mistral.rs एकीकरण

LLMs को native Rust inference के साथ स्थानीय रूप से चलाएँ - किसी बाहरी सर्वर या API keys की आवश्यकता नहीं।

---

mistral.rs क्या है?

mistral.rs एक उच्च-प्रदर्शन वाला Rust inference engine है, जो LLMs को सीधे आपके hardware पर चलाता है। ADK-Rust इसे adk-mistralrs crate के माध्यम से एकीकृत करता है, जिसे v0.8.0 पर pin किया गया है और इसमें Gemma 4 का समर्थन है।

मुख्य विशेषताएँ:

• 🦀 Native Rust - Python या बाहरी सर्वर की आवश्यकता नहीं
• 🔒 पूरी तरह offline - API keys या internet की आवश्यकता नहीं
• ⚡ Hardware acceleration - CUDA, Metal (3.1 bfloat16), CPU optimizations
• 📦 Quantization - सीमित hardware पर बड़े models चलाने के लिए ISQ, MXFP4, GGUF, UQFF
• 🔧 LoRA adapters - hot-swapping के साथ fine-tuned model support
• 👁️ Multimodal - vision, audio और video understanding (Gemma 4, Qwen 3 VL)
• 🎤 Speech - Voxtral real-time speech recognition
• 🎯 Multi-model - एक instance से कई models serve करें

---

चरण 1: Dependencies जोड़ें

adk-mistralrs को crates.io पर workspace member के रूप में प्रकाशित किया गया है। इसे standard dependency के रूप में जोड़ें:

[package]
name = "my-local-agent"
version = "0.1.0"
edition = "2024"

[dependencies]
adk-mistralrs = "2.1.0"
adk-agent = "2.1.0"
adk-rust = "2.1.0"
tokio = { version = "1", features = ["full"] }
anyhow = "1.0"

Hardware acceleration के लिए feature flags जोड़ें:

# macOS with Apple Silicon
adk-mistralrs = { version = "2.1.0", features = ["metal"] }

# NVIDIA GPU (requires CUDA toolkit)
adk-mistralrs = { version = "2.1.0", features = ["cuda"] }

---

चरण 2: बुनियादी उदाहरण

HuggingFace से model लोड करें और उसे स्थानीय रूप से चलाएँ:

use adk_agent::LlmAgentBuilder;
use adk_mistralrs::{Llm, MistralRsConfig, MistralRsModel, ModelSource};
use adk_rust::Launcher;
use std::sync::Arc;

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    // Load model from HuggingFace (downloads on first run)
    let config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("microsoft/Phi-3.5-mini-instruct"))
        .build();

    println!("Loading model (this may take a while on first run)...");
    let model = MistralRsModel::new(config).await?;
    println!("Model loaded: {}", model.name());

    // Create agent
    let agent = LlmAgentBuilder::new("local_assistant")
        .description("Local AI assistant powered by mistral.rs")
        .instruction("You are a helpful assistant running locally. Be concise.")
        .model(Arc::new(model))
        .build()?;

    // Run interactive chat
    Launcher::new(Arc::new(agent)).run().await?;

    Ok(())
}

क्या होता है:

1. पहली बार चलाने पर model HuggingFace से डाउनलोड होता है (model के आधार पर लगभग 2-8GB)
2. Model को स्थानीय रूप से ~/.cache/huggingface/ में cache किया जाता है
3. इसके बाद चलाने पर model cache से तुरंत लोड होता है

---

चरण 3: Quantization से Memory कम करें

बड़े models को बहुत अधिक RAM की आवश्यकता होती है। Memory कम करने के लिए ISQ (In-Situ Quantization) का उपयोग करें:

use adk_agent::LlmAgentBuilder;
use adk_mistralrs::{Llm, MistralRsConfig, MistralRsModel, ModelSource, QuantizationLevel};
use adk_rust::Launcher;
use std::sync::Arc;

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    // Load model with 4-bit quantization for reduced memory
    let config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("microsoft/Phi-3.5-mini-instruct"))
        .isq(QuantizationLevel::Q4_0) // 4-bit quantization
        .paged_attention(true) // Memory-efficient attention
        .build();

    println!("Loading quantized model...");
    let model = MistralRsModel::new(config).await?;
    println!("Model loaded: {}", model.name());

    let agent = LlmAgentBuilder::new("quantized_assistant")
        .instruction("You are a helpful assistant. Be concise.")
        .model(Arc::new(model))
        .build()?;

    Launcher::new(Arc::new(agent)).run().await?;

    Ok(())
}

Quantization levels:

---

चरण 4: LoRA एडाप्टर (फ़ाइन-ट्यून किए गए मॉडल)

विशेषीकृत कार्यों के लिए LoRA एडाप्टर वाले मॉडल लोड करें:

use adk_agent::LlmAgentBuilder;
use adk_mistralrs::{AdapterConfig, Llm, MistralRsAdapterModel, MistralRsConfig, ModelSource};
use adk_rust::Launcher;
use std::sync::Arc;

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    // Load base model with LoRA adapter
    let config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("meta-llama/Llama-3.2-3B-Instruct"))
        .adapter(AdapterConfig::lora("username/my-lora-adapter"))
        .build();

    println!("Loading model with LoRA adapter...");
    let model = MistralRsAdapterModel::new(config).await?;
    println!("Model loaded: {}", model.name());
    println!("Available adapters: {:?}", model.available_adapters());

    let agent = LlmAgentBuilder::new("lora_assistant")
        .instruction("You are a helpful assistant with specialized knowledge.")
        .model(Arc::new(model))
        .build()?;

    Launcher::new(Arc::new(agent)).run().await?;

    Ok(())
}

रनटाइम पर एडाप्टर को हॉट-स्वैप करें:

model.swap_adapter("another-adapter").await?;

---

चरण 5: विज़न मॉडल (इमेज समझ)

विज़न-लैंग्वेज मॉडल के साथ इमेज प्रोसेस करें:

use adk_mistralrs::{Llm, MistralRsConfig, MistralRsVisionModel, ModelSource};

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    let config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("microsoft/Phi-3.5-vision-instruct"))
        .build();

    println!("Loading vision model...");
    let model = MistralRsVisionModel::new(config).await?;
    println!("Model loaded: {}", model.name());

    // Analyze an image
    let image = image::open("photo.jpg")?;
    let response = model.generate_with_image("Describe this image.", vec![image]).await?;

    Ok(())
}

---

चरण 6: मल्टी-मॉडल सर्विंग

एक ही इंस्टेंस से कई मॉडल सर्व करें:

use adk_mistralrs::{MistralRsConfig, MistralRsMultiModel, ModelSource};

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    let multi = MistralRsMultiModel::new();

    // Add models
    let phi_config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("microsoft/Phi-3.5-mini-instruct"))
        .build();
    multi.add_model("phi", phi_config).await?;

    let gemma_config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("google/gemma-2-2b-it"))
        .build();
    multi.add_model("gemma", gemma_config).await?;

    // Set default and route requests
    multi.set_default("phi").await?;
    println!("Available models: {:?}", multi.model_names().await);

    // Route to specific model
    // multi.generate_with_model(Some("gemma"), request, false).await?;

    Ok(())
}

---

मॉडल स्रोत

HuggingFace हब (डिफ़ॉल्ट)

ModelSource::huggingface("microsoft/Phi-3.5-mini-instruct")

स्थानीय डायरेक्टरी

ModelSource::local("/path/to/model")

पहले से क्वांटाइज़ किए गए GGUF

ModelSource::gguf("/path/to/model.Q4_K_M.gguf")

---

अनुशंसित मॉडल

---

हार्डवेयर त्वरण

macOS (Apple Silicon)

adk-mistralrs = { version = "2.1.0", features = ["metal"] }

M1/M2/M3 Mac पर Metal त्वरण स्वचालित है।

NVIDIA GPU

adk-mistralrs = { version = "2.1.0", features = ["cuda"] }

CUDA toolkit 11.8+ आवश्यक है।

केवल CPU

किसी सुविधा की आवश्यकता नहीं है - CPU डिफ़ॉल्ट है।

---

Crate का सत्यापन करें

cargo build -p adk-mistralrs
cargo build -p adk-mistralrs --features metal

---

समस्या निवारण

मेमोरी समाप्त

// Enable quantization
.isq(QuantizationLevel::Q4_0)
// Enable paged attention
.paged_attention(true)

पहला लोड धीमा

• पहली बार चलाने पर मॉडल (~2-8GB) डाउनलोड होता है
• बाद के रन कैश किए गए मॉडल का उपयोग करते हैं

मॉडल नहीं मिला

• जाँचें कि HuggingFace मॉडल ID सही है
• पहले डाउनलोड के लिए इंटरनेट कनेक्शन सुनिश्चित करें

---

संबंधित

• मॉडल प्रदाता - क्लाउड LLM प्रदाता
• Ollama - वैकल्पिक स्थानीय मॉडल सर्वर
• LlmAgent - एजेंट के साथ मॉडल का उपयोग

---

पिछला: ← Ollama (स्थानीय) | अगला: फ़ंक्शन टूल →