Qwen2.5

Clore.ai GPUs पर Alibaba के Qwen2.5 बहुभाषी LLMs चलाएँ

CLORE.AI GPU पर Alibaba के Qwen2.5 मॉडल परिवार चलाएँ - शक्तिशाली बहुभाषी LLMs जिनमें उत्कृष्ट कोड और गणित क्षमताएँ हैं।

सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं जिन्हें द्वारा किराए पर लिया गया है CLORE.AI मार्केटप्लेस.

क्यों Qwen2.5?

• विविध आकार - 0.5B से 72B पैरामीटर

• बहुभाषी - चीनी सहित 29 भाषाएँ

• लंबा संदर्भ - 128K टोकन तक

• विशेषीकृत वेरिएंट - Coder, Math संस्करण

• ओपन सोर्स - Apache 2.0 लाइसेंस

CLORE.AI पर त्वरित डिप्लॉय

Docker इमेज:

vllm/vllm-openai:latest

पोर्ट:

22/tcp
8000/http

कमांड:

python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-7B-Instruct \
    --host 0.0.0.0 \
    --port 8000

अपनी सेवा तक पहुँचना

डिप्लॉयमेंट के बाद, अपना खोजें http_pub URL में मेरे ऑर्डर:

1. जाएँ मेरे ऑर्डर पृष्ठ

2. अपने ऑर्डर पर क्लिक करें

3. खोजें http_pub URL (उदा., abc123.clorecloud.net)

उपयोग करें https://YOUR_HTTP_PUB_URL की बजाय localhost नीचे दिए उदाहरणों में।

जांचें कि यह काम कर रहा है

# जाँचें कि सेवा तैयार है या नहीं
curl https://your-http-pub.clorecloud.net/health

# उपलब्ध मॉडल सूचीबद्ध करें
curl https://your-http-pub.clorecloud.net/v1/models

यदि आपको HTTP 502 मिलता है, तो 5-15 मिनट प्रतीक्षा करें - मॉडल अभी भी HuggingFace से डाउनलोड हो रहा है।

Qwen3 रीजनिंग मोड

Qwen3 में नया: कुछ Qwen3 मॉडल एक रीजनिंग मोड का समर्थन करते हैं जो अंतिम उत्तर से पहले मॉडल की सोचने की प्रक्रिया को <think> टैग में दिखाता है।

vLLM के माध्यम से Qwen3 मॉडल का उपयोग करते समय, प्रतिक्रियाओं में रीजनिंग शामिल हो सकती है:

{
  "content": "<think>\nLet me think about this step by step...\n</think>\n\nThe answer is..."
}

रीजनिंग के साथ Qwen3 उपयोग करने के लिए:

vllm serve Qwen/Qwen3-0.6B --host 0.0.0.0 --port 8000

मॉडल वेरिएंट

बेस मॉडल

मॉडल	पैरामीटर	VRAM (FP16)	संदर्भ	नोट्स
Qwen2.5-0.5B	0.5B	2GB	32K	एज/परीक्षण
Qwen2.5-1.5B	1.5B	4GB	32K	बहुत हल्का
Qwen2.5-3B	3B	8GB	32K	बजट
Qwen2.5-7B	7B	16GB	128K	संतुलित
Qwen2.5-14B	14B	32GB	128K	उच्च गुणवत्ता
Qwen2.5-32B	32B	70GB	128K	बहुत उच्च गुणवत्ता
Qwen2.5-72B	72B	150GB	128K	सर्वोत्तम गुणवत्ता
Qwen2.5-72B-Instruct	72B	150GB	128K	चैट/इन्स्ट्रक्ट ट्यून किया गया

विशेषीकृत वेरिएंट्स

मॉडल	फोकस	उत्तम हेतु	VRAM (FP16)
Qwen2.5-Coder-7B-Instruct	कोड	प्रोग्रामिंग, डीबगिंग	16GB
Qwen2.5-Coder-14B-Instruct	कोड	जटिल कोड कार्य	32GB
Qwen2.5-Coder-32B-Instruct	कोड	सर्वश्रेष्ठ कोड मॉडल	70GB
Qwen2.5-Math-7B-Instruct	गणित	गणनाएँ, प्रमेय	16GB
Qwen2.5-Math-72B-Instruct	गणित	रिसर्च-ग्रेड गणित	150GB
Qwen2.5-Instruct	चैट	सामान्य सहायक	भिन्नता

हार्डवेयर आवश्यकताएँ

मॉडल	न्यूनतम GPU	अनुशंसित	VRAM (Q4)
0.5B-3B	RTX 3060 12GB	RTX 3080	2-6GB
7B	RTX 3090 24GB	RTX 4090	6GB
14B	A100 40GB	A100 80GB	12GB
32B	A100 80GB	2x A100 40GB	22GB
72B	2x A100 80GB	4x A100 80GB	48GB
Coder-32B	A100 80GB	2x A100 40GB	22GB

इंस्टॉलेशन

vLLM का उपयोग (अनुशंसित)

pip install vllm==0.7.3

python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-7B-Instruct \
    --host 0.0.0.0 \
    --port 8000

Ollama का उपयोग करना

# स्टैंडर्ड मॉडल
ollama pull qwen2.5:7b
ollama pull qwen2.5:14b
ollama pull qwen2.5:32b
ollama pull qwen2.5:72b       # नया: सबसे बड़ा Qwen2.5

# विशेषीकृत
ollama pull qwen2.5-coder:7b
ollama pull qwen2.5-coder:32b  # नया: सर्वश्रेष्ठ कोड मॉडल

# चैट चलाएँ
ollama run qwen2.5:7b

Transformers का उपयोग करना

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_name = "Qwen/Qwen2.5-7B-Instruct"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    device_map="auto"
)

messages = [{"role": "user", "content": "Hello!"}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)

outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

API उपयोग

OpenAI-समकक्ष API

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="not-needed"
)

response = client.chat.completions.create(
    model="Qwen/Qwen2.5-7B-Instruct",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Explain machine learning in simple terms."}
    ],
    temperature=0.7,
    max_tokens=500
)

print(response.choices[0].message.content)

स्ट्रीमिंग

stream = client.chat.completions.create(
    model="Qwen/Qwen2.5-7B-Instruct",
    messages=[{"role": "user", "content": "AI के बारे में एक कविता लिखो"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

cURL

curl http://localhost:8000/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "Qwen/Qwen2.5-7B-Instruct",
        "messages": [
            {"role": "user", "content": "What is Python?"}
        ]
    }'

Qwen2.5-72B-Instruct

फ्लैगशिप Qwen2.5 मॉडल — परिवार में सबसे बड़ा और सबसे सक्षम। यह कई बेंचमार्क पर GPT-4 से प्रतिस्पर्धा करता है और Apache 2.0 के अंतर्गत पूर्ण रूप से ओपन-सोर्स है।

vLLM (मल्टी-GPU) के माध्यम से चलाना

# 4x A100 80GB सेटअप
vllm serve Qwen/Qwen2.5-72B-Instruct \
    --host 0.0.0.0 \
    --port 8000 \
    --tensor-parallel-size 4 \
    --max-model-len 32768 \
    --gpu-memory-utilization 0.9

# AWQ क्वांटाइज़्ड — 2x A100 80GB पर चलता है
vllm serve Qwen/Qwen2.5-72B-Instruct-AWQ \
    --host 0.0.0.0 \
    --port 8000 \
    --tensor-parallel-size 2 \
    --quantization awq \
    --max-model-len 32768

Ollama के माध्यम से चलाना

# 72B मॉडल पुल करें (Q4 के लिए 48GB+ VRAM चाहिए)
ollama pull qwen2.5:72b

# इंटरैक्टिव सत्र चलाएँ
ollama run qwen2.5:72b

# API पहुँच
curl http://localhost:11434/api/chat -d '{
  "model": "qwen2.5:72b",
  "messages": [{"role": "user", "content": "Analyze this complex scenario..."}],
  "stream": false
}'

Python उदाहरण

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="not-needed")

# 72B मॉडल जटिल विश्लेषणात्मक कार्यों में उत्कृष्ट प्रदर्शन करता है
response = client.chat.completions.create(
    model="Qwen/Qwen2.5-72B-Instruct",
    messages=[
        {
            "role": "system",
            "content": "आप एक विशेषज्ञ विश्लेषक हैं। विस्तृत, सूक्ष्म उत्तर प्रदान करें।"
        },
        {
            "role": "user",
            "content": """Compare the architectural differences between transformer and 
            state space models (SSMs) for sequence modeling. Include efficiency tradeoffs."""
        }
    ],
    temperature=0.7,
    max_tokens=2000
)

print(response.choices[0].message.content)

Qwen2.5-Coder-32B-Instruct

उपलब्ध सर्वश्रेष्ठ ओपन-सोर्स कोड मॉडल। Qwen2.5-Coder-32B-Instruct कई कोडिंग बेंचमार्क पर GPT-4o से मेल खाता है या उससे बेहतर है, और 40+ प्रोग्रामिंग भाषाओं का समर्थन करता है।

vLLM के माध्यम से चलाना

# सिंगल A100 80GB
vllm serve Qwen/Qwen2.5-Coder-32B-Instruct \
    --host 0.0.0.0 \
    --port 8000 \
    --max-model-len 16384 \
    --gpu-memory-utilization 0.9

# डुअल RTX 4090 (प्रत्येक 24GB = कुल 48GB, Q4 क्वांटाइज़ेशन का उपयोग)
vllm serve Qwen/Qwen2.5-Coder-32B-Instruct-AWQ \
    --host 0.0.0.0 \
    --port 8000 \
    --tensor-parallel-size 2 \
    --quantization awq

Ollama के माध्यम से चलाना

# Coder-32B पुल करें (Q4 के लिए ~22GB VRAM चाहिए)
ollama pull qwen2.5-coder:32b

# चलाएँ
ollama run qwen2.5-coder:32b

# कोडिंग प्रॉम्प्ट के साथ परीक्षण करें
ollama run qwen2.5-coder:32b "Write a Python async web scraper using aiohttp"

कोड जनरेशन उदाहरण

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="not-needed")

# फुल-स्टैक कोड जनरेशन
response = client.chat.completions.create(
    model="Qwen/Qwen2.5-Coder-32B-Instruct",
    messages=[
        {
            "role": "system",
            "content": "आप एक विशेषज्ञ सॉफ्टवेयर इंजीनियर हैं। उचित त्रुटि हैंडलिंग और दस्तावेज़ीकरण के साथ साफ और प्रोडक्शन-रेडी कोड लिखें।"
        },
        {
            "role": "user",
            "content": """Write a Python FastAPI service that:
1. Accepts POST /summarize with JSON body {"text": "...", "max_length": 150}
2. Uses a local Ollama instance to summarize the text
3. Returns {"summary": "...", "original_length": N, "summary_length": N}
4. Includes proper error handling, input validation with Pydantic, and async support"""
        }
    ],
    temperature=0.1,  # कोड के लिए कम तापमान
    max_tokens=3000
)

print(response.choices[0].message.content)

# कोड समीक्षा और डीबगिंग
code_to_review = """
def find_duplicates(lst):
    seen = []
    duplicates = []
    for item in lst:
        if item in seen:
            duplicates.append(item)
        seen.append(item)
    return duplicates
"""

response = client.chat.completions.create(
    model="Qwen/Qwen2.5-Coder-32B-Instruct",
    messages=[
        {
            "role": "user",
            "content": f"Review this Python code for performance issues and suggest improvements:\n\n```python\n{code_to_review}\n```"
        }
    ],
    temperature=0.3
)

print(response.choices[0].message.content)

Qwen2.5-Coder

कोड जनरेशन के लिए अनुकूलित:

# vLLM का उपयोग
python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-Coder-7B-Instruct \
    --host 0.0.0.0

# Ollama का उपयोग
ollama run qwen2.5-coder:7b

prompt = """Write a Python function that:
1. संख्या की सूची लेता है
2. Returns the median value
3. Handles empty lists gracefully
Include type hints and docstrings."""

response = client.chat.completions.create(
    model="Qwen/Qwen2.5-Coder-7B-Instruct",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.2
)

print(response.choices[0].message.content)

Qwen2.5-Math

गणितीय तर्क के लिए विशेषीकृत:

# vLLM का उपयोग
python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-Math-7B-Instruct \
    --host 0.0.0.0

prompt = """Solve step by step:
Find all values of x where: x^3 - 6x^2 + 11x - 6 = 0"""

response = client.chat.completions.create(
    model="Qwen/Qwen2.5-Math-7B-Instruct",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.1
)

print(response.choices[0].message.content)

बहुभाषी समर्थन

Qwen2.5 29 भाषाओं का समर्थन करता है:

# चीनी
response = client.chat.completions.create(
    model="Qwen/Qwen2.5-7B-Instruct",
    messages=[{"role": "user", "content": "用中文解释什么是人工智能"}]
)

# जापानी
response = client.chat.completions.create(
    model="Qwen/Qwen2.5-7B-Instruct",
    messages=[{"role": "user", "content": "人工知能について日本語で説明してください"}]
)

# कोरियन
response = client.chat.completions.create(
    model="Qwen/Qwen2.5-7B-Instruct",
    messages=[{"role": "user", "content": "인공지능에 대해 한국어로 설명해주세요"}]
)

लंबा संदर्भ (128K)

# एक लंबा दस्तावेज़ पढ़ें
with open("long_document.txt", "r") as f:
    document = f.read()

response = client.chat.completions.create(
    model="Qwen/Qwen2.5-7B-Instruct",
    messages=[
        {"role": "user", "content": f"Summarize this document:\n\n{document}"}
    ],
    max_tokens=2000
)

क्वांटाइज़ेशन

Ollama के साथ GGUF

# 4-बिट क्वांटाइज़्ड
ollama pull qwen2.5:7b-instruct-q4_K_M
ollama pull qwen2.5:72b-instruct-q4_K_M   # 72B इन 4-बिट (~48GB)

# 8-बिट क्वान्टाइज़्ड
ollama pull qwen2.5:7b-instruct-q8_0

# Coder वेरिएंट्स
ollama pull qwen2.5-coder:32b-instruct-q4_K_M

vLLM के साथ AWQ

python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-72B-Instruct-AWQ \
    --quantization awq \
    --tensor-parallel-size 2

GGUF के साथ llama.cpp

# GGUF डाउनलोड करें
wget https://huggingface.co/Qwen/Qwen2.5-7B-Instruct-GGUF/resolve/main/qwen2.5-7b-instruct-q4_k_m.gguf

# सर्वर चलाएँ
./llama-server -m qwen2.5-7b-instruct-q4_k_m.gguf \
    --host 0.0.0.0 \
    --port 8080 \
    -ngl 35

मल्टी-GPU सेटअप

टेंसर पैरालेलिज़्म

# 72B 4 GPUs पर
python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-72B-Instruct \
    --tensor-parallel-size 4 \
    --max-model-len 32768

# 32B 2 GPUs पर
python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-32B-Instruct \
    --tensor-parallel-size 2

# Coder-32B 2 GPUs पर
python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-Coder-32B-Instruct \
    --tensor-parallel-size 2 \
    --max-model-len 16384

प्रदर्शन

थ्रूपुट (टोकन/सेकंड)

मॉडल	RTX 3090	RTX 4090	A100 40GB	A100 80GB
Qwen2.5-0.5B	250	320	380	400
Qwen2.5-3B	150	200	250	280
Qwen2.5-7B	75	100	130	150
Qwen2.5-7B Q4	110	140	180	200
Qwen2.5-14B	-	55	70	85
Qwen2.5-32B	-	-	35	50
Qwen2.5-72B	-	-	20 (2x)	40 (2x)
Qwen2.5-72B Q4	-	-	-	55 (2x)
Qwen2.5-Coder-32B	-	-	32	48

पहले टोकन तक का समय (TTFT)

मॉडल	RTX 4090	A100 40GB	A100 80GB
7B	60ms	40ms	35ms
14B	120ms	80ms	60ms
32B	-	200ms	140ms
72B	-	400ms (2x)	280ms (2x)

संदर्भ लंबाई बनाम VRAM (7B)

संदर्भ	FP16	Q8	Q4
8K	16GB	10GB	6GB
32K	24GB	16GB	10GB
64K	40GB	26GB	16GB
128K	72GB	48GB	28GB

बेंचमार्क्स

मॉडल	MMLU	HumanEval	GSM8K	गणित	LiveCodeBench
Qwen2.5-7B	74.2%	75.6%	85.4%	55.2%	42.1%
Qwen2.5-14B	79.7%	81.1%	89.5%	65.8%	51.3%
Qwen2.5-32B	83.3%	84.2%	91.2%	72.1%	60.7%
Qwen2.5-72B	86.1%	86.2%	93.2%	79.5%	67.4%
Qwen2.5-Coder-7B	72.8%	88.4%	86.1%	58.4%	64.2%
Qwen2.5-Coder-32B	83.1%	92.7%	92.3%	76.8%	78.5%

Docker Compose

version: '3.8'

services:
  qwen:
    image: vllm/vllm-openai:latest
    ports:
      - "8000:8000"
    volumes:
      - ~/.cache/huggingface:/root/.cache/huggingface
    command: >
      --model Qwen/Qwen2.5-7B-Instruct
      --host 0.0.0.0
      --port 8000
      --gpu-memory-utilization 0.9
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

लागत अनुमान

सामान्य CLORE.AI मार्केटप्लेस दरें:

GPU	घंटात्मक दर	उत्तम हेतु
RTX 3090 24GB	~$0.06	7B मॉडल्स
RTX 4090 24GB	~$0.10	7B-14B मॉडल
A100 40GB	~$0.17	14B-32B मॉडल
A100 80GB	~$0.25	32B मॉडल, Coder-32B
2x A100 80GB	~$0.50	72B मॉडल
4x A100 80GB	~$1.00	72B अधिकतम संदर्भ

कीमतें प्रदाता के अनुसार विभिन्न होती हैं। जाँच करें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

• उपयोग करें स्पॉट लचीले वर्कलोड के लिए बाजार

• भुगतान करें CLORE टोकन के साथ

• परीक्षण के लिए छोटे मॉडलों (7B) से शुरू करें

समस्याओं का निवारण

आउट ऑफ़ मेमोरी

# कॉन्टेक्स्ट घटाएँ
--max-model-len 8192

# मेमोरी ऑप्टिमाइज़ेशन सक्षम करें
--gpu-memory-utilization 0.85

# क्वांटाइज़्ड मॉडल का उपयोग करें
ollama pull qwen2.5:7b-instruct-q4_K_M

धीमा जनरेशन

# फ्लैश अटेंशन सक्षम करें
pip install flash-attn

# बेहतर थ्रूपुट के लिए vLLM का उपयोग करें
python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen2.5-7B-Instruct \
    --enable-prefix-caching

चीनी अक्षर प्रदर्शन

# UTF-8 एन्कोडिंग सुनिश्चित करें
पूर्ण कार्यशील उदाहरण
sys.stdout.reconfigure(encoding='utf-8')

मॉडल नहीं मिला

# मॉडल नाम जांचें
huggingface-cli search Qwen/Qwen2.5

# सामान्य नाम:
# Qwen/Qwen2.5-7B-Instruct
# Qwen/Qwen2.5-72B-Instruct       ← नया
# Qwen/Qwen2.5-Coder-7B-Instruct
# Qwen/Qwen2.5-Coder-32B-Instruct ← नया
# Qwen/Qwen2.5-Math-7B-Instruct

Qwen2.5 बनाम अन्य

फ़ीचर	Qwen2.5-7B	Qwen2.5-72B	Llama 3.1 70B	GPT-4o
संदर्भ	128K	128K	128K	128K
बहुभाषी	उत्कृष्ट	उत्कृष्ट	अच्छा	उत्कृष्ट
कोड	उत्कृष्ट	उत्कृष्ट	अच्छा	उत्कृष्ट
गणित	उत्कृष्ट	उत्कृष्ट	अच्छा	उत्कृष्ट
चीनी	उत्कृष्ट	उत्कृष्ट	खराब	अच्छा
लाइसेंस	Apache 2.0	Apache 2.0	Llama 3.1	प्रोप्रायटरी
लागत	मुफ्त	मुफ्त	मुफ्त	पेड API

Qwen2.5 का उपयोग तब करें जब:

• चीनी भाषा समर्थन आवश्यक हो

• गणित/कोड कार्य प्राथमिकता हों

• लंबा संदर्भ आवश्यक हो

• Apache 2.0 लाइसेंस चाहिए

• सबसे अच्छा ओपन-सोर्स कोड मॉडल चाहिए (Coder-32B)

अगले कदम

• vLLM - प्रोडक्शन परिनियोजन

• Ollama - आसान लोकल सेटअप

• DeepSeek-V3 - बड़ा रीजनिंग मॉडल

• DeepSeek-R1 - ओपन-सोर्स रीजनिंग मॉडल

• LLM को फाइन-ट्यून करें - कस्टम प्रशिक्षण