajęta. Klient wysyłający własne keep_alive nadpisuje to ustawienie, więc sprawdź również konfigurację klientów.
Dlaczego błąd występuje tylko przy użyciu nginx?
nginx dokumentuje proxy_read_timeout z wartością domyślną 60s, a ten limit czasu dotyczy przerwy między dwoma kolejnymi odczytami, a nie całej odpowiedzi. Odpowiedź strumieniowa resetuje ten licznik przy każdym fragmencie, podczas gdy żądanie wysłane z "stream": false musi zakończyć się w ramach jednego okna czasowego. Dlatego okno czatu działa, a skrypt kończy się błędem. Wyszukaj upstream timed out (110: Connection timed out) while reading response header from upstream w dzienniku błędów nginx, a następnie zwiększ proxy_read_timeout i ustaw proxy_buffering off.
Czy zwiększenie OLLAMA_LOAD_TIMEOUT przyspiesza ładowanie?
Nie. Zmienia to jedynie czas, po którym serwer przerywa ładowanie, jeśli utknie, i rejestruje timed out waiting for llama-server to start lub timed out waiting for llama runner to start w starszych wersjach. Jeśli model nie mieści się w pamięci, maszyna korzysta ze swapu, ładowanie drastycznie zwalnia, a zwiększenie limitu jedynie przesuwa moment wystąpienia błędu, nie rozwiązując przyczyny. Sprawdź wartość domyślną dla swojej wersji, uruchamiając ollama --version i czytając envconfig/config.go dla danego tagu, a ładowanie trwające minuty potraktuj jako sygnał do pobrania mniejszej kwantyzacji.