diff --git a/README_ja.md b/README_ja.md
new file mode 100644
index 00000000..b98701e3
--- /dev/null
+++ b/README_ja.md
@@ -0,0 +1,335 @@
+
+
+
+
Ollamaサーバーの設定方法は？
+
+
+Ollamaサーバーは、環境変数を使用して設定できます。
+
+### Macでの環境変数の設定
+
+OllamaがmacOSアプリケーションとして実行される場合、環境変数は`launchctl`を使用して設定する必要があります：
+
+1. 各環境変数に対して、`launchctl setenv`を呼び出します。
+
+ ```bash
+ launchctl setenv OLLAMA_HOST "0.0.0.0"
+ ```
+
+2. Ollamaアプリケーションを再起動します。
+
+### Linuxでの環境変数の設定
+
+Ollamaがsystemdサービスとして実行される場合、環境変数は`systemctl`を使用して設定する必要があります：
+
+1. `systemctl edit ollama.service`を呼び出して、systemdサービスを編集します。これによりエディタが開きます。
+
+2. 各環境変数に対して、`[Service]`セクションの下に`Environment`という行を追加します：
+
+ ```ini
+ [Service]
+ Environment="OLLAMA_HOST=0.0.0.0"
+ ```
+
+3. 保存して終了します。
+
+4. `systemd`をリロードし、Ollamaを再起動します：
+
+ ```bash
+ systemctl daemon-reload
+ systemctl restart ollama
+ ```
+
+## Ollamaをネットワークで公開する方法は？
+
+Ollamaはデフォルトで127.0.0.1ポート11434にバインドされます。バインドアドレスを変更するには、`OLLAMA_HOST`環境変数を使用してください。
+
+環境変数の設定方法については、[上記](#how-do-i-configure-ollama-server)のセクションを参照してください。
+
+## 追加のウェブ起源がOllamaにアクセスできるようにする方法は？
+
+Ollamaはデフォルトで`127.0.0.1`および`0.0.0.0`からのクロスオリジンリクエストを許可します。追加の起源は`OLLAMA_ORIGINS`で構成できます。
+
+環境変数の設定方法については、[上記](#how-do-i-configure-ollama-server)のセクションを参照してください。
+
+## 追加のウェブ起源がOllamaにアクセスできるようにする方法は？
+
+Ollamaはデフォルトで`127.0.0.1`および`0.0.0.0`からのクロスオリジンリクエストを許可します。追加の起源は`OLLAMA_ORIGINS`で構成できます。
+
+環境変数の設定方法については、[上記](#how-do-i-configure-ollama-server)のセクションを参照してください。
+
+## モデルはどこに保存されていますか？
+
+- macOS: `~/.ollama/models`。
+- Linux: `/usr/share/ollama/.ollama/models`。
+
+### それらを異なる場所に設定するにはどうすればよいですか？
+
+別のディレクトリを使用する必要がある場合は、環境変数 `OLLAMA_MODELS` を選択したディレクトリに設定してください。
+
+環境変数の設定方法については、[上記](#how-do-i-configure-ollama-server)のセクションを参照してください。
+
+## Ollamaはプロンプトや回答をOllama.aiに送信して何らかの方法で使用しますか？
+
+いいえ、Ollamaは完全にローカルで実行され、会話データは決してあなたのマシンを離れません。
+
+## Visual Studio CodeでOllamaを使用する方法は？
+
+既にVSCodeや他のエディタでOllamaを活用するための多くのプラグインが利用可能です。メインリポジトリの末尾にある[拡張機能とプラグイン](https://github.com/jmorganca/ollama#extensions--plugins)のリストをご覧ください。
+
+## プロキシを使用する方法は？
+
+`HTTP_PROXY`または`HTTPS_PROXY`が構成されている場合、Ollamaはプロキシサーバーと互換性があります。これらの変数を使用する場合は、`ollama serve`が値にアクセスできるように設定されていることを確認してください。`HTTPS_PROXY`を使用する場合は、プロキシ証明書がシステム証明書としてインストールされていることを確認してください。環境変数の設定方法については、上記のセクションを参照してください。
+
+### Docker内でプロキシを使用する方法は？
+
+Ollama Dockerコンテナイメージは、コンテナを起動する際に `-e HTTPS_PROXY=https://proxy.example.com` を渡すことでプロキシを使用するように構成できます。
+
+代替として、Dockerデーモン自体をプロキシを使用するように構成することもできます。Docker Desktopの[macOS](https://docs.docker.com/desktop/settings/mac/#proxies)、[Windows](https://docs.docker.com/desktop/settings/windows/#proxies)、[Linux](https://docs.docker.com/desktop/settings/linux/#proxies)に関する手順が利用可能であり、またDocker [daemon with systemd](https://docs.docker.com/config/daemon/systemd/#httphttps-proxy)についても指示があります。
+
+HTTPSを使用する場合は、証明書がシステム証明書としてインストールされていることを確認してください。これには、自己署名証明書を使用する場合には新しいDockerイメージが必要となるかもしれません。
+
+```dockerfile
+FROM ollama/ollama
+COPY my-ca.pem /usr/local/share/ca-certificates/my-ca.crt
+RUN update-ca-certificates
+```
+
+このイメージをビルドして実行します：
+
+```shell
+docker build -t ollama-with-ca .
+docker run -d -e HTTPS_PROXY=https://my.proxy.example.com -p 11434:11434 ollama-with-ca
+```
+
+## Docker内でGPUアクセラレーションを使用する方法は？
+
+Ollama Dockerコンテナは、LinuxまたはWindows（WSL2を使用する場合）でGPUアクセラレーションを構成することができます。これには[nvidia-container-toolkit](https://github.com/NVIDIA/nvidia-container-toolkit)が必要です。詳細については、[ollama/ollama](https://hub.docker.com/r/ollama/ollama)を参照してください。
+
+GPUアクセラレーションは、macOSのDocker DesktopではGPUのパススルーやエミュレーションの不足のため利用できません。
+
+## Windows 10のWSL2でネットワーキングが遅いのはなぜですか？
+
+これはOllamaのインストールやモデルのダウンロードに影響する可能性があります。
+
+`Control Panel > Networking and Internet > View network status and tasks` を開き、左パネルで `Change adapter settings` をクリックします。`vEthernel (WSL)` アダプターを見つけ、右クリックして `Properties` を選択します。
+`Configure` をクリックし、`Advanced` タブを開きます。各プロパティを検索し、`Large Send Offload Version 2 (IPv4)` および `Large Send Offload Version 2 (IPv6)` を見つけるまで調べてください。これらのプロパティは *無効* にしてください。
diff --git a/docs_ja/import.md b/docs_ja/import.md
new file mode 100644
index 00000000..590e720f
--- /dev/null
+++ b/docs_ja/import.md
@@ -0,0 +1,194 @@
+# Import a model
+
+このガイドでは、GGUF、PyTorch、またはSafetensorsモデルのインポート手順について説明します。
+
+## インポート（GGUF）
+
+### ステップ1：`Modelfile`を作成します
+
+`Modelfile`を作成して始めましょう。このファイルは、モデルの設計図であり、重み、パラメータ、プロンプトテンプレートなどが指定されています。
+
+```
+FROM ./mistral-7b-v0.1.Q4_0.gguf
+```
+
+（オプション）多くのチャットモデルは、正しく回答するためにプロンプトテンプレートが必要です。`Modelfile`内の`TEMPLATE`指示でデフォルトのプロンプトテンプレートを指定できます:
+
+```
+FROM ./q4_0.bin
+TEMPLATE "[INST] {{ .Prompt }} [/INST]"
+```
+
+### ステップ2：Ollamaモデルを作成します。
+
+最後に、あなたの `Modelfile` からモデルを作成してください:
+
+```
+ollama create example -f Modelfile
+```
+
+### ステップ3：モデルを実行します。
+
+次に、`ollama run`でモデルをテストします。
+
+```
+ollama run example "あなたのお気に入りの調味料は何ですか？"
+```
+
+## インポート（PyTorch＆Safetensors）
+
+### サポートされているモデル
+
+Ollamaは一連のモデルアーキテクチャをサポートしており、今後もサポートが拡充される予定です:
+
+- Llama & Mistral
+- Falcon & RW
+- BigCode
+
+モデルのアーキテクチャを確認するには、HuggingFaceリポジトリ内の`config.json`ファイルをチェックしてください。`architectures`のエントリーの下に（例：`LlamaForCausalLM`）が表示されるはずです。
+
+### Step 1: HuggingFaceリポジトリをクローンする（オプション）
+
+もしモデルが現在HuggingFaceリポジトリにホストされている場合、まずそのリポジトリをクローンして生のモデルをダウンロードしてください。
+
+```
+git lfs install
+git clone https://huggingface.co/mistralai/Mistral-7B-Instruct-v0.1
+cd Mistral-7B-Instruct-v0.1
+```
+
+### Step 2: `.bin` ファイルに変換および量子化（オプション、PyTorchおよびSafetensors用）
+
+もしモデルがPyTorchやSafetensors形式の場合、[Dockerイメージ](https://hub.docker.com/r/ollama/quantize)が利用可能で、モデルを変換および量子化するための必要なツールが含まれています。
+
+まず、[Docker](https://www.docker.com/get-started/)をインストールしてください。
+
+次に、モデルを変換および量子化するために、以下を実行してください:
+
+```
+docker run --rm -v .:/model ollama/quantize -q q4_0 /model
+```
+これにより、ディレクトリに2つのファイルが出力されます：
+
+- `f16.bin`: GGUFに変換されたモデル
+- `q4_0.bin`: 4ビットの量子化に変換されたモデル（Ollamaはこのファイルを使用してOllamaモデルを作成します）
+
+### Step 3: `Modelfile`の作成
+
+次に、あなたのモデルに対する`Modelfile`を作成してください:
+
+```
+FROM ./q4_0.bin
+```
+
+（オプション）多くのチャットモデルは、正しく回答するためにはプロンプトのテンプレートが必要です。`Modelfile`内の`TEMPLATE`指示でデフォルトのプロンプトテンプレートを指定できます:
+
+```
+FROM ./q4_0.bin
+TEMPLATE "[INST] {{ .Prompt }} [/INST]"
+```
+
+### Step 4: Ollamaモデルを作成します
+
+最後に、`Modelfile` からモデルを作成します:
+
+```
+ollama create example -f Modelfile
+```
+
+### Step 5: モデルを実行する
+
+次に、`ollama run` コマンドを使ってモデルをテストします:
+
+```
+ollama run example "What is your favourite condiment?"
+```
+
+## モデルの公開 (オプション – アーリーアルファ段階)
+
+モデルの公開はアーリーアルファ段階にあります。他の人と共有するためにモデルを公開したい場合は、以下の手順に従ってください：
+
+1. [アカウント](https://ollama.ai/signup)を作成してください。
+2. `cat ~/.ollama/id_ed25519.pub` を実行して、Ollamaの公開鍵を表示します。これをクリップボードにコピーします。
+3. あなたの公開鍵を[Ollamaのアカウント](https://ollama.ai/settings/keys)に追加します。
+
+次に、モデルをあなたのユーザー名の名前空間にコピーしてください:
+
+```
+ollama cp example /example
+```
+
+その後、モデルをプッシュしてください:
+
+```
+ollama push /example
+```
+
+公開後、あなたのモデルは `https://ollama.ai/<あなたのユーザー名>/example` で利用可能になります。
+
+## 量子化リファレンス
+
+量子化オプションは以下の通りです（最高から最も低い量子化レベルまで）。注意：Falconなど一部のアーキテクチャはK quantsをサポートしていません。
+
+- `q2_K`
+- `q3_K`
+- `q3_K_S`
+- `q3_K_M`
+- `q3_K_L`
+- `q4_0` (推奨)
+- `q4_1`
+- `q4_K`
+- `q4_K_S`
+- `q4_K_M`
+- `q5_0`
+- `q5_1`
+- `q5_K`
+- `q5_K_S`
+- `q5_K_M`
+- `q6_K`
+- `q8_0`
+- `f16`
+
+## モデルの手動変換と量子化
+
+### 事前に必要
+
+まず、`llama.cpp` レポジトリを別のディレクトリにマシンにクローンしてください：
+
+```
+git clone https://github.com/ggerganov/llama.cpp.git
+cd llama.cpp
+```
+
+次に、Pythonの依存関係をインストールしてください:
+
+```
+pip install -r requirements.txt
+```
+
+最後に、`quantize` ツールをビルドしてください:
+
+```
+make quantize
+```
+
+### モデルを変換する
+
+あなたのモデルのアーキテクチャに対応した変換スクリプトを実行してください:
+
+```shell
+# LlamaForCausalLM または MistralForCausalLM
+python convert.py
+
+# FalconForCausalLM
+python convert-falcon-hf-to-gguf.py
+
+# GPTBigCodeForCausalLM
+python convert-starcoder-hf-to-gguf.py
+```
+
+### モデルを量子化する
+
+```
+quantize /ggml-model-f32.bin /q4_0.bin q4_0
+```
diff --git a/docs_ja/linux.md b/docs_ja/linux.md
new file mode 100644
index 00000000..796328c0
--- /dev/null
+++ b/docs_ja/linux.md
@@ -0,0 +1,117 @@
+# Linux上のOllama
+
+## インストール
+
+Ollamaをインストールするには、次のワンライナーを実行してください:
+>
+```bash
+curl https://ollama.ai/install.sh | sh
+```
+
+## 手動インストール
+
+### `ollama` バイナリをダウンロードしてください
+
+Ollamaは自己完結型のバイナリとして配布されています。以下の手順で、ダウンロードしてPATHに含まれるディレクトリに保存してください。
+
+```bash
+sudo curl -L https://ollama.ai/download/ollama-linux-amd64 -o /usr/bin/ollama
+sudo chmod +x /usr/bin/ollama
+```
+
+### Ollamaを起動時サービスに追加する（推奨）
+
+Ollama用のユーザーを作成してください:
+
+```bash
+sudo useradd -r -s /bin/false -m -d /usr/share/ollama ollama
+```
+`/etc/systemd/system/ollama.service`にサービスファイルを作成してください:
+
+```ini
+[Unit]
+Description=Ollama Service
+After=network-online.target
+
+[Service]
+ExecStart=/usr/bin/ollama serve
+User=ollama
+Group=ollama
+Restart=always
+RestartSec=3
+
+[Install]
+WantedBy=default.target
+```
+
+次に、サービスを起動してください:
+
+```bash
+sudo systemctl daemon-reload
+sudo systemctl enable ollama
+```
+
+### CUDAドライバのインストール（オプション - Nvidia GPU用）
+
+[CUDAをダウンロードしてインストール](https://developer.nvidia.com/cuda-downloads)してください。
+
+ドライバーがインストールされているか確認するために、以下のコマンドを実行してください。これにより、GPUに関する詳細が表示されるはずです:
+
+```bash
+nvidia-smi
+```
+
+### Ollamaを開始
+
+`systemd`を使用してOllamaを起動します。
+
+```bash
+sudo systemctl start ollama
+```
+
+## アップデート
+
+再びインストールスクリプトを実行して、Ollamaをアップデートします:
+
+```bash
+curl https://ollama.ai/install.sh | sh
+```
+
+または、Ollamaのバイナリをダウンロードすることもできます:
+
+```bash
+sudo curl -L https://ollama.ai/download/ollama-linux-amd64 -o /usr/bin/ollama
+sudo chmod +x /usr/bin/ollama
+```
+
+## ログの表示
+
+Ollamaが起動サービスとして実行されている際のログを表示するには、次のコマンドを実行してください:
+
+```bash
+journalctl -u ollama
+```
+
+## アンインストール
+
+Ollamaサービスを削除するには:
+
+```bash
+sudo systemctl stop ollama
+sudo systemctl disable ollama
+sudo rm /etc/systemd/system/ollama.service
+```
+
+Ollama バイナリを bin ディレクトリから削除してください（`/usr/local/bin`、`/usr/bin`、または `/bin` のいずれか）:
+
+```bash
+sudo rm $(which ollama)
+```
+
+ダウンロードしたモデルとOllamaサービスのユーザーおよびグループを削除してください：
+
+```bash
+sudo rm -r /usr/share/ollama
+sudo userdel ollama
+sudo groupdel ollama
+```
diff --git a/docs_ja/modelfile.md b/docs_ja/modelfile.md
new file mode 100644
index 00000000..2f57948b
--- /dev/null
+++ b/docs_ja/modelfile.md
@@ -0,0 +1,229 @@
+# Ollama Model File
+
+> 注意: `Modelfile` の構文は開発中です
+
+モデルファイルは、Ollamaでモデルを作成し共有するための設計図です。
+
+## 目次
+
+- [フォーマット](#フォーマット)
+- [例](#例)
+- [手順](#手順)
+ - [FROM (必須)](#from-必須)
+ - [llama2 からビルド](#llama2-からビルド)
+ - [バイナリ ファイルからビルド](#バイナリ-ファイルからビルド)
+ - [パラメータ](#パラメータ)
+ - [有効なパラメータと値](#有効なパラメータと値)
+ - [テンプレート](#テンプレート)
+ - [テンプレート変数](#テンプレート変数)
+ - [システム](#システム)
+ - [アダプタ](#アダプタ)
+ - [ライセンス](#ライセンス)
+ - [メッセージ](#メッセージ)
+- [ノート](#ノート)
+
+## フォーマット
+
+`Modelfile`のフォーマット:
+
+```modelfile
+# comment
+指示 引数
+```
+
+| 指示 | 説明 |
+| ----------------------------------- | -------------------------------------------------------------- |
+| [`FROM`](#from-必須) (required) | ベースとするモデルを定義します。 |
+| [`PARAMETER`](#パラメータ) | Ollamaがモデルを実行する方法のパラメータを設定します。 |
+| [`TEMPLATE`](#テンプレート) | モデルに送信される完全なプロンプトテンプレート。 |
+| [`SYSTEM`](#システム) | テンプレートに設定されるシステムメッセージを指定します。 |
+| [`ADAPTER`](#アダプタ) | モデルに適用する(Q)LoRAアダプタを定義します。 |
+| [`LICENSE`](#ライセンス) | 法的なライセンスを指定します。 |
+| [`MESSAGE`](#メッセージ) | メッセージの履歴を指定します。 |
+
+## 例
+
+### Basic `Modelfile`
+
+`Modelfile` でマリオのブループリントを作成する例:
+
+```modelfile
+FROM llama2
+# 温度を1に設定します [高いほど創造的、低いほど一貫性があります]
+PARAMETER temperature 1
+# コンテキストウィンドウサイズを4096に設定します。これは、LLMが次のトークンを生成するためのコンテキストとして使用できるトークンの数を制御します。
+PARAMETER num_ctx 4096
+
+# チャットアシスタントの挙動を指定するためのカスタムシステムメッセージを設定します。
+SYSTEM You are Mario from super mario bros, acting as an assistant.
+```
+
+To use this:
+
+1. それをファイル（例: `Modelfile`）として保存してください。
+2. `ollama create choose-a-model-name -f <ファイルの場所、例: ./Modelfile>'`
+3. `ollama run choose-a-model-name`
+4. モデルの使用を開始してください！
+
+より多くの例は [examplesディレクトリ](../examples) にあります。
+
+### `Modelfile`s in [ollama.ai/library][1]
+
+[ollama.ai/library][1] で提供されているモデルのベースとなっている `Modelfile` を見る方法は2つあります。
+
+- オプション1：モデルのタグページから詳細ページを表示：
+ 1. 特定のモデルのタグページに移動します（例：https://ollama.ai/library/llama2/tags）
+ 2. タグをクリックします（例：https://ollama.ai/library/llama2:13b）
+ 3. "Layers" までスクロールします
+ - 注意：[`FROM` 指示](#from-必須)が存在しない場合、
+ それはモデルがローカルファイルから作成されたことを意味します。
+- オプション2：`ollama show`を使用して、次のようにローカルモデルの`Modelfile`を表示します：
+
+ ```bash
+ > ollama show --modelfile llama2:13b
+ # "ollama show" によって生成された Modelfile
+ # 新しい Modelfile をこのものを基に作成するには、FROM行を次のように置き換えます：
+ # FROM llama2:13b
+
+ FROM /root/.ollama/models/blobs/sha256:123abc
+ TEMPLATE """[INST] {{ if and .First .System }}<>{{ .System }}<>
+
+ {{ end }}{{ .Prompt }} [/INST] """
+ SYSTEM """"""
+ PARAMETER stop [INST]
+ PARAMETER stop [/INST]
+ PARAMETER stop <>
+ PARAMETER stop <>
+ ```
+
+## 手順
+
+### FROM (必須)
+
+`FROM` 指示は、モデルを作成する際に使用する基本モデルを定義します。
+
+```modelfile
+FROM :
+```
+
+#### llama2 からビルド
+
+```modelfile
+FROM llama2
+```
+
+利用可能なベースモデルの一覧:
+
+
+#### `バイナリ` ファイルからビルド
+
+```modelfile
+FROM ./ollama-model.bin
+```
+
+この bin ファイルの場所は、絶対パスまたは `Modelfile` の場所からの相対パスとして指定する必要があります。
+
+### パラメータ
+
+`PARAMETER` 命令は、モデルの実行時に設定できるパラメータを定義します。
+
+```modelfile
+PARAMETER
+```
+
+### 有効なパラメータと値
+
+| パラメータ | 説明 | 値のタイプ | 使用例 |
+| -------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------- | -------------------- |
+| mirostat | Perplexity を制御するために Mirostat サンプリングを有効にします。（デフォルト：0、0 = 無効、1 = Mirostat、2 = Mirostat 2.0） | int | mirostat 0 |
+| mirostat_eta | アルゴリズムが生成されたテキストのフィードバックにどれくらい速く反応するかに影響を与えます。学習率が低いと調整が遅くなり、高い学習率はアルゴリズムをより敏感にします。（デフォルト：0.1） | float | mirostat_eta 0.1 |
+| mirostat_tau | 出力の一貫性と多様性のバランスを制御します。低い値では、より焦点を当て、一貫したテキストが生成されます。（デフォルト：5.0） | float | mirostat_tau 5.0 |
+| num_ctx | 次のトークンを生成するために使用されるコンテキストウィンドウのサイズを設定します。（デフォルト：2048） | int | num_ctx 4096 |
+| num_gqa | トランスフォーマーレイヤー内のGQA（Grouped Quantized Attention）グループの数。一部のモデルでは必須です。例えば、llama2:70bの場合、これは8です。 | int | num_gqa 1 |
+| num_gpu | GPUに送信するレイヤーの数。macOSでは、Metalサポートを有効にするためにデフォルトで1に設定され、無効にする場合は0になります。 | int | num_gpu 50 |
+| num_thread | 計算中に使用するスレッドの数を設定します。デフォルトでは、Ollamaはこれを最適なパフォーマンスのために検出します。お使いのシステムが持つ物理的なCPUコアの数にこの値を設定することが推奨されています（論理的なコアの数ではなく）。 | int | num_thread 8 |
+| repeat_last_n | モデルが繰り返しを防ぐために遡る範囲を設定します。 (デフォルト: 64、0 = 無効、-1 = num_ctx) | int | repeat_last_n 64 |
+| repeat_penalty | 繰り返しをどれだけ厳しく罰するかを設定します。より高い値（例: 1.5）は、繰り返しをより強く罰しますが、より低い値（例: 0.9）は寛大になります。 (デフォルト: 1.1) | float | repeat_penalty 1.1 |
+| temperature | モデルの温度。温度を上げると、モデルの回答がより創造的になります。 (デフォルト: 0.8) | float | temperature 0.7 |
+| seed | 生成に使用する乱数シードを設定します。これを特定の数値に設定すると、同じプロンプトに対してモデルが同じテキストを生成します。 (デフォルト: 0) | int | seed 42 |
+| stop | 停止シーケンスを設定します。このパターンが検出されると、LLMはテキスト生成を停止して返します。複数の停止パターンを設定するには、モデルファイルで複数の別々の `stop` パラメータを指定します。 | string | stop "AI assistant:" |
+| tfs_z | テイルフリーサンプリング (Tail free sampling) は、出力の確率が低いトークンの影響を軽減するために使用されます。より高い値（例：2.0）は、影響をより軽減しますが、1.0の値はこの設定を無効にします。 （デフォルト：1） | float | tfs_z 1 |
+| num_predict | テキスト生成時に予測するトークンの最大数。 （デフォルト：128、-1 = 無限生成、-2 = コンテキストを埋める） | int | num_predict 42 |
+| top_k | ナンセンスを生成する確率を低減させます。 より高い値（例：100）はより多様な回答を提供し、より低い値（例：10）はより保守的になります。 （デフォルト：40） | int | top_k 40 |
+| top_p | top-kと連動します。より高い値（例：0.95）はより多様なテキストを生成し、より低い値（例：0.5）はより焦点を絞り込み、保守的なテキストを生成します。 （デフォルト：0.9） | float | top_p 0.9 |
+
+### テンプレート
+
+モデルに渡すフルプロンプトの`TEMPLATE`。システムメッセージとユーザーのプロンプトを（オプションで）含むことができます。これはフルカスタムプロンプトを作成するために使用され、構文はモデルに固有の場合があります。通常、特定のモデルのテンプレートは、そのモデルのreadmeで見つけることができます。
+
+
+#### テンプレート変数
+
+| 変数 | 説明 |
+| ----------------- | ------------------------------------------------------------------------------------------------------------- |
+| `{{ .System }}` | カスタム動作を指定するために使用されるシステムメッセージ。 |
+| `{{ .Prompt }}` | 着信プロンプト。これはモデルファイルには指定されず、入力に基づいて設定されます。 |
+| `{{ .Response }}` | LLMからの応答。指定されていない場合、応答はテンプレートの末尾に追加されます。 |
+| `{{ .First }}` | セッションの最初の生成に特定のテンプレート情報をレンダリングするために使用されるブール値。 |
+
+```modelfile
+TEMPLATE """
+{{- if .First }}
+### System:
+{{ .System }}
+{{- end }}
+
+### User:
+{{ .Prompt }}
+
+### Response:
+"""
+
+SYSTEM """"""
+```
+
+### システム
+
+`SYSTEM`命令は、テンプレートで使用されるシステムメッセージを指定します。必要に応じて。
+
+```modelfile
+SYSTEM """"""
+```
+
+### アダプタ
+
+`ADAPTER`命令は、ベースモデルに適用するLoRAアダプタを指定します。この命令の値は、Modelfileからの相対パスまたは絶対パスである必要があり、ファイルはGGMLファイル形式である必要があります。アダプタはベースモデルから調整されている必要があります。それ以外の場合、動作は未定義です。
+
+```modelfile
+ADAPTER ./ollama-lora.bin
+```
+
+### ライセンス
+
+`LICENSE`命令は、このModelfileで使用されるモデルが共有または配布される際の法的なライセンスを指定するためのものです。
+
+```modelfile
+LICENSE """
+
+"""
+```
+
+### メッセージ
+
+`MESSAGE`命令は、モデルが応答する際に使用するメッセージの履歴を指定するためのものです:
+
+```modelfile
+MESSAGE user Is Toronto in Canada?
+MESSAGE assistant yes
+MESSAGE user Is Sacramento in Canada?
+MESSAGE assistant no
+MESSAGE user Is Ontario in Canada?
+MESSAGE assistant yes
+```
+
+## ノート
+
+- the **`Modelfile` is not case sensitive**. In the examples, uppercase instructions are used to make it easier to distinguish it from arguments.
+- Instructions can be in any order. In the examples, the `FROM` instruction is first to keep it easily readable.
+
+[1]: https://ollama.ai/library
diff --git a/docs_ja/troubleshooting.md b/docs_ja/troubleshooting.md
new file mode 100644
index 00000000..497a318c
--- /dev/null
+++ b/docs_ja/troubleshooting.md
@@ -0,0 +1,54 @@
+# 問題のトラブルシューティング方法
+
+時々、Ollamaが期待通りに機能しないことがあります。何が起こったかを理解する最良の方法の一つは、ログを確認することです。Mac上でログを見るには、次のコマンドを実行してください:
+
+```shell
+cat ~/.ollama/logs/server.log
+```
+
+`systemd`を使用しているLinuxシステムでは、次のコマンドでログを見つけることができます:
+
+
+```shell
+journalctl -u ollama
+```
+
+Ollamaをコンテナで実行する場合、ログはコンテナ内のstdout/stderrに送られます:
+
+```shell
+docker logs
+```
+
+（`docker ps` を使用してコンテナ名を見つけてください）
+
+ターミナルで`ollama serve`を手動で実行する場合、ログはそのターミナル上に表示されます。
+
+ログの解釈に関するヘルプは[Discord](https://discord.gg/ollama)に参加してください。
+
+## LLM ライブラリ
+
+Ollamaには、異なるGPUとCPUベクトル機能向けにコンパイルされた複数のLLMライブラリが含まれています。Ollamaは、システムの機能に基づいて最適なものを選択しようとします。この自動検出に問題があるか、他の問題（例：GPUのクラッシュ）に遭遇した場合は、特定のLLMライブラリを強制的に指定することで回避できます。`cpu_avx2`が最も優れており、次に`cpu_avx`、最も互換性があるが最も遅いのが`cpu`です。MacOSのRosettaエミュレーションは`cpu`ライブラリと動作します。
+
+サーバーログには、次のようなメッセージが表示されます（リリースによって異なります）:
+
+```
+Dynamic LLM libraries [rocm_v6 cpu cpu_avx cpu_avx2 cuda_v11 rocm_v5]
+```
+
+**実験的LLMライブラリのオーバーライド**
+
+OLLAMA_LLM_LIBRARYを利用可能なLLMライブラリのいずれかに設定すると、自動検出をバイパスできます。たとえば、CUDAカードがあるがAVX2ベクトルサポートを持つCPU LLMライブラリを強制的に使用したい場合は、次のようにします:
+
+```
+OLLAMA_LLM_LIBRARY="cpu_avx2" ollama serve
+```
+
+あなたのCPUがどの機能を持っているかは、以下の方法で確認できます。
+
+```
+cat /proc/cpuinfo| grep flags | head -1
+```
+
+## 既知の問題
+
+* N/A
\ No newline at end of file
diff --git a/docs_ja/tutorials.md b/docs_ja/tutorials.md
new file mode 100644
index 00000000..dbb794fa
--- /dev/null
+++ b/docs_ja/tutorials.md
@@ -0,0 +1,9 @@
+# チュートリアル
+
+以下は、Ollamaを他のツールと組み合わせて興味深いアプリケーションを構築する方法のリストです。
+
+- [JavaScriptでLangChainをOllamaと使用する方法](./tutorials/langchainjs.md)
+- [PythonでLangChainをOllamaと使用する方法](./tutorials/langchainpy.md)
+- [NVIDIA JetsonデバイスでOllamaを実行する方法](./tutorials/nvidia-jetson.md)
+
+また、Ollamaのさらなる利用方法については、[examples](../examples) ディレクトリも確認してください。
diff --git a/docs_ja/tutorials/fly-gpu.md b/docs_ja/tutorials/fly-gpu.md
new file mode 100644
index 00000000..876c67a3
--- /dev/null
+++ b/docs_ja/tutorials/fly-gpu.md
@@ -0,0 +1,79 @@
+# Running Ollama on Fly.io GPU Instances
+
+Ollamaは、[Fly.io GPUインスタンス](https://fly.io/docs/gpus/gpu-quickstart/)上でほとんどまたはまったく設定なしで実行できます。まだGPUへのアクセス権がない場合は、[アクセスを申請](https://fly.io/gpu/)してウェイトリストに登録する必要があります。承認されると、開始手順が記載されたメールが届きます。
+
+新しいアプリを作成するには、`fly apps create` を使用します:
+
+```bash
+fly apps create
+```
+
+次に、次のような新しいフォルダに `fly.toml` ファイルを作成してください。
+
+```toml
+app = "sparkling-violet-709"
+primary_region = "ord"
+vm.size = "a100-40gb" # see https://fly.io/docs/gpus/gpu-quickstart/ for more info
+
+[build]
+ image = "ollama/ollama"
+
+[http_service]
+ internal_port = 11434
+ force_https = false
+ auto_stop_machines = true
+ auto_start_machines = true
+ min_machines_running = 0
+ processes = ["app"]
+
+[mounts]
+ source = "models"
+ destination = "/root/.ollama"
+ initial_size = "100gb"
+```
+次に、アプリケーション用に [新しいプライベートIPv6アドレス](https://fly.io/docs/reference/private-networking/#flycast-private-load-balancing) を作成してください:
+
+```bash
+fly ips allocate-v6 --private
+```
+
+その後、アプリケーションをデプロイしてください：
+
+```bash
+fly deploy
+```
+
+そして最後に、新しいFly.ioマシンを使用して対話的にアクセスできます：
+
+```
+fly machine run -e OLLAMA_HOST=http://your-app-name.flycast --shell ollama/ollama
+```
+
+```bash
+$ ollama run openchat:7b-v3.5-fp16
+>>> チョコレートチップクッキーの焼き方
+ チョコレートチップクッキーを焼くために、以下の手順に従ってください：
+
+1. オーブンを375°F（190°C）に予熱し、天板にはパーチメントペーパーまたはシリコン製のベーキングマットを敷きます。
+
+2. 大きなボウルで、1カップの無塩バター（室温に戻したもの）、3/4カップの砂糖、3/4カップのパッキングされた黒糖を軽く混ぜ合わせ、ふんわりするまで混ぜます。
+
+3. バターの混合物に大きな卵2個を1つずつ加え、各添加後によく混ぜます。1ティースプーンの純粋なバニラエクストラクトを加えて混ぜます。
+
+4. 別のボウルで、2カップのオールパーパス小麦粉、1/2ティースプーンのベーキングソーダ、1/2ティースプーンの塩を混ぜます。ドライな成分を湿った成分に徐々に加え、ちょうど組み合わせるまでかき混ぜます。
+
+5. 生地に2カップのチョコレートチップ（またはチャンク）を折り込みます。
+
+6. 準備したベーキングシートに、丸くて大さじ1杯の生地を約2インチの間隔で並べます。
+
+7. 10〜12分、または端が金褐色になるまで焼きます。中心部は少し柔らかい状態であるべきです。
+
+8. クッキーを焼きたてのうちに、数分間ベーキングシートの上で冷ます後、ワイヤーラックに移して完全に冷やします。
+
+自家製のチョコレートチップクッキーをお楽しみください！
+```
+
+これをこのように設定すると、使用が終わると自動的にオフになります。その後、再度アクセスすると、自動的にオンになります。これは、使用していないときにGPUインスタンスの費用を節約する素晴らしい方法です。Ollamaインスタンスに対する永続的なウェイクオンユース接続が必要な場合は、[WireGuardを使用したFlyネットワークへの接続を設定](https://fly.io/docs/reference/private-networking/#discovering-apps-through-dns-on-a-wireguard-connection)できます。その後、Ollamaインスタンスには `http://your-app-name.flycast` でアクセスできます。
+
+以上で完了です！
+
diff --git a/docs_ja/tutorials/langchainjs.md b/docs_ja/tutorials/langchainjs.md
new file mode 100644
index 00000000..d2ceb12a
--- /dev/null
+++ b/docs_ja/tutorials/langchainjs.md
@@ -0,0 +1,76 @@
+# Using LangChain with Ollama using JavaScript
+
+このチュートリアルでは、LangChainとOllamaを使用してJavaScriptを学び、少し新しい情報を得ることを目指します。2023年8月にマウイで発生した一連の山火事について学びます。その時点より前にトレーニングされたLLMは、トレーニングデータにそれよりも新しい情報が含まれていないため、これについて知ることはできません。したがって、[山火事に関するWikipediaの記事](https://en.wikipedia.org/wiki/2023_Hawaii_wildfires)を見つけ、その内容について質問してみましょう。
+
+始めるために、単純な質問をモデルに尋ねるために **LangChain** を使ってみましょう。これをJavaScriptで行うためには、**LangChain** をインストールする必要があります：
+
+さて、JavaScriptを構築し始めることができます：
+
+```javascript
+import { Ollama } from "langchain/llms/ollama";
+
+const ollama = new Ollama({
+ baseUrl: "http://localhost:11434",
+ model: "llama2",
+});
+
+const answer = await ollama.call(`why is the sky blue?`);
+
+console.log(answer);
+```
+
+これにより、ターミナルで `ollama run llama2 "why is the sky blue"` を実行したのと同じ結果が得られます。ただし、質問を尋ねるためにウェブからドキュメントを読み込みたいです。**Cheerio**はウェブページを取り込むための優れたライブラリで、**LangChain** では **CheerioWebBaseLoader** で使用されています。そのため、**Cheerio** をインストールしてアプリのその部分を構築しましょう。
+
+```bash
+npm install cheerio
+```
+
+```javascript
+import { CheerioWebBaseLoader } from "langchain/document_loaders/web/cheerio";
+
+const loader = new CheerioWebBaseLoader("https://en.wikipedia.org/wiki/2023_Hawaii_wildfires");
+const data = await loader.load();
+```
+それにより、ドキュメントが読み込まれます。このページは「オデュッセイア」よりは小さいですが、ほとんどのLLMのコンテキストサイズよりも大きいです。したがって、より小さな部分に分割し、質問に関連する部分だけを選択する必要があります。これにはベクトルデータストアが非常に役立ちます。この例では、**LangChain** の一部である **MemoryVectorStore** を使用します。ただし、データストアにコンテンツを取り込むためにはもう1つ必要なものがあります。テキスト内のトークンをベクトルの系列に変換する埋め込みプロセスを実行する必要があります。そしてそのために、**Tensorflow** を使用します。これにはいくつかのステップが含まれています。まず、必要な **Tensorflow** コンポーネントをインストールします。
+
+
+```javascript
+npm install @tensorflow/tfjs-core@3.6.0 @tensorflow/tfjs-converter@3.6.0 @tensorflow-models/universal-sentence-encoder@1.3.3 @tensorflow/tfjs-node@4.10.0
+```
+
+もしバージョン番号なしでこれらのコンポーネントをインストールすると、最新バージョンがインストールされますが、**Tensorflow** 内での競合があるため、互換性のあるバージョンをインストールする必要があります。
+
+
+```javascript
+import { RecursiveCharacterTextSplitter } from "langchain/text_splitter"
+import { MemoryVectorStore } from "langchain/vectorstores/memory";
+import "@tensorflow/tfjs-node";
+import { TensorFlowEmbeddings } from "langchain/embeddings/tensorflow";
+
+// テキストを500文字のチャンクに分割し、各チャンクを20文字ずつオーバーラップさせます。
+const textSplitter = new RecursiveCharacterTextSplitter({
+ chunkSize: 500,
+ chunkOverlap: 20
+});
+const splitDocs = await textSplitter.splitDocuments(data);
+
+// 次に、TensorFlowの埋め込みを使用してこれらのチャンクをデータストアに格納します。
+const vectorStore = await MemoryVectorStore.fromDocuments(splitDocs, new TensorFlowEmbeddings());
+```
+
+データストアをLLMに対する質問に接続するには、**LangChain** の中心にある概念を使用する必要があります。それが「チェーン」です。チェーンは、特定のタスクを達成するために複数の活動を結びつける方法です。いくつかの種類のチェーンが利用可能ですが、このチュートリアルでは **RetrievalQAChain** を使用します。
+
+
+```javascript
+import { RetrievalQAChain } from "langchain/chains";
+
+const retriever = vectorStore.asRetriever();
+const chain = RetrievalQAChain.fromLLM(ollama, retriever);
+const result = await chain.call({query: "ハワイの大規模災害宣言の要請はいつ承認されましたか？"});
+console.log(result.text)
+```
+
+したがって、リトリーバーを作成しました。これはデータストアからクエリに一致するチャンクを返す方法です。そして、その後、リトリーバーとモデルをチェーンを介して接続します。最後に、チェーンにクエリを送信し、文書をソースとして回答を得ます。返された回答は正確で、2023年8月10日でした。
+
+これで、**LangChain** と **Ollama** で何ができるかの簡単な紹介が完了しました。
+
diff --git a/docs_ja/tutorials/langchainpy.md b/docs_ja/tutorials/langchainpy.md
new file mode 100644
index 00000000..fa2f529e
--- /dev/null
+++ b/docs_ja/tutorials/langchainpy.md
@@ -0,0 +1,83 @@
+# Using LangChain with Ollama in Python
+
+さて、私たちが古典文学、例えば **ホメロス** の **『オデュッセイア』** を勉強していると想像しましょう。ネレウスとその家族に関する質問があるかもしれません。その情報を尋ねるために llama2 に質問すると、次のような情報が得られるかもしれません:
+
+> 申し訳ありませんが、私は大規模な言語モデルであり、現実に存在しない個人や家族に関する情報は提供できません。ネレウスは実在の人物やキャラクターではなく、そのため家族や他の個人的な詳細はありません。混乱を招いた場合は申し訳ありません。他にお手伝いできることはありますか？
+
+これは典型的な検閲された回答のようですが、llama2-uncensoredでもまずまずの回答が得られます:
+
+> ネレウスはピュロスの伝説的な王であり、アルゴナウタイの一人であるネストールの父でした。彼の母は海のニンフ、クリュメネで、父は海の神ネプチューンでした。
+
+それでは、**LangChain**をOllamaと連携させ、Pythonを使用して実際の文書、ホメロスの『オデュッセイア』に質問する方法を考えてみましょう。
+
+まず、**Ollama**を使用して**Llama2**モデルから回答を取得できる簡単な質問をしてみましょう。まず、**LangChain**パッケージをインストールする必要があります：
+
+`pip install langchain`
+
+それからモデルを作成し、質問をすることができます：
+
+```python
+from langchain.llms import Ollama
+ollama = Ollama(base_url='http://localhost:11434',
+model="llama2")
+print(ollama("なぜ空は青いのか"))
+```
+
+モデルとOllamaの基本URLを定義していることに注意してください。
+
+さて、質問を行うためのドキュメントをロードしてみましょう。私はホメロスの『オデュッセイア』を読み込みますが、これはProject Gutenbergで見つけることができます。**LangChain**の一部である**WebBaseLoader**が必要です。また、私のマシンではこれを動作させるために**bs4**もインストールする必要がありました。したがって、`pip install bs4`を実行してください。
+
+```python
+from langchain.document_loaders import WebBaseLoader
+loader = WebBaseLoader("https://www.gutenberg.org/files/1727/1727-h/1727-h.htm")
+data = loader.load()
+```
+
+このファイルはかなり大きいです。序文だけで3000トークンあります。つまり、完全なドキュメントはモデルのコンテキストに収まりません。したがって、それをより小さな部分に分割する必要があります。
+
+```python
+from langchain.text_splitter import RecursiveCharacterTextSplitter
+
+text_splitter=RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)
+all_splits = text_splitter.split_documents(data)
+```
+
+分割はされていますが、関連する断片を見つけてからそれらをモデルに提出する必要があります。これを行うために、埋め込みを作成し、それらをベクトルデータベースに保存します。この例では、ベクトルデータベースとしてChromaDBを使用します。`pip install GPT4All chromadb` を実行してください。
+
+```python
+from langchain.embeddings import OllamaEmbeddings
+from langchain.vectorstores import Chroma
+oembed = OllamaEmbeddings(base_url="http://localhost:11434", model="llama2")
+vectorstore = Chroma.from_documents(documents=all_splits, embedding=oembed)
+```
+
+それでは、ドキュメントから質問をしてみましょう。**ネレウスは誰で、彼の家族には誰がいますか？** ネレウスはオデュッセイアの登場人物で、答えはテキスト内にあります。
+
+```python
+question="ネレウスは誰で、ネレウスの家族には誰がいますか？"
+docs = vectorstore.similarity_search(question)
+len(docs)
+```
+
+これにより、検索に類似したデータのマッチング数が出力されます。
+
+次に、質問と文書の関連部分をモデルに送信して適切な回答を得ることができるかどうかを確認することです。ただし、プロセスの2つの部分を結合しているため、これを「チェーン」と呼びます。これはチェーンを定義する必要があることを意味します：
+
+```python
+from langchain.chains import RetrievalQA
+qachain=RetrievalQA.from_chain_type(ollama, retriever=vectorstore.as_retriever())
+qachain({"query": question})
+```
+
+このチェーンから受け取った回答は以下の通りです：
+
+> ネレウスはホメロスの「オデュッセイア」に登場するキャラクターで、ペネロペの求婚者たちの文脈で言及されています。ネレウスはクロリスの父であり、クロリスはネレウスと結婚し、ネストル、クロミオス、ペリクリュメノス、およびペロを含む複数の子供をもうけました。また、ニーソスの息子であるアンフィノムスもペネロペの求婚者として言及されており、その優れた性格と愉快な会話で知られています。
+
+これは完璧な回答ではありません。なぜなら、実際にはクロリスは「イアソスの息子でミューニュオン・オルコメノスの王であるアンフィオンの末娘であり、ピュロスの女王でした」。
+
+テキスト分割のための chunk_overlap を 20 に更新して再試行しました。すると、はるかに良い回答が得られました：
+
+> ネレウスはホメロスの叙事詩「オデュッセイア」に登場するキャラクターです。彼はイアソスの息子でミューニュオン・オルコメノスの王であるアンフィオンの末娘であるクロリスと結婚しています。ネレウスはクロリスとの間に、ネストル、クロミオス、ペリクリュメノス、およびペロを含む複数の子供がいます。
+
+これがはるかに良い回答です。
+
diff --git a/docs_ja/tutorials/nvidia-jetson.md b/docs_ja/tutorials/nvidia-jetson.md
new file mode 100644
index 00000000..478b03a8
--- /dev/null
+++ b/docs_ja/tutorials/nvidia-jetson.md
@@ -0,0 +1,36 @@
+# Running Ollama on NVIDIA Jetson Devices
+
+いくつかの細かい設定で、Ollamaは[NVIDIA Jetsonデバイス](https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/)でうまく動作します。以下は[JetPack 5.1.2](https://developer.nvidia.com/embedded/jetpack)でのテストが行われました。
+
+NVIDIA Jetsonデバイスは、AIアプリケーション向けに特別に設計されたLinuxベースの組み込み型AIコンピュータです。
+
+Jetsonにはメモリコントローラに直接接続された統合GPUがあります。このため、`nvidia-smi`コマンドは認識されず、Ollamaは「CPUのみ」モードで動作します。これは、jtopなどのモニタリングツールを使用して確認できます。
+
+これを解決するために、Jetsonの事前インストールされたCUDAライブラリのパスを単純に`ollama serve`に渡します（tmuxセッション内で）。そして、ターゲットモデルのクローンに`num_gpu`パラメータをハードコードします。
+
+事前に必要:
+
+- curl
+- tmux
+
+以下は手順です：
+
+- 標準のLinuxコマンドを使用してOllamaをインストールします（404エラーは無視してください）：`curl https://ollama.ai/install.sh | sh`
+- Ollamaサービスを停止します：`sudo systemctl stop ollama`
+- `tmux`セッションでOllama serveを起動します。これを`ollama_jetson`というtmuxセッションとして開始し、CUDAライブラリのパスを参照します：`tmux has-session -t ollama_jetson 2>/dev/null || tmux new-session -d -s ollama_jetson 'LD_LIBRARY_PATH=/usr/local/cuda/lib64 ollama serve'`
+- 使用したいモデル（例：mistral）を取得します：`ollama pull mistral`
+- JetsonでGPUサポートを有効にするための新しいModelfileを作成します：`touch ModelfileMistralJetson`
+- ModelfileMistralJetsonファイルで、以下に示すようにFROMモデルとnum_gpu PARAMETERを指定します：
+
+```
+FROM mistral
+PARAMETER num_gpu 999
+```
+
+- Modelfileから新しいモデルを作成します：`ollama create mistral-jetson -f ./ModelfileMistralJetson`
+- 新しいモデルを実行します：`ollama run mistral-jetson`
+
+jtopなどのモニタリングツールを実行すると、OllamaがJetsonの統合GPUを使用していることが確認できるはずです。
+
+以上で完了です！
+