Ollama: パフォーマンスチューニング

パフォーマンスチューニングはローカルAIエンジンのギアシフト——1速の這い進みから5速の疾走へ。

💡 ヒント: OLLAMA_NUM_PARALLELはモデルごとの並列リクエスト数を制御——4に設定すると4リクエストを同時処理し、スループットが向上。8GB VRAMでは2〜4からテスト開始;16GBでは4〜8を試行。OLLAMA_KEEP_ALIVE=30mと組み合わせて頻繁なモデルのアンロード/再ロードを回避。

📋 前提条件: まず以下を習得していること

1. 学べること


2. SaaS起業家のリアルな事例

💡 ヒント: OLLAMA_KEEP_ALIVEはモデルがメモリに留まる時間を設定。高同時実行シナリオでは30m以上に設定し、頻繁なモデルのアンロード/再ロードによるコールドスタート遅延(5〜30秒)を回避。使用頻度が低い場合は5mに設定してVRAMを解放。

ℹ️ 情報: num_ctx(コンテキストウィンドウサイズ)はKVキャッシュのメモリ使用量に直接影響する。8Bモデルでnum_ctx=2048は約4GB VRAM、num_ctx=8192は約6GB、num_ctx=32768は約12GBが必要。実際のニーズに基づいて設定し、むやみに増やさないこと。

(1) ペインポイント:高同時実行時の応答タイムアウト

AliceのSupportBotが本番稼働し、ピーク時には10の同時リクエストで応答時間が2秒から30秒に急増。顧客から「長すぎる」と苦情が来たが、Ollamaはデフォルトで1つの同時リクエストしか処理しない。

(2) ソリューション:同時実行とコンテキストの最適化

OLLAMA_NUM_PARALLELOLLAMA_MAX_LOADED_MODELSを調整し、応答時間は5秒以下に回復:

BASH
# Enable 4 parallel requests
export OLLAMA_NUM_PARALLEL=4
export OLLAMA_MAX_LOADED_MODELS=2

3. 主要パフォーマンス指標

⚠️ 警告: OLLAMA_NUM_PARALLELを増やしてもスループットは線形には増加しない——各同時リクエストがGPU VRAMを共有し、同時実行数が多すぎるとOOMやリクエストごとの速度急低下を引き起こす。2から始めて段階的にテストし、VRAM使用量とレイテンシ変化を観察すること。

(1) 3つのコア指標

指標 フルネーム 意味 目標値
Tokens/s Tokens per second 生成速度 GPU: 30以上、CPU: 5以上
TTFT Time to First Token 最初のトークンレイテンシ 500ms未満(GPU)
Memory VRAM/RAM使用量 リソース消費 容量の90%未満

(2) Ollamaパフォーマンス統計

--verboseモードまたは非ストリーミングレスポンスに含まれるパフォーマンスデータ:

フィールド 意味
total_duration 合計時間(ナノ秒)
load_duration モデルロード時間
prompt_eval_count 入力トークン数
prompt_eval_duration 入力処理時間
eval_count 出力トークン数
eval_duration 出力生成時間

(3) ▶ サンプル:パフォーマンス指標収集

BASH
# Collect performance metrics with verbose output
ollama run --verbose qwen2.5 "Explain AI in 50 words"

# Key output:
# total duration:       2500000000    # 2.5s total
# load duration:        500000000     # 0.5s model load
# prompt eval count:    15 token(s)
# prompt eval duration: 200000000     # 0.2s input processing
# prompt eval count:    15 token(s)   # = prompt_eval_speed: 75 tok/s
# eval count:           52 token(s)
# eval duration:        1800000000    # = eval_speed: 28.9 tok/s

出力:

TEXT
I'm a helpful AI assistant running locally on your machine...
PYTHON
import ollama
import time

def measure_performance(model: str, prompt: str) -> dict:
    start = time.time()
    response = ollama.chat(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        stream=False
    )
    total_time = time.time() - start
    content = response["message"]["content"]
    token_count = len(content) // 4  # Rough estimate

    return {
        "model": model,
        "total_time_s": round(total_time, 2),
        "estimated_tokens": token_count,
        "estimated_tok_per_s": round(token_count / total_time, 1) if total_time > 0 else 0
    }

result = measure_performance("qwen2.5", "Explain machine learning in 100 words")
print(result)

4. 同時リクエストチューニング

⚠️ : 過度な同時実行はOOMを引き起こす可能性——OLLAMA_NUM_PARALLELはスループットを線形に増加させず、各同時リクエストがGPU VRAMを共有し、同時実行数が多すぎるとリクエストごとの速度が急低下したりメモリオーバーフローが発生する。2から始めて段階的にテストし、VRAM使用量とレイテンシ変化を観察すること。

(1) 同時実行関連環境変数

変数 デフォルト 説明 影響
OLLAMA_NUM_PARALLEL 1 モデルごとの並列リクエスト数 ↑スループット ↓リクエストごとの速度
OLLAMA_MAX_LOADED_MODELS 1 同時ロードモデルの最大数 ↑マルチモデル同時実行 ↑VRAM
OLLAMA_KEEP_ALIVE 5m モデルメモリ常駐時間 ↑再ロード回避 ↓メモリ再利用

(2) 同時実行設定の決定

100%
flowchart LR
    A[同時リクエスト?] --> B{ピークQPS?}
    B -->|1〜2| C[デフォルト: NUM_PARALLEL=1]
    B -->|3〜5| D[NUM_PARALLEL=4<br/>8GB VRAM最低]
    B -->|6〜10| E[NUM_PARALLEL=8<br/>16GB以上 VRAM]
    B -->|10以上| F[マルチノード<br/>ロードバランサー]
設定 VRAM要件 スループット リクエストごとのレイテンシ
NUM_PARALLEL=1 最低 1 req/s 最短
NUM_PARALLEL=4 中程度 3〜4 req/s やや増加
NUM_PARALLEL=8 6〜8 req/s 顕著に増加

(3) ▶ サンプル:同時実行設定とテスト

BASH
# Configure parallel processing
sudo systemctl edit ollama
# Add:
[Service]
Environment="OLLAMA_NUM_PARALLEL=4"
Environment="OLLAMA_MAX_LOADED_MODELS=2"
Environment="OLLAMA_KEEP_ALIVE=30m"

sudo systemctl daemon-reload
sudo systemctl restart ollama

出力:

TEXT
# Ollama command executed successfully
PYTHON
import ollama
import asyncio
import time

async def concurrent_test(num_requests: int):
    """Test concurrent request handling."""
    client = ollama.AsyncClient()
    start = time.time()

    async def single_request(i: int):
        req_start = time.time()
        response = await client.chat(
            model="qwen2.5",
            messages=[{"role": "user", "content": f"Say hello {i}"}],
            stream=False,
            options={"temperature": 0.1}
        )
        return time.time() - req_start

    tasks = [single_request(i) for i in range(num_requests)]
    latencies = await asyncio.gather(*tasks)

    total = time.time() - start
    print(f"Concurrent: {num_requests} requests")
    print(f"Total time: {total:.2f}s")
    print(f"Avg latency: {sum(latencies)/len(latencies):.2f}s")
    print(f"Throughput: {num_requests/total:.1f} req/s")

asyncio.run(concurrent_test(4))

5. コンテキストウィンドウ管理

(1) num_ctxがメモリに与える影響

num_ctx KVキャッシュ (8B Q4_M) 必要VRAM合計 ユースケース
2048 約1 GB 約6 GB 短い会話(デフォルト)
4096 約2 GB 約7 GB 中程度の会話
8192 約4 GB 約9 GB RAG検索
32768 約16 GB 約21 GB 長文書
⚠️ 注: KVキャッシュはnum_ctxに比例して増大。8Bモデルでnum_ctx=32768は8GB VRAMでは動作せず、21GB以上のVRAMが必要。

(2) num_ctx最適化戦略

戦略 方法 効果
オンデマンド設定 チャットは2048、RAGは8192 メモリ無駄を削減
スライディングウィンドウ 直近N往復の会話のみ保持 入力長を制御
要約圧縮 早期の会話を定期的に圧縮 コンテキスト空間を節約
RAGキュレーション top-kを5から3に削減 入力トークンを削減

(3) ▶ サンプル:num_ctx比較テスト

PYTHON
import ollama
import time

def test_context_sizes(model: str, prompt: str, context_sizes: list[int]):
    """Test performance with different context window sizes."""
    for ctx in context_sizes:
        start = time.time()
        response = ollama.chat(
            model=model,
            messages=[{"role": "user", "content": prompt}],
            stream=False,
            options={"num_ctx": ctx, "temperature": 0.3}
        )
        elapsed = time.time() - start
        tokens = len(response["message"]["content"]) // 4
        speed = tokens / elapsed if elapsed > 0 else 0
        print(f"num_ctx={ctx}: {elapsed:.2f}s, ~{speed:.1f} tok/s")

test_context_sizes("qwen2.5", "Explain AI briefly", [2048, 4096, 8192])

出力:

TEXT
# Function defined successfully

6. バッチ処理とベンチマーク

(1) バッチ処理戦略

戦略 説明 ユースケース
シリアルバッチ リクエストを順次処理 シンプルで信頼性が高い
パラレルバッチ asyncio同時実行 高スループット
キュースケジューリング FastAPI + キュー 本番環境

(2) ▶ サンプル:バッチベンチマークスクリプト

PYTHON
import ollama
import time
import asyncio
import json
from datetime import datetime

class BenchmarkRunner:
    def __init__(self, model: str = "qwen2.5"):
        self.model = model
        self.results = []

    def warmup(self, runs: int = 2):
        for _ in range(runs):
            ollama.chat(model=self.model,
                        messages=[{"role": "user", "content": "warmup"}],
                        stream=False)

    def single_benchmark(self, prompt: str) -> dict:
        start = time.time()
        response = ollama.chat(
            model=self.model,
            messages=[{"role": "user", "content": prompt}],
            stream=False,
            options={"temperature": 0.3}
        )
        elapsed = time.time() - start
        content = response["message"]["content"]
        return {
            "prompt_length": len(prompt),
            "response_length": len(content),
            "estimated_tokens": len(content) // 4,
            "total_time_s": round(elapsed, 2),
            "tok_per_s": round(len(content) / 4 / elapsed, 1) if elapsed > 0 else 0
        }

    async def concurrent_benchmark(self, prompt: str, concurrency: int) -> dict:
        client = ollama.AsyncClient()
        start = time.time()
        tasks = [
            client.chat(model=self.model,
                       messages=[{"role": "user", "content": prompt}],
                       stream=False, options={"temperature": 0.3})
            for _ in range(concurrency)
        ]
        await asyncio.gather(*tasks)
        total = time.time() - start
        return {
            "concurrency": concurrency,
            "total_time_s": round(total, 2),
            "throughput_rps": round(concurrency / total, 1)
        }

    def run_full_benchmark(self):
        self.warmup()
        prompts = [
            "Hello",
            "Explain AI in 3 sentences",
            "Write a product description for wireless headphones"
        ]
        print("=== Single Request Benchmark ===")
        for p in prompts:
            result = self.single_benchmark(p)
            print(f"  {result['estimated_tokens']}tok, {result['tok_per_s']}tok/s, {result['total_time_s']}s")

        print("\n=== Concurrent Benchmark ===")
        for c in [1, 2, 4]:
            result = asyncio.run(self.concurrent_benchmark("Hello", c))
            print(f"  Concurrency {c}: {result['throughput_rps']} req/s")

# Run
runner = BenchmarkRunner("qwen2.5")
runner.run_full_benchmark()

出力:

TEXT
=== Single Request Benchmark ===

=== Concurrent Benchmark ===

(3) ▶ サンプル:パフォーマンスベースライン確立

BASH
#!/bin/bash
# Establish performance baseline

MODEL="qwen2.5"
DATE=$(date +%Y%m%d)
REPORT="baseline_${DATE}.txt"

echo "=== Performance Baseline ===" > "$REPORT"
echo "Date: $(date)" >> "$REPORT"
echo "Model: $MODEL" >> "$REPORT"
echo "GPU: $(nvidia-smi --query-gpu=name --format=csv,noheader 2>/dev/null || echo 'CPU')" >> "$REPORT"
echo "" >> "$REPORT"

# Single request benchmark
echo "## Single Request ##" >> "$REPORT"
for i in {1..5}; do
    start=$(date +%s%N)
    curl -s http://localhost:11434/api/chat -d "{
        \"model\": \"$MODEL\",
        \"messages\": [{\"role\": \"user\", \"content\": \"Hello\"}],
        \"stream\": false
    }" > /dev/null
    end=$(date +%s%N)
    elapsed=$(( (end - start) / 1000000 ))
    echo "  Run $i: ${elapsed}ms" >> "$REPORT"
done

echo "" >> "$REPORT"
echo "## GPU Utilization ##" >> "$REPORT"
nvidia-smi --query-gpu=utilization.gpu,memory.used,memory.total --format=csv >> "$REPORT" 2>/dev/null || echo "CPU mode" >> "$REPORT"

echo "Baseline saved: $REPORT"

出力:

TEXT
{"status":"ok","data":{}}

7. 総合サンプル:SupportBotパフォーマンスチューニングレポート

PYTHON
# ============================================
# Comprehensive: Performance tuning report
# Full benchmark + optimization recommendations
# ============================================

import ollama
import time
import asyncio
import json

class PerformanceTuner:
    def __init__(self, model: str = "qwen2.5"):
        self.model = model

    def run_diagnostics(self) -> dict:
        """Run full performance diagnostics."""
        # Warm up
        ollama.chat(model=self.model,
                    messages=[{"role": "user", "content": "warmup"}],
                    stream=False)

        # Single request test
        start = time.time()
        resp = ollama.chat(
            model=self.model,
            messages=[{"role": "user", "content": "Hello"}],
            stream=False, options={"temperature": 0.3}
        )
        single_latency = time.time() - start

        # Context size test
        ctx_results = {}
        for ctx in [2048, 4096, 8192]:
            start = time.time()
            ollama.chat(
                model=self.model,
                messages=[{"role": "user", "content": "Hello"}],
                stream=False, options={"num_ctx": ctx, "temperature": 0.3}
            )
            ctx_results[ctx] = round(time.time() - start, 2)

        return {
            "model": self.model,
            "single_latency_s": round(single_latency, 2),
            "context_sizes": ctx_results,
            "recommendations": self._generate_recommendations(single_latency)
        }

    def _generate_recommendations(self, latency: float) -> list[str]:
        recs = []
        if latency > 5:
            recs.append("High latency detected. Enable GPU acceleration or use smaller model.")
        if latency > 2:
            recs.append("Set OLLAMA_NUM_PARALLEL=4 for concurrent requests.")
        recs.append("Use num_ctx=2048 for chat, num_ctx=8192 for RAG.")
        recs.append("Set OLLAMA_KEEP_ALIVE=30m to avoid model reloading.")
        return recs

    def generate_report(self) -> str:
        diag = self.run_diagnostics()
        report = [
            f"# Performance Tuning Report",
            f"Model: {diag['model']}",
            f"Single request latency: {diag['single_latency_s']}s",
            f"\n## Context Window Impact:",
        ]
        for ctx, latency in diag["context_sizes"].items():
            report.append(f"  num_ctx={ctx}: {latency}s")
        report.append("\n## Recommendations:")
        for r in diag["recommendations"]:
            report.append(f"  - {r}")
        return "\n".join(report)

tuner = PerformanceTuner("qwen2.5")
print(tuner.generate_report())

❓ よくある質問

Q OLLAMA_NUM_PARALLELはいくつに設定すべき?
A 8GB VRAMでは2〜4、16GBでは4〜8、24GBでは8。同時実行数が多すぎるとリクエストごとのレイテンシが増加しOOMリスクが高まる。4からテスト開始。
Q TTFTが高すぎる場合は?
A 1)OLLAMA_KEEP_ALIVEを十分に長く設定(コールドスタート回避);2)num_ctxを削減;3)より小さいモデルを使用;4)GPUアクセラレーションが動作していることを確認。
Q モデルロード時間を削減するには?
A OLLAMA_KEEP_ALIVE=30m以上に設定してモデルをメモリに常駐。初回ロードは回避不可能;以降のリクエストは数秒で応答。
Q 同時リクエスト中にOOMが発生したら?
A OLLAMA_NUM_PARALLELを削減;より小さいnum_ctxを使用;OLLAMA_MAX_LOADED_MODELSを削減;またはVRAMを追加。
Q ベンチマーク結果が不安定な場合は?
A 1)2〜3回ウォームアップしてコールドスタートを排除;2)他のGPUプログラムを終了;3)5回以上実行して平均;4)ランダムシードを固定。
Q 本番環境のパフォーマンスをモニタリングするには?
A レッスン21でPrometheus + Grafanaモニタリングスタックを詳述。今は--verboseとカスタムスクリプトで指標を収集。

📖 まとめ


📝 練習問題

  1. 基本(難易度 ⭐)--verboseモードを実行し、3回の推論でTokens/s、TTFTなどの指標を記録し、パフォーマンスベースラインを確立する。
  2. 中級(難易度 ⭐⭐):OLLAMA_NUM_PARALLEL=4を設定し、同時テストを実行し、同時実行前後のスループットとレイテンシの変化を比較する。
  3. 上級(難易度 ⭐⭐⭐):完全なパフォーマンスチューニングレポートを作成——単一リクエストベンチマーク、同時テスト、num_ctx比較、最適化推奨を含め——Markdown形式で出力する。
Web-Tutorial.com

Web-Tutorial 技術チーム

複数の開発者によって共同維持されているプログラミングチュートリアルプラットフォーム。各チュートリアルは専門分野の開発者が執筆・レビューしています。正確で信頼性の高いコンテンツを目指しています — 問題を見つけた場合はお知らせください。

100%