ollama v0.13.4 发布——全新模型与性能优化详解

2025年12月13日，Ollama v0.13.4版本预发布，随后于2025年12月16日正式发布。本次更新是一次重要的版本迭代，包含新模型的推出、引擎默认设置的调整、Flash Attention机制的自动化启用，以及一系列对Gemma 3架构模型的修复与增强。以下是详细更新内容。

一、新增模型

1. Nemotron 3 Nano
这是一款全新的开放高效智能代理模型，定义了高性能标准，面向智能代理应用场景。

2. Olmo 3 与 Olmo 3.1
这一系列开放语言模型旨在推动语言模型研究科学化。
其预训练基于 Dolma 3 数据集，后训练使用 Dolci 数据集，代表了更系统化的语言模型训练流程。

二、主要更新内容

• • 默认启用 Ollama 引擎
  所有剩余模型均默认启用 Ollama 引擎，统一运行环境。
• • 默认启用 Flash Attention 自动模式
  模型将自动启用 Flash Attention，以优化注意力计算效率。
• • 修复 Gemma 3 长上下文处理问题
  解决了长文本情况下上下文处理异常的问题，使 Gemma 模型更加稳定。
• • 修复 Gemma 3 QAT 模型导入问题
  修复了 Gemma 3 架构在量化训练模型导入时可能出现的异常。

三、代码更新与文档修订

• • 在 api/client.go 文件中修正了 Modelfile 的超链接后缀，将.md改为.mdx。
• • 删除了 macOS 与 Windows 平台中“发送 UI 请求消息”的冗余代码，使应用逻辑更简洁。
• • cocoa 对话框代码中增强了多文件处理机制，确保缓冲区内存安全。
• • Windows 文件对话框错误输出格式更准确。
• • server.go 修改了模型路径检查逻辑，在路径不可用时使用默认路径。
• • wintray/eventloop.go 改进了底层事件循环的内存安全处理，增加了注释控制。
• • 文档 docs/api.md 全面更新对 Modelfile.mdx 的链接引用，使说明一致化。
• • 新增工具文档与示例提取功能：新增目录：
  .

  docs/tools/extract-examples

  包含：

  提取后可执行：

• • README.md：介绍如何将 MDX 中的代码示例提取到临时目录运行。
• • main.go：示例提取脚本，支持自动生成 package.json 与 pyproject.toml 依赖文件。

.

 cd <tmp-dir>
 npm install  # JS示例
 node file.js 或 python file.py 或 bash file.sh

四、环境配置与引擎优化

• • envconfig/config.go 调整了 OLLAMA_NEW_ENGINE 的默认值逻辑，引入 BoolWithDefault 方法，使引擎启用逻辑更灵活。
• • 增强了环境变量映射支持，结构更加全面。

五、模型与计算优化

1. Flash Attention 类型系统引入
ml/device.go 新增 FlashAttentionType 枚举类型：

• • Auto
• • Disabled
• • Enabled

此设计使 Flash Attention 模式控制更细化，支持自动适配硬件。

2. GGML 图计算增强
在 fs/ggml/ggml.go 中，Flash Attention 引入枚举类型接口，支持多种量化缓存类型检测与验证方法，提升兼容性。

3. Llama 引擎增强
llama/llama.go 重构了 Flash Attention 参数逻辑——支持自动、启用与禁用三种模式，适配不同模型及硬件环境。

4. LLM 服务逻辑优化
llm/server.go 增加了 Flash Attention 用户显式设置检测逻辑，并完善了 KV 缓存量化兼容性处理。当使用量化 KV 缓存类型时必须启用 Flash Attention。
KV 缓存校验机制进一步完善，增加更详细的警告提示与逻辑分支。

5. ML 后端结构改进
ml/backend.go 与 ml/backend/ggml/ggml.go 中统一 Flash Attention 类型接口，并在注意力计算中使用新的枚举系统，实现高效的多设备内存调度与算子融合优化。

六、Gemma 3 架构修复与改良

model/models/gemma3/model_text.go
对 Gemma 3 的旋转位置嵌入 (RoPE) 算法进行了调整：

• • 新增 ropeValuesForLayer 方法，按层返回位置嵌入基础值与缩放因子。
• • 修复 QAT 权重导致的错误缩放比问题，强制 ropeScale 为 1.0。
• • 优化滑动窗口注意力机制下的 softcap 和 rope 参数初始化逻辑，使注意力计算更加准确。

七、OpenAI兼容层更新

openai/responses.go
调整了工具调用消息的合并逻辑：

• • 当助手消息存在时，将后续工具调用结果合并到上一条消息中，而非新建消息。
• • 保留思考过程（Thinking）内容的正确关联，确保连续对话上下文一致。

同时新增全面的单元测试 openai/responses_test.go，覆盖函数调用与工具输出场景，验证新逻辑稳定性。

八、贡献统计

• • 本次版本共有 9 次提交，22 个文件修改，涉及 6 位贡献者。
• • 修改代码约 812 行新增与 253 行删除，覆盖核心引擎、文档、模型逻辑与工具部分。

九、总结

代码地址：github.com/ollama/ollama

ollama v0.13.4 是一次大幅度增强版发布，重点在于：

• • 增强引擎默认配置与性能自动化；
• • 推出新一代开放智能模型；
• • 完善 Gemma 与 Llama 架构的兼容性；
• • 引入更完整的 Flash Attention 类型系统；
• • 提高文档与开发工具的自动化程度。