अपने कंप्यूटर पर मॉडल चलाना
llama.cpp और Ollama जैसे टूल्स आपको लैपटॉप पर open-weight मॉडल्स चलाने की सुविधा देते हैं। जानें कि आपको कितनी मेमोरी चाहिए, GPU कब काम आता है, और GGUF फ़ाइल क्या होती है।
60 सेकंड में
अपने कंप्यूटर पर मॉडल चलाना
llama.cpp और Ollama जैसे टूल्स आपको लैपटॉप पर open-weight मॉडल्स चलाने की सुविधा देते हैं। जानें कि आपको कितनी मेमोरी चाहिए, GPU कब काम आता है, और GGUF फ़ाइल क्या होती है।
GGUF: फ़ाइल फ़ॉर्मैट
Q4 या Q8 जैसे टैग वाले नाम दिखेंगे। ये मोटे तौर पर बताते हैं कि हर weight कितने bits का इस्तेमाल करता है।आपको कितनी मेमोरी की ज़रूरत है?
| Precision | प्रति parameter बाइट्स | 1B-parameter मॉडल | 7B-parameter मॉडल |
|---|---|---|---|
| 16-bit | 2 | लगभग 2 GB | लगभग 14 GB |
| 8-bit | 1 | लगभग 1 GB | लगभग 7 GB |
| 4-bit | 0.5 | लगभग 0.5 GB | लगभग 3.5 GB |
def estimate_gb(params_billion: float, bits: int, overhead: float = 1.2) -> float:
"""Weights only, times a rough overhead factor for runtime and context."""
bytes_per_param = bits / 8
weights_gb = params_billion * bytes_per_param # 1B params x 1 byte = about 1 GB
return round(weights_gb * overhead, 1)
for size in (1, 3, 7):
for bits in (16, 8, 4):
print(f"{size}B model at {bits}-bit: about {estimate_gb(size, bits)} GB")CPU या GPU?
| हार्डवेयर | किसके लिए अच्छा है | किन बातों का ध्यान रखें |
|---|---|---|
| केवल CPU | छोटे मॉडल्स, सीखने और कम इस्तेमाल के लिए। लगभग किसी भी लैपटॉप पर काम करता है। | जवाब जनरेट होने की गति धीमी होती है, ख़ासकर बड़े मॉडल्स के लिए |
| लैपटॉप या डेस्कटॉप GPU | काफ़ी तेज़ी से जनरेशन होता है अगर मॉडल GPU की अपनी मेमोरी (VRAM) में समा जाए | अगर मॉडल VRAM से बड़ा है, तो उसका कुछ हिस्सा CPU पर चलता है और स्पीड घट जाती है |
| Apple silicon Mac | CPU और GPU एक ही मेमोरी पूल साझा करते हैं, जिसका इस्तेमाल llama.cpp कर सकता है | साझा मेमोरी (shared memory) का इस्तेमाल आपके द्वारा चलाई जा रही बाकी चीज़ें भी करती हैं |
शुरुआत करना (उदाहरण: मौजूदा डॉक्युमेंटेशन ज़रूर देखें)
# Ollama: download a model and chat with it in the terminal
ollama run <model-name>
ollama list # models you have downloaded
# llama.cpp: run a GGUF file you downloaded yourself
llama-cli -m ./my-model.gguf -p "Explain UPI in two sentences."
# llama.cpp: start a local server your own code can call
llama-server -m ./my-model.gguf --port 8080import requests
resp = requests.post(
"http://localhost:11434/api/generate",
json={"model": "<model-name>", "prompt": "Give three tips for saving water at home.", "stream": False},
timeout=120,
)
resp.raise_for_status()
print(resp.json()["response"])और देखें और पढ़ें
लैब
अपने कंप्यूटर पर चल रहा एक छोटा मॉडल, या उसे चलाने की एक लिखित योजना।
समस्या
विकल्प A (अगर आप सॉफ़्टवेयर इंस्टॉल कर सकते हैं):
- आधिकारिक निर्देशों का पालन करते हुए Ollama इंस्टॉल करें या llama.cpp बिल्ड करें।
- एक छोटा मॉडल चुनें जिसका लाइसेंस आपने पढ़ लिया हो। इसे चलाएँ और इससे पाँच सवाल पूछें: दो अंग्रेज़ी में, दो किसी ऐसी भारतीय भाषा में जिसे आप जानते हैं, और एक किसी ऐसे तथ्य के बारे में जिसे आप जाँच सकते हैं।
- रिकॉर्ड करें: मॉडल का नाम और साइज़, quantisation, पहले जवाब में लगा समय, क्या हर जवाब सही था, और आपके सिस्टम मॉनिटर के अनुसार RAM का इस्तेमाल।
विकल्प B (काग़ज़ पर):
- अपने कंप्यूटर की RAM, CPU और GPU (यदि हो) लिखें।
- मेमोरी टेबल या Python के अनुमान का इस्तेमाल करके एक ऐसा मॉडल साइज़ और quantisation चुनें जो बाकी कामों के लिए जगह छोड़ते हुए आसानी से समा जाए।
- वे चरण लिखें जिनका आप पालन करेंगे, आप मॉडल कहाँ से डाउनलोड करेंगे, और पाँच टेस्ट सवाल उनके अपेक्षित जवाबों के साथ लिखें।
प्रैक्टिस लैब
कोड में बदलाव करें और इसे रन करें। Python आपके ब्राउज़र में चलता है — हमारे सर्वर पर कुछ नहीं भेजा जाता।
कोई आउटपुट नहीं। वैल्यूज़ देखने के लिए print(...) जोड़ें।
आपका काम तब पूरा होगा जब
कठिन सवाल
उत्तर देखने से पहले ख़ुद जवाब देने की कोशिश करें। अगर आप इनके जवाब दे सकते हैं, तो आप पाठ समझ गए हैं।
Q1एक ही मॉडल की दो GGUF फ़ाइलों पर Q8 और Q4 का लेबल लगा है। Q4 वाली फ़ाइल भी आपके सवालों के उतने ही अच्छे जवाब देती है। फिर भी आप और टेस्टिंग क्यों जारी रख सकते हैं?दिखाएं
क्वालिटी में आई छोटी-मोटी गिरावट को पकड़ने के लिए पाँच सवाल बहुत कम हैं। कम बिट वाली फ़ाइल कठिन सवालों, लंबे जवाबों, या भारतीय भाषाओं (जिनकी आपने ज़्यादा टेस्टिंग नहीं की) पर ग़लतियाँ कर सकती है। असली कामों से जुड़ा एक बड़ा टेस्ट सेट तैयार करें, फिर फ़ैसला लेने से पहले उसी सेट पर दोनों की तुलना करें।
Q2लैपटॉप पर "मॉडल के लिए अपनी RAM का केवल आधा हिस्सा ही इस्तेमाल करें" एक समझदारी भरा नियम क्यों है?दिखाएं
ऑपरेटिंग सिस्टम, ब्राउज़र और अन्य ऐप्स को भी मेमोरी की ज़रूरत होती है, और लंबी बातचीतों के दौरान मॉडल का context cache भी बढ़ता है। अगर मेमोरी ख़त्म हो जाती है, तो कंप्यूटर डिस्क पर डेटा स्वैप (swap) करने लगता है और सब कुछ बहुत धीमा हो जाता है। कुछ जगह खाली रखने से मॉडल और आपका कंप्यूटर दोनों ठीक से चलते रहते हैं।
अक्सर पूछे जाने वाले सवाल
मेरे पास GPU नहीं है। क्या मैं फिर भी मॉडल चला सकता हूँ?
हाँ। llama.cpp और Ollama CPU पर भी चलते हैं। सीखने और हल्के-फुल्के काम के लिए छोटे मॉडल्स काफ़ी काम आते हैं। GPU के मुक़ाबले जवाब जनरेट होने में ज़्यादा समय लगेगा, इसलिए छोटे मॉडल से शुरुआत करें।
पहला जवाब धीमा और बाद वाले तेज़ क्यों होते हैं?
पहली बार runtime को मॉडल फ़ाइल डिस्क से मेमोरी में लोड करनी पड़ती है। इसके बाद वह कुछ देर तक मेमोरी में ही लोड रहती है, इसलिए बाद के जवाब जल्दी आने लगते हैं।
llama.cpp और Ollama में क्या फ़र्क़ है?
llama.cpp एक लो-लेवल इंजन है जिसमें कई सारे विकल्प होते हैं। Ollama उसी तरह के इंजन को एक आसान टूल में समेट देता है जिसमें मॉडल लाइब्रेरी और एक लोकल API शामिल होती है। शुरुआती लोग अक्सर Ollama से शुरुआत करते हैं; जिन्हें बारीक़ नियंत्रण चाहिए होता है वे अक्सर सीधे llama.cpp का इस्तेमाल करते हैं।
मेरा लैपटॉप बहुत गर्म हो जाता है। क्या यह कोई समस्या है?
मॉडल चलाने से प्रोसेसर पर काफ़ी ज़ोर पड़ता है, इसलिए गर्म होना सामान्य है। हवा आने-जाने के छेद (air vents) साफ़ रखें, लैपटॉप को किसी सख्त सतह पर रखें, और अगर मशीन ठीक से काम न करे तो उसे रोक दें। छोटे मॉडल्स और छोटे जवाबों से लोड कम होता है।
पाठ का टेस्ट
5 सवाल। पास होने और इस पाठ को पूरा करने के लिए 3 सही होने चाहिए (60%)।