Text Generation WebUI

Clore.ai GPUs पर LLM इन्फ़रेंस के लिए text-generation-webui चलाएँ

सभी मॉडल प्रारूपों के समर्थन के साथ सबसे लोकप्रिय LLM इंटरफ़ेस चलाएँ।

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

CLORE.AI पर किराए पर लेना

1. विज़िट करें CLORE.AI मार्केटप्लेस

2. GPU प्रकार, VRAM और कीमत के अनुसार फ़िल्टर करें

3. चुनें ऑन-डिमांड (स्थिर दर) या स्पॉट (बोली मूल्य)

4. अपना ऑर्डर कॉन्फ़िगर करें:

   • Docker इमेज चुनें

   • पोर्ट सेट करें (SSH के लिए TCP, वेब UI के लिए HTTP)

   • यदि आवश्यक हो तो environment variables जोड़ें

   • स्टार्टअप कमांड दर्ज करें

5. भुगतान चुनें: CLORE, BTCया USDT/USDC

6. ऑर्डर बनाएं और डिप्लॉयमेंट की प्रतीक्षा करें

अपने सर्वर तक पहुँचें

• कनेक्शन विवरण यहाँ खोजें मेरे ऑर्डर

• वेब इंटरफ़ेस: HTTP पोर्ट URL का उपयोग करें

• SSH: ssh -p <port> root@<proxy-address>

Text Generation WebUI क्यों?

• GGUF, GPTQ, AWQ, EXL2, HF प्रारूपों का समर्थन करता है

• अंतर्निर्मित चैट, नोटबुक और API मोड

• एक्सटेंशन: आवाज़, पात्र, मल्टीमॉडल

• फाइन-ट्यूनिंग समर्थन

• चलते-चलते मॉडल स्विच करना

आवश्यकताएँ

मॉडल आकार	न्यूनतम VRAM	अनुशंसित
7B (Q4)	6GB	RTX 3060
13B (Q4)	10GB	RTX 3080
30B (Q4)	20GB	RTX 4090
70B (Q4)	40GB	A100

त्वरित डिप्लॉय

Docker इमेज:

atinoda/text-generation-webui:default-nvidia

पोर्ट:

22/tcp
7860/http
5000/http
5005/http

पर्यावरण:

EXTRA_LAUNCH_ARGS=--listen --api

मैन्युअल इंस्टॉलेशन

इमेज:

nvidia/cuda:12.8.1-devel-ubuntu22.04

पोर्ट:

22/tcp
7860/http
5000/http

कमांड:

apt-get update && apt-get install -y git python3 python3-pip && \\
cd /workspace && \
git clone https://github.com/oobabooga/text-generation-webui.git && \\
cd text-generation-webui && \\
pip install -r requirements.txt && \
python server.py --listen --api

अपनी सेवा तक पहुँचना

डिप्लॉयमेंट के बाद, अपना http_pub URL यहाँ मेरे ऑर्डर:

1. पर जाएँ मेरे ऑर्डर पेज

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 गए उदाहरणों में।

WebUI तक पहुंचें

1. तैनाती के लिए प्रतीक्षा करें

2. में पोर्ट 7860 मैपिंग खोजें मेरे ऑर्डर

3. खोलें: http://<proxy>:<port>

मॉडल डाउनलोड करें

HuggingFace से (WebUI में)

1. पर जाएँ मॉडल टैब

2. मॉडल का नाम दर्ज करें: bartowski/Meta-Llama-3.1-8B-Instruct-GGUF

3. क्लिक करें डाउनलोड करें

कमांड लाइन के माध्यम से

cd /workspace/text-generation-webui

# GGUF मॉडल डाउनलोड करें
python download-model.py bartowski/Meta-Llama-3.1-8B-Instruct-GGUF

# विशिष्ट फ़ाइल डाउनलोड करें
python download-model.py bartowski/Meta-Llama-3.1-8B-Instruct-GGUF --specific-file Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf

अनुशंसित मॉडल

चैट के लिए:

# Llama 2 Chat (7B, तेज़)
python download-model.py bartowski/Meta-Llama-3.1-8B-Instruct-GGUF

# Mistral Instruct (उत्कृष्ट)
python download-model.py bartowski/Mistral-7B-Instruct-v0.3-GGUF

# OpenHermes (बेहतरीन ऑल-राउंडर)
python download-model.py bartowski/OpenHermes-2.5-Mistral-7B-GGUF

कोडिंग के लिए:

# CodeLlama
python download-model.py bartowski/CodeLlama-13B-Instruct-GGUF

# DeepSeek Coder
python download-model.py bartowski/DeepSeek-Coder-V2-Lite-Instruct-GGUF

रोलप्ले के लिए:

# MythoMax
python download-model.py bartowski/MythoMax-L2-13B-GGUF

मॉडल लोड करना

GGUF (अधिकांश उपयोगकर्ताओं के लिए अनुशंसित)

1. मॉडल टैब → मॉडल फ़ोल्डर चुनें

2. मॉडल लोडर: llama.cpp

3. सेट करें n-gpu-layers:

   • RTX 3090: 35-40

   • RTX 4090: 45-50

   • A100: 80+

4. क्लिक करें लोड करें

GPTQ (तेज़, क्वांटाइज़्ड)

1. GPTQ मॉडल डाउनलोड करें

2. मॉडल लोडर: ExLlama_HF या AutoGPTQ

3. मॉडल लोड करें

EXL2 (सर्वश्रेष्ठ गति)

# exllamav2 इंस्टॉल करें
pip install exllamav2

1. EXL2 मॉडल डाउनलोड करें

2. मॉडल लोडर: ExLlamav2_HF

3. लोड करें

चैट कॉन्फ़िगरेशन

पात्र सेटअप

1. पर जाएँ पैरामीटर → पात्र

2. पात्र कार्ड बनाएँ या लोड करें

3. सेट करें:

   • नाम

   • संदर्भ/व्यक्तित्व

   • उदाहरण संवाद

इंस्ट्रक्ट मोड

निर्देश-ट्यून किए गए मॉडलों के लिए:

1. पैरामीटर → निर्देश टेम्पलेट

2. अपने मॉडल से मेल खाने वाला टेम्पलेट चुनें:

   • Llama-2-chat

   • Mistral

   • ChatML

   • Alpaca

API उपयोग

API सक्षम करें

से शुरू करें --api फ़्लैग (डिफ़ॉल्ट पोर्ट 5000)

OpenAI-संगत API

import openai

openai.api_base = "http://localhost:5000/v1"
openai.api_key = "not-needed"

response = openai.ChatCompletion.create(
    model="any",
    messages=[{"role": "user", "content": "Hello!"}]
)
print(response.choices[0].message.content)

नेटिव API

import requests

response = requests.post(
    "http://localhost:5000/api/v1/generate",
    json={
        "prompt": "Write a story about",
        "max_new_tokens": 200,
        "temperature": 0.7
    }
)
print(response.json()["results"][0]["text"])

एक्सटेंशन

एक्सटेंशन इंस्टॉल करना

cd /workspace/text-generation-webui/extensions

# Silero TTS (आवाज़)
git clone https://github.com/oobabooga/text-generation-webui-extensions

# SuperBoogav2 (RAG/दीर्घकालिक स्मृति)

# पहले से शामिल है, UI में सक्षम करें

एक्सटेंशन सक्षम करें

1. सेशन टैब → एक्सटेंशन

2. वांछित एक्सटेंशनों के लिए बॉक्स चेक करें

3. क्लिक करें लागू करें और पुनः प्रारंभ करें

लोकप्रिय एक्सटेंशन

एक्सटेंशन	उद्देश्य
silero_tts	आवाज़ आउटपुट
whisper_stt	आवाज़ इनपुट
superbooga	दस्तावेज़ Q&A
sd_api_pictures	छवि निर्माण
मल्टीमॉडल	छवि समझ

प्रदर्शन ट्यूनिंग

GGUF सेटिंग्स

n_gpu_layers: 35    # GPU लेयर (जितना अधिक = उतना तेज़)
n_ctx: 4096         # संदर्भ लंबाई
n_batch: 512        # बैच आकार
threads: 8          # CPU थ्रेड्स

मेमोरी अनुकूलन

सीमित VRAM के लिए:

python server.py --listen --n-gpu-layers 20 --no-mmap

गति अनुकूलन

# cuBLAS के साथ llama.cpp का उपयोग करें
python server.py --listen --loader llama.cpp --n-gpu-layers 50 --threads 8

फाइन-ट्यूनिंग (LoRA)

ट्रेनिंग टैब

1. पर जाएँ ट्रेनिंग टैब

2. बेस मॉडल लोड करें

3. डेटासेट अपलोड करें (JSON प्रारूप)

4. कॉन्फ़िगर करें:

   • LoRA रैंक: 8-32

   • लर्निंग रेट: 1e-4

   • एपोक्स: 3-5

5. प्रशिक्षण शुरू करें

डेटासेट प्रारूप

[
  {"instruction": "इसका सारांश दें:", "input": "लंबा पाठ...", "output": "सारांश..."},
  {"instruction": "फ़्रेंच में अनुवाद करें:", "input": "Hello", "output": "Bonjour"}
]

अपना काम सहेजना

# मॉडल सहेजें
rsync -avz /workspace/text-generation-webui/models/ backup-server:/models/

# पात्र सहेजें
rsync -avz /workspace/text-generation-webui/characters/ backup-server:/characters/

# LoRAs सहेजें
rsync -avz /workspace/text-generation-webui/loras/ backup-server:/loras/

समस्या निवारण

मॉडल लोड नहीं होगा

• VRAM उपयोग जाँचें: nvidia-smi

• कम करें n_gpu_layers

• छोटा क्वांटाइज़ेशन उपयोग करें (Q4_K_M → Q4_K_S)

धीमी जनरेशन

• बढ़ाएँ n_gpu_layers

• GGUF के बजाय EXL2 का उपयोग करें

• सक्रिय करें --no-mmap

मेमोरी समाप्त

जनरेशन के दौरान - `n_ctx` (संदर्भ लंबाई) कम करें - केवल CPU के लिए `--n-gpu-layers 0` का उपयोग करें - छोटा मॉडल आज़माएँ

लागत का अनुमान

CLORE.AI मार्केटप्लेस की सामान्य दरें (2024 तक):

GPU	प्रति घंटा दर	प्रति दिन दर	4-घंटे का सत्र
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

मूल्य प्रदाता और मांग के अनुसार बदलते हैं। देखें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

• का उपयोग करें स्पॉट बाधित किए जा सकने वाले कार्य के लिए मार्केट — लगभग एक-तिहाई सर्वरों की स्पॉट कीमत ऑन-डिमांड से कम होती है (मध्य ~13% छूट), बाकी उससे मेल खाते हैं

• से भुगतान करें CLORE टोकन

• विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें