2026 Переполнение памяти DeepSeek-R1 на Mac: безопасная стабилизация Ollama

При переполнении памяти DeepSeek-R1 на Mac сначала выгрузите зависшую модель или перезапустите Ollama, затем по очереди уменьшите контекст, параллелизм и время хранения модели. Flash Attention и тип KV Cache следует проверять только после базовой повторной проверки и только при подтверждённой поддержке текущего backend. Если минимально приемлемые веса и контекст всё равно не помещаются стабильно, безопаснее проверить более ёмкий удалённый Mac, а не менять системные параметры macOS наугад.
Эта последовательность подходит разработчикам, которым нужно восстановить локальную среду после прерывания рассуждений DeepSeek-R1. Она также рассчитана на инженеров AI Agent, запускающих Ollama как сервис, и технических руководителей, которым предстоит решить: продолжать настройку локального Apple Silicon или переносить нагрузку на удалённый Mac.
Важно: пользовательские отчёты о Metal OOM, зависшем Runner или продолжающемся росте памяти относятся к конкретным версиям и конфигурациям. Они не доказывают, что любой DeepSeek-R1 на любом Mac имеет подтверждённую утечку. Состояние релизов проверено на 8 сентября 2026 года по официальной странице выпусков Ollama.
До первой перезагрузки: зафиксируйте состояние, а не стирайте следы сбоя
После аварии не стоит сразу несколько раз отправлять тот же длинный запрос. Повторные обращения могут добавить очередь, загрузить новый Runner и усложнить сравнение. Сначала соберите короткую карточку инцидента:
- версию Ollama и способ запуска — приложение macOS,
ollama serveв терминале или отдельный менеджер сервиса; - версию macOS и модель процессора Apple Silicon;
- точный тег DeepSeek-R1 из списка доступных тегов в официальной библиотеке моделей;
- значение контекста, параметры параллельности,
keep_aliveи факт одновременной загрузки других моделей; - последние строки журнала Ollama;
- вывод
ollama ps; - состояние «Давление памяти» и активность swap в «Мониторе системы»;
- последний промпт без секретов и время, на котором произошёл сбой.
Команда для первичной фиксации:
ollama --version
ollama ps
ps aux | grep '[o]llama'
Если Ollama запущен как приложение, команда ps помогает обнаружить фактический процесс, но не заменяет проверку журналов приложения. Если сервис запущен из терминала, журнал лучше сохранить в отдельный файл при следующем контролируемом запуске:
ollama serve 2>&1 | tee ~/ollama-recovery.log
На этом этапе проверяется только одно: способен ли текущий сервис отвечать. Полную классификацию между физической нехваткой Unified Memory и логическим удержанием KV Cache следует выполнять позже, когда сохранены исходные условия.
Первый рубеж: выгрузка модели против полного перезапуска Ollama
Самый мягкий вариант — попросить API выгрузить модель. Поле keep_alive и формат запроса описаны в официальном описании типов API Ollama:
curl http://127.0.0.1:11434/api/generate \
-d '{
"model": "deepseek-r1:latest",
"prompt": "Ответьте одним коротким предложением: сервис доступен?",
"keep_alive": 0
}'
Замените тег на тот, который был зафиксирован в карточке инцидента. После ответа проверьте:
ollama ps
Ожидаемый результат — модель больше не числится загруженной либо её состояние изменилось так, чтобы новый запрос мог создать свежий Runner. Затем выполните короткий тест без длинного контекста. Вывод должен быть непустым, а выбранный processor — соответствовать ожидаемой конфигурации.
Если API не отвечает, не следует бесконечно повторять запрос. Для приложения macOS завершите приложение обычным способом, убедитесь через ps aux | grep '[o]llama', что процесс исчез, и снова запустите приложение. Для процесса, запущенного командой ollama serve, остановите именно этот процесс сочетанием Control-C, затем запустите его снова из той же оболочки.
Если после перезапуска журнал продолжает показывать ошибку backend, остановите тестирование. Неисправный Runner и накопившаяся очередь могут выглядеть как новая утечка памяти. В официальной инструкции по устранению неполадок Ollama порядок сбора журналов важнее случайного добавления параметров.
Что увеличивает нагрузку: контекст, параллелизм и время хранения
У переполнения памяти DeepSeek-R1 на Mac часто есть не один переключатель, а несколько одновременных усилителей. Длинный контекст увеличивает рабочий KV Cache. Параллельные запросы создают несколько активных состояний. Долгое хранение оставляет модель и связанные буферы загруженными между обращениями.
Это не означает, что каждый сбой является подтверждённой утечкой. Unified Memory используется совместно CPU и GPU; наличие единого адресного пространства не превращает физическую память в бесконечный резерв. Особенность Apple Silicon подтверждается в документации Apple о Unified Memory, но конкретное поведение зависит от модели, версии backend и нагрузки.
| Параметр | Первый безопасный шаг | Что проверять после изменения | Цена ограничения |
|---|---|---|---|
| Контекст | Уменьшить до минимального рабочего значения | Полноту ответа и отсутствие обрезки | Потеря дальнего контекста |
| Параллельность | Перейти к одному активному запросу | Очередь и успешность последовательных запросов | Меньше пропускная способность |
| Число загруженных моделей | Оставить одну модель | Выгрузку предыдущей модели через ollama ps |
Дополнительная загрузка при смене |
keep_alive |
Сократить время хранения или использовать 0 для теста |
Возврат памяти после простоя | Более частый холодный запуск |
| Flash Attention и KV Cache | Не менять до базовой стабилизации | Качество вывода и ошибки Metal | Возможна несовместимость или изменение ответа |
Названия переменных и область их действия нужно сверять с актуальным FAQ Ollama, поскольку исторические рекомендации для старых веток могут отличаться. В частности, старые обсуждения Ollama v0.8 нельзя автоматически переносить на текущую стабильную ветку. На 8 сентября 2026 года страница релизов указывает v0.33.3 как последнюю стабильную версию, а v0.34.0-rc1 — как предварительную; это именно проверка состояния релизов, а не доказательство причины конкретного сбоя.
Первый час: уменьшите параметры в порядке риска
Сначала контекст
Сначала изменяется только контекст. Временный запуск из терминала:
export OLLAMA_CONTEXT_LENGTH=4096
ollama serve
Значение здесь является примером тестового лимита, а не универсальной рекомендацией для всех моделей. Если сервис уже работает как приложение, этот экспорт не изменит существующий процесс. После изменения необходимо завершить текущий процесс и запустить Ollama тем же способом, который используется в обычной работе.
Для API можно ограничить контекст только у конкретного запроса через поле options.num_ctx:
curl http://127.0.0.1:11434/api/generate \
-d '{
"model": "deepseek-r1:latest",
"prompt": "Короткий тестовый ответ.",
"options": {
"num_ctx": 4096
},
"keep_alive": 0
}'
Такой параметр удобен для проверки, но не является постоянной настройкой сервиса. Правила контекста также описаны в официальной документации Ollama по длине контекста.
Затем параллелизм и число моделей
После успешного одиночного запроса можно ограничить параллельную работу:
export OLLAMA_NUM_PARALLEL=1
export OLLAMA_MAX_LOADED_MODELS=1
ollama serve
Проверять нужно не только отсутствие ошибки запуска. Выполните несколько последовательных запросов, затем посмотрите ollama ps и состояние памяти. Если приложение запускается через графический интерфейс, эти значения в shell не попадут в уже открытое приложение.
Наконец — время хранения
Для короткой диагностической сессии можно использовать:
export OLLAMA_KEEP_ALIVE=0
Либо передать keep_alive: 0 только в запросе. Это снижает время удержания модели, но увеличивает число холодных загрузок. Поэтому такой режим подходит для восстановления и сравнения, а не обязательно для постоянного рабочего профиля.
Flash Attention и KV Cache: проверяйте после базовой линии
Только после успешного одиночного теста с уменьшенным контекстом стоит проверять оптимизации, которые официальная документация текущей версии действительно поддерживает:
export OLLAMA_FLASH_ATTENTION=1
export OLLAMA_KV_CACHE_TYPE=q8_0
ollama serve
Конкретные значения нельзя считать безопасными для любой версии или каждого backend. Сначала зафиксируйте стабильный вариант без этих изменений. Затем меняйте только одну переменную. Для сравнения используйте одинаковые:
- тег модели;
- промпт;
- ограничение контекста;
- формат ответа;
- число последовательных запросов;
- время ожидания перед проверкой выгрузки.
Если после изменения KV Cache ответ стал пустым, обрезанным или появились ошибки Metal, верните прежнее значение. Нельзя одновременно включать Flash Attention, менять тип кэша и расширять контекст: при таком эксперименте невозможно определить причину результата.
Как закрепить настройки на Mac и сохранить возможность отката
Временная shell-конфигурация
Экспорт в терминале действует только для дочернего процесса, запущенного из этой оболочки. Посмотреть значения можно так:
env | grep '^OLLAMA_'
Отмена:
unset OLLAMA_CONTEXT_LENGTH
unset OLLAMA_NUM_PARALLEL
unset OLLAMA_MAX_LOADED_MODELS
unset OLLAMA_KEEP_ALIVE
unset OLLAMA_FLASH_ATTENTION
unset OLLAMA_KV_CACHE_TYPE
После этого Ollama нужно остановить и запустить заново. Если Ollama продолжает работать как приложение, отмена в shell ничего не изменит.
Запуск приложения через launchctl
Для приложения macOS переменные можно задать перед следующим запуском GUI-процесса:
launchctl setenv OLLAMA_CONTEXT_LENGTH 4096
launchctl setenv OLLAMA_NUM_PARALLEL 1
launchctl setenv OLLAMA_MAX_LOADED_MODELS 1
launchctl setenv OLLAMA_KEEP_ALIVE 0
Проверка текущего значения:
launchctl getenv OLLAMA_CONTEXT_LENGTH
launchctl getenv OLLAMA_NUM_PARALLEL
После этого полностью закройте Ollama, убедитесь, что его процесс завершён, и откройте приложение снова. Изменение уже работающего процесса не происходит задним числом.
Откат:
launchctl unsetenv OLLAMA_CONTEXT_LENGTH
launchctl unsetenv OLLAMA_NUM_PARALLEL
launchctl unsetenv OLLAMA_MAX_LOADED_MODELS
launchctl unsetenv OLLAMA_KEEP_ALIVE
Для Flash Attention и KV Cache применяйте тот же принцип. Сначала удалите переменные, затем перезапустите приложение. Если настройки оформлены через собственный launch-agent, сохраняйте резервную копию файла и удаляйте только добавленные строки.
Не следует превращать эту процедуру в совет по изменению sysctl, скрытых ограничений ядра или скриптов принудительного увеличения swap. Такие действия не подтверждают исправление Metal OOM, усложняют откат и могут замаскировать нехватку физической Unified Memory.
Контрольный список перед возвратом рабочей нагрузки
- [ ] Сохранены версия Ollama, версия macOS, тег модели и способ запуска.
- [ ] Сохранены журнал,
ollama ps, параметры запроса и состояние памяти. - [ ] Модель выгружена через
keep_alive: 0либо подтверждён полный перезапуск Ollama. - [ ] Пройден короткий одиночный запрос с непустым ответом.
- [ ] Контекст уменьшен до минимального значения, которое сохраняет бизнес-смысл результата.
- [ ] Параллелизм и число загруженных моделей ограничены до одиночного базового режима.
- [ ] Для каждого изменения записаны команда, процесс перезапуска и команда отката.
- [ ] Flash Attention и KV Cache не менялись одновременно с другими параметрами.
- [ ] После выгрузки модели проверено снижение нагрузки на память и отсутствие нового сообщения Metal.
- [ ] При первой повторной ошибке выполнен откат к последней успешной конфигурации.
Частые вопросы после восстановления
DeepSeek-R1 снова падает после нескольких минут работы
Сначала сравните новый сбой с исходной карточкой: тот же ли тег модели, контекст и способ запуска. Если короткий запрос проходит, а длинный снова приводит к ошибке, не увеличивайте параллелизм. Верните минимальный контекст, проверьте одиночную серию и только затем добавляйте нагрузку. При отличии поведения между версиями сохраните минимальный пример для оценки отката Ollama.
Всегда ли требуется перезапуск процесса
Нет. Успешная выгрузка модели через keep_alive: 0 позволяет продолжить работу без полного перезапуска. Перезапуск оправдан, если API завис, Runner не создаётся, журнал продолжает показывать ошибку backend или память не возвращается после подтверждённой выгрузки. Важно перезапускать правильный процесс: приложение и терминальный ollama serve могут быть разными экземплярами.
Как понять, что постоянная настройка действительно действует
Откройте новый процесс тем же способом, который используется в рабочей среде, затем проверьте значение через env или launchctl getenv. Одной проверки файла shell недостаточно. После запуска выполните запрос с явно заданным options.num_ctx, а затем запрос без него. Если поведение различается, действует параметр API, а не глобальное окружение.
Что считать стабильностью после изменения KV Cache
Стабильность — это не только отсутствие немедленного падения. Нужны непустые ответы одинакового формата, отсутствие повторяющейся ошибки Metal, приемлемое давление памяти, отсутствие неконтролируемого роста swap и возврат нагрузки после выгрузки модели. Сначала проверяется короткий запрос, затем серия, затем рабочий контекст. Каждая ступень должна быть отдельной записью в журнале.
Следующие двадцать четыре часа: возвращайте нагрузку по одной переменной
После базового восстановления не возвращайте все исходные параметры сразу. Последовательность должна быть такой:
- короткий одиночный запрос;
- целевой минимальный контекст;
- несколько последовательных запросов;
- рабочий контекст;
- один параллельный сценарий;
- целевая бизнес-нагрузка.
На каждом этапе фиксируйте успешность, непустой вывод, время до ответа, давление памяти, swap, состояние ollama ps и журналы Metal. Точные показатели скорости не следует объявлять универсальными: они зависят от модели, тегов, версии Ollama и конкретного Mac.
Если старый релиз ведёт себя стабильно, а новый воспроизводимо ломается при одинаковых параметрах, это повод сохранить минимальный пример и оценить откат Ollama. На 8 сентября 2026 года статус релиза следует перепроверять перед таким решением по официальному списку версий. GitHub Issues полезны как источник пользовательских случаев и версий, но отдельный отчёт не равен официально подтверждённой утечке.
Когда локальный Mac пора сравнить с удалённым
Откат имеет смысл, если новая версия является единственным изменившимся фактором. Уменьшение модели подходит, если бизнес-задача допускает другой тег DeepSeek-R1. Но если минимальный рабочий контекст, одиночный запрос и приемлемые веса всё равно не проходят длительную проверку, дальнейшее редактирование параметров не решает ограничение ёмкости.
Для периодических длинных рассуждений, пакетной обработки и AI Agent важна не только возможность один раз загрузить модель. Нужна повторяемость после перезапуска, отсутствие зависшего Runner и запас памяти для параллельных процессов. В такой ситуации полезно прогнать тот же скрипт на удалённом Mac, сохранив промпт, тег, контекст, порядок тестов и критерии отката. Сравнить варианты размещения можно через консоль ProxyMac, а условия доступа — через страницу тарифов ProxyMac.
Локальная схема остаётся разумной, если нагрузка короткая, физическая машина уже доступна, а после ограничения параметров память возвращается к базовому состоянию. Удалённая аренда не заменяет диагностику и не исправляет ошибку в конфигурации. Она даёт отдельную ёмкость для проверки, когда текущий Mac не выдерживает минимальный профиль.
Текущий локальный вариант имеет три заметных недостатка: вся Unified Memory делится между Ollama и остальными приложениями, повторный запуск может прервать локальные задачи, а расширение нагрузки требует покупки и обслуживания отдельного Mac. Продолжать менять системные параметры при таких условиях рискованно. Если после двадцатичетырёхчасовой проверки минимальный профиль снова приводит к Metal OOM, аренда Mac через ProxyMac позволяет перенести тот же тестовый сценарий в более ёмкую среду и принять решение на основании повторяемого результата, а не очередного случайного запуска.
Перенесите запуск DeepSeek-R1 на удалённый Mac от ProxyMac
Используйте выделенный Mac mini M4 с 16 ГБ объединённой памяти для нагрузочных проверок Ollama без риска перегрузить локальный компьютер.
Подключайтесь к удалённому рабочему окружению через SSH или VNC и продолжайте работу с привычными инструментами.