Ollama 模型清单 2026：30+ 个模型附真实体积详解

你到底该拉哪个 Ollama 模型？这份清单覆盖大家真正在用的，含体积和诚实用例。

💡 你将学到

你到底该拉哪个 Ollama 模型？这份清单覆盖大家真正在用的，含体积和诚实用例。

📜 目录

• 模型动物园问题
• 大家真正在用的模型
• 查看和管理模型
• 内存数学（约数）
• 按用途选
• FAQ

模型动物园问题

Ollama（178,451 stars，2026-08-14）让本地跑 LLM 变成一条命令，但模型库巨大，命名（q4_K_M、7b、14b）让新手困惑。经久不衰的经验法则：越大越聪明、越小越快——你的内存决定天花板。

大家真正在用的模型

Llama 3.1 / 3.3（8B、70B）：Meta 的通才。8B 适配 8GB+ 内存，覆盖多数日常任务；70B 需约 48GB，是本地质量天花板。好的默认选择。

Qwen 2.5（7B、14B、32B、72B）：多语言全能选手，工具调用强。7B 是小模型编程最佳；32B 在 24GB GPU 上是甜点位。中英文都出色。

DeepSeek-R1（7B-671B 变体）：推理专家：展示思维链。本地版（蒸馏 7B/14B/32B）在中端硬件上给你“思考”行为——更慢但逻辑题更好。

Gemma 2 / 3（2B、9B、27B）：Google 的高效模型。2B 能在手机级设备跑；9B 是扎实的轻量之选。

Mistral（7B）/ Mixtral（8x7B）：欧洲经典；指令遵循强。

Phi-4（14B）：微软的紧凑推理模型；数学上超常发挥。

Command R（35B、104B）：Cohere 的企业之选，长上下文和 RAG 聚焦。

gpt-oss（20B、120B）：OpenAI 的开放权重线：20B 在同尺寸里出奇地强。

查看和管理模型

ollama list                  # 已安装模型
ollama pull llama3.3         # 下载
ollama run llama3.3          # 聊天
ollama show llama3.3 --modelfile  # 配置
ollama rm llama3.3           # 删除

内存数学（约数）

按用途选

• 日常聊天：Llama 3.3 8B 或 Qwen 2.5 7B
• 编程：Qwen 2.5 Coder 7B/32B
• 推理谜题：DeepSeek-R1 蒸馏版
• 小机器：Gemma 2B
• 大硬件上的最佳质量：Llama 70B 或 Qwen 72B

FAQ

怎么知道我的内存上限？ 模型文件体积必须能装进内存/显存；运行时再加约 1GB 开销。

q4_K_M 是什么意思？ 量化级别——q4 每个权重约 4 位，牺牲一点质量换小得多的文件。

Mac 能跑吗？ 能——Ollama 在 Apple Silicon 用 Metal；16GB M 系 Mac 流畅跑 8B 模型。

哪个模型中文最好？ Qwen 2.5——中文训练充分，比 Llama 处理得好。