Ollama两周上了二十多个模型，选哪个比跑哪个更难

Ollama在X上更新了过去两周的模型清单。云上6个，本地6个，另外还有一串decision models，数下来11个。官方后来在回复里补了一句，忘了加LFM3。

先看清单。

云上模型包括：

本地模型包括：

Decision models单独列了一串：Clef-flash、D1、D1-omni、D3、Kev、Laya、Nimble、Nimble-v3、Pplx-decider、Strands-decider、Tev1。

这部分比模型名字更值得看。按Ollama页面上的描述，Clef把状态和一组带类型的问题schema变成决策，D3把文本、结构化数据、图片转成评分选择、是/否答案和评级，Nimble-v3用于快速分类、路由和打分。它们不是拿来聊天的，是拿来在调用链里做选择、分流和判断的。

两周出现11个decision models，信号很直接：模型多了以后，怎么选模型本身成了一层活。

有网友在回复里写，11个decision models，还是不知道下哪个。这条挺有代表性。Ollama的搜索页现在有Local、Cloud、Tools、Thinking、Vision、Embedding、Decision等筛选，模型列表越拉越长，普通用户第一眼看到的不是能力，而是选择成本。

官方补发的LFM3也值得单独说。LFM3-1.7B是文本模型，基于tri-hybrid架构，面向本地agent和专用应用，256K上下文，4bit精度下大约占1GB内存。页面写得很清楚，它适合本地agent、工具调用、结构化输出和单GPU微调，不推荐做agentic coding或复杂多步推理。

LFM3页面还列了Claude Code、OpenCode、Hermes Agent、OpenClaw这些agent harness的启动方式。小模型配本地agent，这个方向比参数竞赛更实际。

评论区的关注点也很实际。有人问Mac mini上哪个小模型最适合工具调用，关心的是第6步还能不能守住JSON schema。有人问每个本地模型需要多少RAM。有人说Ollama把Qwen默认上下文压在32k，训练时是262k，只能翻日志才发现。还有人问Phonon什么时候支持Linux，低VRAM表现如何。

这些问题比榜单排名更影响日常使用。模型能不能跑是一回事，默认上下文、显存占用、结构化输出稳不稳，是另一回事。

Ollama这次更新把云和本地放在同一张清单里，又单独拎出decision models，方向已经很清楚：它不只是本地跑模型的工具，也在变成模型入口。入口一长，选择就成了新问题。

模型清单在这里：https://ollama.com/search

LFM3页面在这里：https://ollama.com/library/lfm3

想试的话，装完Ollama直接跑：

ollama run lfm3