Text Generation WebUI

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

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

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

CLORE.AI पर किराये पर लेना

1. पर जाएँ CLORE.AI मार्केटप्लेस

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

3. चुनें ऑन-डिमांड (निश्चित दर) या स्पॉट (बिड प्राइस)

4. अपना ऑर्डर कॉन्फ़िगर करें:

   • Docker इमेज चुनें

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

   • यदि आवश्यक हो तो एनवायरनमेंट वेरिएबल जोड़ें

   • स्टार्टअप कमांड दर्ज करें

5. भुगतान चुनें: CLORE, BTC, या USDT/USDC

6. ऑर्डर बनाएं और डिप्लॉयमेंट का इंतज़ार करें

अपने सर्वर तक पहुँचें

• कनेक्शन विवरण में खोजें मेरे ऑर्डर

• वेब इंटरफेस: HTTP पोर्ट URL का उपयोग करें

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

Text Generation WebUI क्यों?

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

• बिल्ट-इन चैट, नोटबुक, और API मोड

• एक्सटेंशन: वॉइस, किरदार, मल्टीमॉडल

• फाइन-ट्यूनिंग समर्थन

• फ्लाई पर मॉडल स्विचिंग

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 तैनाती

Docker इमेज:

atinoda/text-generation-webui:default-nvidia

पोर्ट:

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

पर्यावरण:

EXTRA_LAUNCH_ARGS=--listen --api

मैनुअल इंस्टॉलेशन

इमेज:

nvidia/cuda:12.1.0-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 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।

WebUI तक पहुँचें

1. डिप्लॉयमेंट का इंतजार करें

2. में पोर्ट 7860 मैपिंग खोजें मेरे ऑर्डर

3. खोलें: http://<proxy>:<port>

मॉडल डाउनलोड करें

HuggingFace से (WebUI में)

1. जाएँ मॉडल टैब

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

3. क्लिक करें डाउनलोड

कमांड लाइन के जरिए

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, तेज)
python download-model.py bartowski/Meta-Llama-3.1-8B-Instruct-GGUF

# Mistral Instruct (शानदार)
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 हो रहे हैं

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

GPTQ (तेज़, क्वांटाइज़्ड)

1. GPTQ मॉडल डाउनलोड करें

2. मॉडल लोडर: ExLlama_HF या AutoGPTQ

3. मॉडल लोड करें

EXL2 (सर्वोत्तम गति)

# exllamav2 इंस्टॉल करें
pip install exllamav2

1. EXL2 मॉडल डाउनलोड करें

2. मॉडल लोडर: ExLlamav2_HF

3. लोड

चैट कॉन्फ़िगरेशन

करेक्टर सेटअप

1. जाएँ पैरामीटर → किरदार

2. किरदार कार्ड बनाएँ या लोड करें

3. सेट करें:

   • नाम

   • संदर्भ/व्यक्तित्व

   • उदाहरण संवाद

Instruct 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 flag (डिफ़ॉल्ट पोर्ट 5000)

OpenAI-अनुकूल 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 (वॉइस)
git clone https://github.com/oobabooga/text-generation-webui-extensions

# SuperBoogav2 (RAG/लॉन्ग-टर्म मेमोरी)

# पहले से शामिल है, UI में सक्षम करें

एक्सटेंशन सक्षम करें

1. सत्र टैब → एक्सटेंशन

2. वांछित एक्सटेंशनों के लिए चेक बॉक्स चुनें

3. क्लिक करें लागू करें और पुनःप्रारंभ करें

लोकप्रिय एक्सटेंशन

एक्सटेंशन	उद्देश्य
silero_tts	वॉइस आउटपुट
whisper_stt	वॉइस इनपुट
superbooga	दस्तावेज़ प्रश्नोत्तर
sd_api_pictures	इमेज जनरेशन
मल्टीमॉडल	इमेज समझना

प्रदर्शन ट्यूनिंग

GGUF सेटिंग्स

n_gpu_layers: 35    # GPU लेयर्स (अधिक = तेज़)
n_ctx: 4096         # संदर्भ लंबाई
n_batch: 512        # बैच साइज
threads: 8          # CPU थ्रेड्स

मेमोरी अनुकूलन

सीमित VRAM के लिए:

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

स्पीड ऑप्टिमाइज़ेशन

# 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. जाएँ प्रशिक्षण टैब

2. बेस मॉडल लोड करें

3. डेटासेट अपलोड करें (JSON फॉर्मैट)

4. कॉन्फ़िगर करें:

   • LoRA रैंक: 8-32

   • लर्निंग रेट: 1e-4

   • एपॉक्स: 3-5

5. प्रशिक्षण शुरू करें

डेटासेट फॉर्मैट

[
  {"instruction": "Summarize this:", "input": "Long text...", "output": "Summary..."},
  {"instruction": "Translate to French:", "input": "Hello", "output": "Bonjour"}
]

अपने काम को सेव करना

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

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

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

समस्याओं का निवारण

मॉडल लोड नहीं होगा

• VRAM उपयोग की जाँच करें: nvidia-smi

• घटाएँ n_gpu_layers

• छोटी क्वांटाइज़ेशन का उपयोग करें (Q4_K_M → Q4_K_S)

धीमी जनरेशन

• बढ़ाएँ n_gpu_layers

• GGUF के बजाय EXL2 का उपयोग करें

• सक्षम करें --no-mmap

मेमोरी खत्म

जनरेशन के दौरान - `n_ctx` (संदर्भ लंबाई) घटाएँ - CPU-ओनली के लिए `--n-gpu-layers 0` उपयोग करें - छोटे मॉडल आज़माएँ

लागत अनुमान

सामान्य CLORE.AI मार्केटप्लेस दरें (2024 के अनुसार):

GPU	घंटात्मक दर	दैनिक दर	4-घंटे 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

कीमतें प्रदाता और मांग के अनुसार बदलती हैं। जाँच करें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

• उपयोग करें स्पॉट लचीले वर्कलोड के लिए मार्केट (अक्सर 30-50% सस्ता)

• भुगतान करें CLORE टोकन के साथ

• विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें