Ollama Cloud：价格、评价和限制 (2026)

#什么是Ollama Cloud

自 2025 年起，Ollama 提供了一项名为 Ollama Cloud 的付费服务，可调用托管在其 GPU 基础设施上的模型，使用的命令与本地模型完全相同。它的承诺是：无需 Mac Studio Ultra 或 H100 集群，即可运行超大规模的开放权重模型（数千亿参数）。

实际上，您会像往常一样安装 Ollama，进行身份验证，并拉取一个标记为 "cloud" 的模型（例如 gpt-oss:120b-cloud）。推理过程不再在您的 GPU 上进行，而是在 Ollama 的服务器上完成——您的设备仅发送提示词的 token，接收响应的 token。

# Authentification (une seule fois)
ollama signin

# Lancer un modèle hébergé
ollama run gpt-oss:120b-cloud

#云端运行哪些模型

云端模型目录专门面向难以在本地运行的模型。目录会变化，但选择逻辑始终相同：开放权重或开放的模型，规模非常大，或属于对显存要求很高的多模态模型。

100B参数以上的模型

gpt-oss:120b、qwen3-coder:480b、kimi-k2等模型在Q4量化下需占用60至250GB显存，超出个人工作站的承载能力。

前沿 MoE 模型

DeepSeek V3/V4、Llama 4 Maverick：这里指完整版本，而不是在本地安装的 7B/32B 蒸馏版本。

资源需求较高的专用模型

超大型编程模型、长上下文推理（"thinking"）模型、高分辨率视觉模型。

“常规”模型（Mistral 7B、Llama 3.1 8B、Qwen 14B、Phi-4 等）仍推荐在本地运行：它们能装入 RTX 3060 12 GB 或 MacBook Air 的可用内存，将它们移到远端运行没有任何好处。

#价格与使用限制

Ollama Cloud 的定位介于固定月费订阅（设有每小时请求数配额）与面向高强度使用的按用量计费模式之间。具体价格会变动——请在作出承诺前到 ollama.com/cloud 核实——但有几个相对稳定的特点值得留意。

小时配额

基础套餐限制每小时或每天的请求次数。这些额度足以满足人工聊天的需求，但对循环处理 10,000 份文档的脚本来说，很快就会达到上限。

按推理时长计费

超大型模型有时按消耗的 GPU 时间计费。一个长上下文请求（32k token、深度推理）的费用自然会高于一个“你好”请求。

默认未显示按token计费的价格

与 OpenAI 或 Anthropic 不同，Ollama Cloud 的 API 并不总是按 token 计费。这使预算估算不那么精确。

无面向大众的SLA

这项服务推出不久，在撰写本文时，尚无可与大型云服务商相提并论的可用性保证。

#隐私：真正发生的变化

这正是与自托管相比的结构性差异，而非无关紧要的小差别。当你在本地使用 Ollama 时，你的提示请求永远不会离开 localhost:11434 —— 这可以在防火墙中验证。而在云端，请求会通过互联网传输，并在第三方基础设施上处理。

您的提示词会离开受控范围

发送的任何数据——合同摘录、专有源代码、患者档案、电子邮件——都会离开您的机器。对于律师事务所、医生、人力资源部门或研发实验室而言，这是不可接受的。

数据保留策略

Ollama 表示不会使用您的提示词训练其模型。但为调试、滥用检测或日志记录而保留数据的政策因套餐而异。发送敏感信息前，请阅读服务条款。

GDPR 与托管服务

Ollama Cloud 的服务器大多位于美国。对于欧洲的个人数据，这会带来向欧盟境外传输数据的问题，而自行托管可以直接消除这些问题。

基础设施端无法进行审计

在本地，您可以使用 tcpdump 抓取端口 11434 的流量，证明没有数据向外传输。在云端，您只能选择信任——没有技术手段可以核实哪些内容被记录到了日志中。

#每个云模型的自托管替代方案

对于云端提供的几乎所有模型，都有本地替代方案：要么是等效方案（同一家族中更小的模型），要么是可接受的方案（其他可比的开放权重模型）。以下是实用的对应关系。

gpt-oss:120b-cloud → llama3.1:8b 或 qwen2.5:14b 本地运行

对于 90% 的对话场景，RTX 3060 12 GB 上的 8B-14B Q4 即可满足。在长推理或百科知识任务上的表现差异更为明显。

qwen3-coder:480b-cloud → qwen2.5-coder:14b 或 32b

32B 模型采用 Q4 量化时（约需 19 GB 显存），可在 RTX 4090 或 Mac M-Max 上运行。对于 IDE 中的代码自动补全，这已经绰绰有余——参见 Continue.dev 指南。

deepseek-v3:671b-cloud → deepseek-r1:32b 或 70b 蒸馏版

DeepSeek R1 的蒸馏版本可在 RTX 4090 或 Mac Studio 上本地运行，并在常用基准测试中达到完整模型推理能力的 80–90%。

超大型视觉模型 → qwen2.5-vl:7b 或 llama3.2-vision:11b

对于 OCR、图片打标签和图片描述，这两个模型可在配备 8–12 GB 显存的设备上运行。请参阅本地多模态视觉 LLM 指南。

长上下文 1M token → 本地 128k 模型 + 分块

实际应用中极少有场景需要一次性处理 1M 个 token。设计良好的 RAG 流水线结合分块和重排序器，可用上下文长度为 32k 的本地模型处理大规模语料库。

#决策表

在选择 Ollama 云服务还是自托管时，请按顺序回答以下五个问题。第一个回答为‘自托管’的问题即可决定最终方案。

1. 数据是否敏感？

专有代码、客户数据、医疗、法律、人力资源、研发 → 自托管，没有商量余地。

2. 您是否受《通用数据保护条例》（GDPR）或行业监管法规约束？

医院、银行、公共部门、欧洲数据 → 自托管，或专用主权云（不是 Ollama Cloud）。

3. 调用量是否可预测且较高？

每天调用次数超过数千次 → 与金额随使用量变化的云端账单相比，一块售价 1500 欧元的 GPU 可在几个月内摊销其成本。

4. 是否需要离线运行？

现场没有可靠的网络连接、需要实地演示，或合规要求网络物理隔离 → 必须自行托管。

5. 您确实必须使用 100B 及以上的模型吗？

如果答案是肯定的，而且只有在答案是肯定的、并且已经测试过本地 32B 模型的情况下，Ollama Cloud 才成为值得考虑的选项。

#何时使用哪一个

#Ollama Cloud 真正适用的少数场景

对超大模型进行一次性评估

您想先用 10 分钟测试一个 480B 编程模型是否值得使用，再决定是否投资购买机器——云端可以避免冲动购买。

无需现场硬件的客户演示

销售人员在自己的笔记本电脑上展示概念验证（POC），无需随身携带 Mac Studio。

要求很高的单项任务

一份 500 页的报告，每季度总结一次，需要长上下文，且其中没有任何机密数据。

学习与探索

了解一个 670B 模型能做什么，以便之后回到本地运行时，知道应该追求什么目标。

#自托管的优势场景

任何经常性使用场景

日常编程助手、内部团队聊天、基于企业文档的 RAG——账单金额的稳定性很重要。

所有涉及敏感数据的使用

这一点没有商量余地：法律、医疗、人力资源、金融、研发和专有代码都应留在本地处理。

所有自动化用途

批处理流水线、循环运行的智能体、n8n、ETL 脚本：云端配额很快就会耗尽，成本变得难以预测。

所有离线或边缘使用场景

工作坊用树莓派、出差用笔记本、无稳定网络的现场环境。

任何个性化需求

微调、自定义Modelfile、团队系统提示、与您现有工具的深度集成——这些功能无法在云端实现。

#深入了解

如果您认为自托管适合自己的情况（这很有可能），这些指南可以帮助您顺利起步：

选择合适的GPU

《如何为本地 AI 选择 GPU》一文详细说明了 VRAM、预算和性能之间的权衡，涵盖从 RTX 3060 12 GB 到 Mac Studio Ultra 的多种选择。

理解量化（quantization）

《选择量化方式（Q4、Q5、Q8、FP16）》指南说明如何将 32B 模型部署到 16 GB 显存的 GPU 上，且不降低模型质量。

实际运行中的保密性

隐私检查清单列出了具体检查项，用于确认没有任何数据包从您的机器发出——以事实为证。