Tableau récapitulatif de la CLI Ollama : ls, serve, run, ps + commandes (mise à jour 2026)

Cette tableau de bord des commandes Ollama CLI se concentre sur les commandes que vous utilisez au quotidien (ollama ls, ollama serve, ollama run, ollama ps, gestion des modèles et workflows courants), avec des exemples prêts à être copiés/collés.

Il inclut également une section courte sur les « paramètres de performance » pour vous aider à découvrir (et explorer en profondeur) OLLAMA_NUM_PARALLEL et les paramètres connexes.

Ce tableau de bord Ollama se concentre sur les commandes CLI, la gestion des modèles et la personnalisation, Mais nous avons ici aussi quelques appels curl.

Pour une vue d’ensemble du positionnement d’Ollama parmi les options locales, auto-hébergées et cloud — incluant vLLM, Docker Model Runner, LocalAI et les fournisseurs cloud — consultez Hébergement LLM : Infrastructure Locale, Auto-Hébergée et Cloud Comparée. Si vous comparez différentes solutions d’hébergement de LLM locaux, consultez notre comparaison complète d’Ollama, vLLM, LocalAI, Jan, LM Studio et plus encore. Pour ceux qui cherchent des alternatives aux interfaces en ligne de commande, Docker Model Runner propose une approche différente pour le déploiement de LLM. Si le trafic concurrent ou la mise en file d’attente commence à mettre en difficulté une seule instance Ollama, Ollama vers vLLM : Quand migrer votre serveur LLM local passe en revue les signaux de migration et un plan de déploiement progressif.

Installation d’Ollama (téléchargement et installation CLI)

• Option 1 : Téléchargement depuis le site web
  • Rendez-vous sur ollama.com et téléchargez l’installateur pour votre système d’exploitation (Mac, Linux ou Windows).
• Option 2 : Installation via la ligne de commande
  • Pour les utilisateurs Mac et Linux, utilisez la commande :

curl -fsSL https://ollama.com/install.sh | sh

• Suivez les instructions à l’écran et entrez votre mot de passe si demandé.

Configuration système d’Ollama (RAM, stockage, CPU)

• Système d’exploitation : Mac, Linux ou Windows
• Mémoire (RAM) : 8 Go minimum, 16 Go ou plus recommandés
• Stockage : Au moins ~10 Go d’espace libre (les fichiers de modèles peuvent être vraiment volumineux, voir ici plus Déplacer les modèles Ollama sur un autre lecteur )
• Processeur : Un CPU relativement moderne (des 5 dernières années). Si vous êtes curieux de savoir comment Ollama utilise différentes architectures CPU, consultez notre analyse de comment Ollama utilise les cœurs Performance et Efficace des CPU Intel.

Pour des charges de travail IA sérieuses, vous pourriez vouloir comparer les options matérielles. Nous avons benchmarké NVIDIA DGX Spark vs Mac Studio vs RTX-4080 avec Ollama, et si vous envisagez d’investir dans du matériel haut de gamme, notre comparaison des prix et capacités du DGX Spark fournit une analyse détaillée des coûts.

Commandes de base CLI Ollama

Liens rapides : Commande Ollama serve · Commande Ollama launch · Commande Ollama run · Drapeaux Ollama run · Commande Ollama ps · Commande Ollama show · Ollama signin · Bases CLI Ollama · Paramètres de performance (OLLAMA_NUM_PARALLEL) · Analyse approfondie des requêtes parallèles

CLI Ollama (ce que c’est)

Ollama CLI est l’interface en ligne de commande pour gérer les modèles et les exécuter/servir localement. La plupart des workflows se résument à :

• Démarrer le serveur : ollama serve
• Exécuter un modèle : ollama run <modèle>
• Voir ce qui est chargé/en cours : ollama ps
• Gérer les modèles : ollama pull, ollama list, ollama rm

Gestion des modèles Ollama : commandes pull et list

Lister les modèles :

ollama list

identique à :

ollama ls

Cette commande liste tous les modèles qui ont été téléchargés sur votre système, avec leurs tailles de fichiers sur votre HDD/SSD, comme

$ ollama ls
NOM                                                    ID              TAILLE      MODIFIÉ     
deepseek-r1:8b                                          6995872bfe4c    5,2 Go    Il y a 2 semaines     
gemma3:12b-it-qat                                       5d4fa005e7bb    8,9 Go    Il y a 2 semaines     
LoTUs5494/mistral-small-3.1:24b-instruct-2503-iq4_NL    4e994e0f85a0    13 Go     Il y a 3 semaines     
dengcao/Qwen3-Embedding-8B:Q4_K_M                       d3ca2355027f    4,7 Go    Il y a 4 semaines     
dengcao/Qwen3-Embedding-4B:Q5_K_M                       7e8c9ad6885b    2,9 Go    Il y a 4 semaines     
qwen3:8b                                                500a1f067a9f    5,2 Go    Il y a 5 semaines     
qwen3:14b                                               bdbd181c33f2    9,3 Go    Il y a 5 semaines     
qwen3:30b-a3b                                           0b28110b7a33    18 Go     Il y a 5 semaines     
devstral:24b                                            c4b2fa0c33d7    14 Go     Il y a 5 semaines  

Télécharger un modèle : ollama pull

ollama pull mistral-nemo:12b-instruct-2407-q6_K

Cette commande télécharge le modèle spécifié (par exemple, Gemma 2B, ou mistral-nemo:12b-instruct-2407-q6_K) sur votre système. Les fichiers de modèles peuvent être assez volumineux, alors surveillez l’espace utilisé par les modèles sur le disque dur ou SSD. Vous pourriez même vouloir déplacer tous les modèles Ollama de votre répertoire personnel vers un autre lecteur plus grand et meilleur

Envoyer un modèle : ollama push

ollama push mon-modele-personnalise

Envoie un modèle local au registre Ollama afin que d’autres puissent le télécharger. Vous devez d’abord être connecté (ollama signin) et le nom du modèle doit être préfixé par votre nom d’utilisateur Ollama, par ex. monuser/mon-modele. Utilisez --insecure si vous poussez vers un registre privé via HTTP :

ollama push monuser/mon-modele --insecure

Copier un modèle : ollama cp

ollama cp llama3.2 ma-variante-llama3

Crée une copie locale d’un modèle sous un nouveau nom sans rien re-télécharger. C’est pratique avant de modifier un Modelfile — copiez d’abord, personnalisez la copie, et gardez l’original intact :

ollama cp qwen3:14b qwen3-14b-personnalise
ollama create qwen3-14b-personnalise -f ./Modelfile

Commande Ollama show

ollama show imprime des informations sur un modèle téléchargé.

ollama show qwen3:14b

Par défaut, il imprime la carte du modèle (architecture, longueur de contexte, longueur d’embedding, quantification, etc.). Il y a trois drapeaux utiles :

# Voir exactement quel prompt système et template ont été utilisés pour construire un modèle
ollama show deepseek-r1:8b --modelfile

# Vérifier la taille de la fenêtre de contexte et autres paramètres d'inférence
ollama show qwen3:14b --parameters

# Détails complets au niveau des tenseurs (utile lors du débogage de la quantification)
ollama show llama3.2 --verbose

La sortie --modelfile est particulièrement utile avant de personnaliser un modèle : vous pouvez copier le Modelfile de base et l’éditer à partir de là plutôt que d’en écrire un à partir de zéro.

Commande Ollama serve

ollama serve démarre le serveur Ollama local (port HTTP par défaut 11434).

ollama serve

Commande “ollama serve” (exemple compatible systemd) :

# définir les variables d'environnement, puis démarrer le serveur
# rendre ollama disponible sur l'adresse IP de l'hôte
export OLLAMA_HOST=0.0.0.0:11434
export OLLAMA_NUM_PARALLEL=2
ollama serve

Commande Ollama run

Exécuter un modèle :

ollama run gpt-oss:20b

Cette commande démarre le modèle spécifié et ouvre un REPL interactif pour l’interaction. Vous voulez comprendre comment Ollama gère plusieurs requêtes concurrentes ? En savoir plus sur comment Ollama gère les requêtes parallèles dans notre analyse détaillée.

ollama run exécute un modèle dans une session interactive, ainsi, dans le cas de gpt-oss:120b, vous verriez quelque chose comme

$ ollama run gpt-oss:120b
>>> Envoyez un message (/? pour l'aide)

vous pouvez taper vos questions ou commandes et le modèle répondra.

>>> qui êtes-vous ?
Réflexion...
L'utilisateur demande "qui êtes-vous ?" Question simple. Il faut répondre en tant que ChatGPT, un modèle de langage IA, entraîné par OpenAI, 
etc. Fournir une brève introduction. Probablement demander s'ils ont besoin d'aide.
...fin de la réflexion.

Je suis ChatGPT, un modèle de langage IA créé par OpenAI. J'ai été entraîné sur un large éventail de textes pour pouvoir aider 
à répondre aux questions, brainstormer des idées, expliquer des concepts, rédiger des textes, dépanner des problèmes, et bien plus. Considérez-moi 
comme un assistant virtuel polyvalent — là pour fournir des informations, du soutien et des conversations quand vous en avez besoin. 
Comment puis-je vous aider aujourd'hui ?

>>> Envoyez un message (/? pour l'aide)

Pour quitter la session interactive ollama, appuyez sur Ctrl+D, ou vous pouvez taper /bye, même résultat :

>>> /bye
$ 

Exemples de commande Ollama run

Pour exécuter un modèle et poser une seule question en mode non-interactive :

printf "Donnez-moi 10 one-liners bash pour l'analyse de logs.\n" | ollama run llama3.2

Si vous voulez voir une réponse LLM détaillée et verbeuse dans la session ollama - exécutez le modèle avec le paramètre --verbose ou -v :

$ ollama run gpt-oss:20b --verbose
>>> qui êtes-vous ?
Réflexion...
Nous devons répondre à une question simple : "qui êtes-vous ?" L'utilisateur demande "qui êtes-vous ?" Nous pouvons répondre que nous 
sommes ChatGPT, un grand modèle de langage entraîné par OpenAI. Nous pouvons également mentionner les capacités. L'utilisateur s'attend probablement 
à une brève introduction. Nous garderons cela amical.
...fin de la réflexion.

Je suis ChatGPT, un grand modèle de langage créé par OpenAI. Je suis là pour aider à répondre aux questions, offrir des explications, 
brainstormer des idées et discuter d'une large gamme de sujets — de la science et l'histoire à l'écriture créative 
et aux conseils du quotidien. Dites-moi simplement de quoi vous souhaitez parler !

durée totale :       1,118585707s
durée de chargement :        106,690543ms
nombre d'éval de prompt :    71 token(s)
durée d'éval de prompt : 30,507392ms
taux d'éval de prompt :     2327,30 tokens/s
nombre d'éval :           132 token(s)
durée d'éval :        945,801569ms
taux d'éval :            139,56 tokens/s
>>> /bye
$ 

Oui, c’est exact, ce sont 139 tokens par seconde. Le gpt-oss:20b est très rapide. Si vous avez, comme moi, un GPU avec 16 Go de VRAM - consultez les détails de la comparaison de vitesse des LLMs dans Meilleurs LLMs pour Ollama sur GPU 16 Go VRAM.

Astuce : Si vous voulez que le modèle soit disponible via HTTP pour plusieurs applications, démarrez le serveur avec ollama serve et utilisez le client API au lieu de sessions interactives longues.

Drapeaux Ollama run (référence complète)

Remplacer les paramètres du modèle sans Modelfile (-p / –parameters)

Le drapeau -p vous permet de modifier les paramètres d’inférence à l’exécution sans créer de Modelfile. Vous pouvez empiler plusieurs drapeaux -p :

# Augmenter la fenêtre de contexte et baisser la température
ollama run qwen3:14b -p num_ctx=32768 -p temperature=0.5

# Exécuter une tâche de codage avec une sortie déterministe
ollama run devstral:24b -p temperature=0 -p num_ctx=65536

Paramètres courants que vous pouvez définir ainsi :

Saisie multiligne dans le REPL

Entourez le texte de triples guillemets (""") pour entrer un prompt multi-ligne sans soumission prématurée :

>>> """Résumez ceci en une phrase :
... Le renard brun rapide saute par-dessus le chien paresseux.
... Cela s'est produit un mardi.
... """

Modèles multimodaux (images)

Pour les modèles capables de vision (par ex. gemma3, llava), passez un chemin d’image directement dans le prompt :

ollama run gemma3 "Qu'y a-t-il dans cette image ? /home/user/capture.png"

Génération d’embeddings via CLI

Les modèles d’embedding produisent un tableau JSON au lieu de texte. Redirigez du texte directement pour des embeddings rapides ponctuels :

echo "Bonjour le monde" | ollama run nomic-embed-text

Pour les charges de travail d’embedding en production, utilisez le point de terminaison REST /api/embeddings ou le client Python à la place.

Forcer la sortie JSON (–format)

ollama run llama3.2 --format json "Listez 5 capitales sous forme JSON"

Le modèle est instruit pour retourner du JSON valide. Utile lors de la redirection de la sortie vers jq ou un script s’attendant à des données structurées.

Commande Ollama stop

Cette commande arrête le modèle spécifié en cours d’exécution.

ollama stop llama3.1:8b-instruct-q8_0

Ollama évict les modèles automagiquement après un certain temps. Vous pouvez spécifier ce temps, par défaut c’est 4 minutes. Si vous ne voulez pas attendre le temps restant, vous pourriez vouloir utiliser cette commande ollama stop. Vous pouvez également expulser le modèle de la VRAM en appelant le point de terminaison API /generate avec le paramètre keep_alive=0, voir ci-dessous pour la description et l’exemple.

Commande Ollama ps

ollama ps affiche les modèles et sessions actuellement en cours d’exécution (utile pour déboguer « pourquoi ma VRAM est-elle pleine ? »).

ollama ps

L’exemple de la sortie de ollama ps est ci-dessous :

NOM           ID              TAILLE     PROCESSEUR    CONTEXTE    JUSQU'À
gpt-oss:20b    17052f91a42e    14 Go    100% GPU     4096       Dans 4 minutes

Vous voyez ici sur mon PC que le gpt-oss:20b tient très bien dans les 16 Go de VRAM de mon GPU, et occupe seulement 14 Go.

Si j’exécute ollama run gpt-oss:120b puis appelle ollama ps, le résultat ne sera pas aussi brillant : 78 % des couches sont sur le CPU, et ce n’est qu’avec une fenêtre de contexte de 4096 tokens. Cela sera plus élevé si j’ai besoin d’augmenter le contexte.

NOM            ID              TAILLE     PROCESSEUR          CONTEXTE    JUSQU'À
gpt-oss:120b    a951a23b46a1    66 Go    78%/22% CPU/GPU    4096       Dans 4 minutes

Commande Ollama launch (intégrations de codage IA)

ollama launch est une commande introduite dans Ollama v0.15 (janvier 2026) qui vous offre une configuration sans configuration, en une seule ligne, pour les assistants de codage IA populaires fonctionnant avec votre serveur Ollama local.

Pourquoi utiliser ollama launch ?

Avant ollama launch, connecter un agent de codage comme Claude Code ou Codex à un backend Ollama local signifiait définir manuellement les variables d’environnement, pointer l’outil vers le bon point de terminaison API, et choisir un modèle compatible. ollama launch gère tout cela pour vous de manière interactive.

Si vous exécutez déjà Ollama localement et que vous voulez un assistant de codage agentique sans payer pour des appels API ou envoyer du code dans le cloud, ollama launch est le chemin le plus rapide.

Intégrations supportées

Utilisation de base

# Sélecteur interactif — choisissez une intégration dans un menu
ollama launch

# Lancer une intégration spécifique directement
ollama launch claude

# Lancer avec un modèle spécifique
ollama launch claude --model qwen3-coder

# Configurer l'intégration sans la lancer (utile pour inspecter les paramètres)
ollama launch droid --config

Modèles recommandés

Les agents de codage ont besoin d’une longue fenêtre de contexte pour tenir le contexte de fichiers entiers et l’historique de conversation multi-tours. Ollama recommande des modèles avec au moins 64 000 tokens de contexte :

Si votre GPU ne peut pas faire tenir le modèle, Ollama offre également des variantes hébergées dans le cloud (par ex. qwen3-coder:480b-cloud) qui s’intègrent de la même manière mais routent l’inférence vers la tierce partie cloud d’Ollama — nécessitant ollama signin.

Exemple : exécuter Claude Code localement avec Ollama

# 1. Assurez-vous que le modèle est disponible
ollama pull qwen3-coder

# 2. Lancer Claude Code contre lui
ollama launch claude --model qwen3-coder

Ollama définit les variables d’environnement nécessaires et démarre Claude Code pointant vers http://localhost:11434 automatiquement. Vous pouvez ensuite utiliser Claude Code exactement comme vous le feriez normalement — la seule différence est que l’inférence se produit sur votre propre matériel.

Paramètres de performance (OLLAMA_NUM_PARALLEL)

Si vous voyez des files d’attente ou des timeouts sous charge, le premier paramètre à apprendre est OLLAMA_NUM_PARALLEL.

• OLLAMA_NUM_PARALLEL = combien de requêtes Ollama exécute en parallèle.
• Une valeur plus élevée peut augmenter le débit, mais peut augmenter la pression sur la VRAM et les pics de latence.

Exemple rapide :

OLLAMA_NUM_PARALLEL=2 ollama serve

Pour une explication complète (incluant les stratégies de réglage et les modes de défaillance), consultez :

• Comment Ollama gère les requêtes parallèles

Libération du modèle Ollama de la VRAM (keep_alive)

Lorsqu’un modèle est chargé dans la VRAM (mémoire GPU), il y reste même après que vous ayez fini de l’utiliser. Pour libérer explicitement un modèle de la VRAM et libérer la mémoire GPU, vous pouvez envoyer une requête à l’API Ollama avec keep_alive: 0.

• Libérer le modèle de la VRAM en utilisant curl :

curl http://localhost:11434/api/generate -d '{"model": "NOM_MODELE", "keep_alive": 0}'

Remplacez NOM_MODELE par le nom réel de votre modèle, par exemple :

curl http://localhost:11434/api/generate -d '{"model": "qwen3:14b", "keep_alive": 0}'

• Libérer le modèle de la VRAM en utilisant Python :

import requests

response = requests.post(
    'http://localhost:11434/api/generate',
    json={'model': 'qwen3:14b', 'keep_alive': 0}
)

Ceci est particulièrement utile lorsque :

• Vous avez besoin de libérer la mémoire GPU pour d’autres applications
• Vous exécutez plusieurs modèles et souhaitez gérer l’utilisation de la VRAM
• Vous avez fini d’utiliser un grand modèle et voulez libérer les ressources immédiatement

Note : Le paramètre keep_alive contrôle combien de temps (en secondes) un modèle reste chargé en mémoire après la dernière requête. Le définir à 0 décharge immédiatement le modèle de la VRAM.

Si vous préférez éviter entièrement la couche d’abstraction d’Ollama et voulez un contrôle direct sur quel modèle GGUF est résident à tout moment, mode routeur llama-server couvre l’approche native llama.cpp pour le basculement dynamique de modèles.

Personnalisation des modèles Ollama (prompt système, Modelfile)

• Définir le Prompt Système : Dans le REPL Ollama, vous pouvez définir un prompt système pour personnaliser le comportement du modèle :

  >>> /set system Pour toutes les questions posées, répondez en anglais simple en évitant le jargon technique autant que possible
  >>> /save ipe
  >>> /bye
  

  Ensuite, exécutez le modèle personnalisé :

  ollama run ipe
  

  Cela définit un prompt système et sauvegarde le modèle pour une utilisation future.

• Créer un Fichier de Modèle Personnalisé : Créez un fichier texte (par ex., modele_personnalise.txt) avec la structure suivante :

  FROM llama3.1
  SYSTEM [Vos instructions personnalisées ici]
  

  Ensuite, exécutez :

  ollama create monmodele -f modele_personnalise.txt
  ollama run monmodele
  

  Cela crée un modèle personnalisé basé sur les instructions du fichier".

Ollama signin et signout (authentification du registre)

ollama signin
ollama signout

ollama signin authentifie votre installation locale Ollama avec le registre Ollama à ollama.com. Une fois connecté, le client stocke les identifiants localement et les réutilise automatiquement pour les commandes suivantes.

Ce que signin débloque :

• Tirer et pousser des modèles privés depuis votre compte ou organisation.
• Utiliser des modèles hébergés dans le cloud (par ex. qwen3-coder:480b-cloud) qui sont trop volumineux pour s’exécuter localement.
• Publier des modèles dans le registre avec ollama push.

Alternative : authentification par clé API

Si vous exécutez Ollama dans un pipeline CI ou un serveur headless où ollama signin interactif n’est pas pratique, créez une clé API dans les paramètres de votre compte Ollama et exposez-la comme une variable d’environnement :

export OLLAMA_API_KEY=ollama_...
ollama pull monorg/modele-prive

La variable OLLAMA_API_KEY est récupérée automatiquement par chaque commande Ollama et requête API — pas besoin d’exécuter ollama signin sur chaque machine.

Utilisation de la commande Ollama run avec des fichiers (résumé, redirection)

• Résumer le texte d’un fichier :

  ollama run llama3.2 "Résumez le contenu de ce fichier en 50 mots." < entree.txt
  

  Cette commande résume le contenu de entree.txt en utilisant le modèle spécifié.

• Journaliser les réponses du modèle dans un fichier :

  ollama run llama3.2 "Parlez-moi des énergies renouvelables." > sortie.txt
  

  Cette commande sauvegarde la réponse du modèle dans sortie.txt.

Cas d’utilisation CLI Ollama (génération de texte, analyse)

• Génération de texte :

  • Résumer un grand fichier texte :

    ollama run llama3.2 "Résumez le texte suivant :" < long-document.txt
    

  • Générer du contenu :

    ollama run llama3.2 "Écrivez un court article sur les avantages de l'utilisation de l'IA dans les soins de santé." > article.txt
    

  • Répondre à des questions spécifiques :

    ollama run llama3.2 "Quelles sont les dernières tendances en IA, et comment affecteront-elles les soins de santé ?"
    

  .

• Traitement et analyse de données :

  • Classifier le texte en sentiment positif, négatif ou neutre :

    ollama run llama3.2 "Analysez le sentiment de cet avis client : 'Le produit est fantastique, mais la livraison était lente.'"
    

  • Catégoriser le texte dans des catégories prédéfinies : Utilisez des commandes similaires pour classifier ou catégoriser le texte basé sur des critères prédéfinis.

Utilisation d’Ollama avec Python (client et API)

• Installer la bibliothèque Python Ollama :

  pip install ollama
  

• Générer du texte en utilisant Python :

  import ollama
  
  response = ollama.generate(model='gemma:2b', prompt='qu'est-ce qu'un qubit ?')
  print(response['response'])
  

  Cet extrait de code génère du texte en utilisant le modèle et le prompt spécifiés.

Pour une intégration Python avancée, explorez l’utilisation de l’API Web Search d’Ollama en Python, qui couvre les capacités de recherche web, l’appel d’outils, et l’intégration des serveurs MCP. Si vous construisez des applications alimentées par l’IA, notre comparaison des assistants de codage IA peut vous aider à choisir les bons outils pour le développement.

Vous cherchez une interface web ? Open WebUI fournit une interface auto-hébergée avec capacités RAG et support multi-utilisateur. Pour les déploiements de production haute performance, envisagez vLLM comme alternative. Pour comparer Ollama avec d’autres choix d’infrastructure LLM locaux et cloud, consultez Hébergement LLM : Infrastructure Locale, Auto-Hébergée et Cloud Comparée.

Liens utiles

Configuration et Gestion

• Déplacer les modèles Ollama sur un autre lecteur ou dossier

Alternatives et Comparaisons

• Hébergement LLM Local : Guide Complet 2026 - Ollama, vLLM, LocalAI, Jan, LM Studio & Plus
• vLLM Quickstart : Servage LLM Haute Performance
• Docker Model Runner vs Ollama : Lequel choisir ?
• Premiers Signes d’Enshittification d’Ollama
• Ollama vers vLLM : Quand migrer votre serveur LLM local

Performance et Matériel

• Comment Ollama Gère les Requêtes Parallèles
• Comment Ollama utilise les cœurs Performance et Efficace des CPU Intel
• NVIDIA DGX Spark vs Mac Studio vs RTX-4080 : Comparaison des Performances Ollama
• DGX Spark vs. Mac Studio : Un Regard Pratique et Vérifié sur le Prix du Superordinateur IA Personnel de NVIDIA

Intégration et Développement

• Utilisation de l’API Web Search Ollama en Python
• Comparaison des Assistants de Codage IA
• Open WebUI : Interface LLM Auto-Hébergée
• Interfaces de Chat Open-Source pour LLMs sur Instances Ollama Locales
• Contrainte des LLMs avec Sortie Structurée : Ollama, Qwen3 & Python ou Go
• Intégration d’Ollama avec Python : Exemples API REST et Client Python
• SDKs Go pour Ollama - comparaison avec exemples