一个基于 Candle 框架的 Rust 模型推理库，提供高效、易用的多模态模型推理能力。

• 🚀 高性能推理 - 基于 Candle 框架，提供高效的张量计算和模型推理
• 🎯 多模型支持 - 集成视觉、语言和语音多模态模型
• 🔧 易于使用 - 简洁的 API 设计，快速上手
• 🛡️ 内存安全 - 得益于 Rust 的所有权系统，确保内存安全
• 📦 轻量级 - 最小化依赖，编译产物小巧
• ⚡ GPU 加速 - 可选 CUDA 支持
• 🧠 注意力优化 - 可选 Flash Attention 支持，优化长序列处理

• Qwen2.5VL - 阿里通义千问 2.5 多模态大语言模型
  • 模型：Qwen2.5-VL-3B-Instruct 开源协议：Qwen RESEARCH LICENSE AGREEMENT
  • 模型：Qwen/Qwen2.5-VL-7B-Instruct 开源协议：Apache license 2.0
• MiniCPM4 - 面壁智能 MiniCPM 系列语言模型
  • 模型：MiniCPM4-0.5B 开源协议：Apache license 2.0
• VoxCPM - 面壁智能语音生成模型
  • 模型：VoxCPM-0.5B 开源协议：Apache license 2.0
• Qwen3VL - 阿里通义千问 3 多模态大语言模型
  • 模型：Qwen3-VL-2B-Instruct 开源协议：Apache license 2.0
  • 模型：Qwen3-VL-4B-Instruct 开源协议：Apache license 2.0
  • 模型：Qwen3-VL-8B-Instruct 开源协议：Apache license 2.0
  • 模型：Qwen3-VL-32B-Instruct 开源协议：Apache license 2.0
• DeepSeek-OCR - 深度求索光学文字识别模型
  • 模型：DeepSeek-OCR 开源协议：MIT
• Hunyuan-OCR - 腾讯混元光学文字识别模型
  • 模型：HunyuanOCR 开源协议：TENCENT HUNYUAN COMMUNITY LICENSE AGREEMENT
• PaddleOCR-VL - 百度飞桨光学文字识别模型
  • 模型：PaddleOCR-VL 开源协议：Apache license 2.0
• VoxCPM1.5 - 面壁智能语音生成模型1.5版本
  • 模型：VoxCPM1.5 开源协议：Apache license 2.0

我们持续扩展支持的模型列表，欢迎贡献！

⭐ 如果这个项目对你有帮助，请给我们一个 Star！

• 启用ffmpeg的feature时：
  • ubuntu/WSL

  sudo apt-get update
  sudo apt-get install -y clang pkg-config ffmpeg libavutil-dev libavcodec-dev libavformat-dev libavfilter-dev libavdevice-dev libswresample-dev libswscale-dev

  • windows参考： https://github.com/zmwangx/rust-ffmpeg/wiki/Notes-on-building

项目提供了几个可选的功能特性，您可以根据需要启用它们：

• flash-attn: 启用 Flash Attention 支持以提升模型推理性能：

cargo build -r --features flash-attn

• cuda: 为 candle 核心组件启用 CUDA 支持，实现 GPU 加速计算：

cargo build -r --features cuda

• ffmpeg: 启用 FFmpeg 支持，提供多媒体处理功能：

cargo build -r --features ffmpeg

• 组合使用功能特性

# 同时启用 CUDA 和 Flash Attention 以获得最佳性能
cargo build -r --features "cuda,flash-attn"

# 启用所有功能特性
cargo build -r --features "cuda,flash-attn,ffmpeg"

git clone https://github.com/jhqxxx/aha.git
cd aha

cargo run -F cuda -r -- [参数]

1. 端口设置

-p, --port <PORT>

• 设置HTTP服务监听的端口号
• 默认值：10100
• 示例：--port 8080 或 -p 8080

2. 模型选择（必选）

-m, --model <MODEL>

• 指定要加载的模型类型
• 可选值：
  • minicpm4-0.5b：OpenBMB/MiniCPM4-0.5B 模型
  • qwen2.5vl-3b：Qwen/Qwen2.5-VL-3B-Instruct 模型
  • qwen2.5vl-7b：Qwen/Qwen2.5-VL-7B-Instruct 模型
  • qwen3vl-2b：Qwen/Qwen3-VL-2B-Instruct 模型
  • qwen3vl-4b：Qwen/Qwen3-VL-4B-Instruct 模型
  • qwen3vl-8b：Qwen/Qwen3-VL-8B-Instruct 模型
  • qwen3vl-32b：Qwen/Qwen3-VL-32B-Instruct 模型
  • deepseek-ocr: deepseek-ai/DeepSeek-OCR 模型
  • hunyuan-ocr: Tencent-Hunyuan/HunyuanOCR 模型
  • paddleocr-vl: PaddlePaddle/PaddleOCR-VL 模型
• 示例：--model deepseek-ocr 或 -m qwen3vl-2b

3. 权重路径

--weight-path <WEIGHT_PATH>

• 指定本地模型权重文件路径
• 如果指定此参数，则跳过模型下载步骤
• 示例：--weight-path /path/to/model/dir

4. 保存路径

--save-dir <SAVE_DIR>

• 指定模型下载保存的目录
• 默认保存在用户主目录下的 .aha 文件夹中
• 示例：--save-dir /custom/model/path

5. 下载重试次数

--download-retries <DOWNLOAD_RETRIES>

• 设置模型下载失败时的最大重试次数
• 默认值：3次
• 示例：--download-retries 5

• 参数前需要使用双横线 -- 分隔 cargo 命令和应用程序参数
• 模型参数 (--model 或 -m) 是必需的
• 如果未指定 --weight-path，程序会自动下载指定模型
• 下载的模型默认保存在 ~/.aha/ 目录下（除非指定了 --save-dir）

• cargo add aha
• 或者在Cargo.toml中添加

[dependencies]
aha = { git = "https://github.com/jhqxxx/aha.git" }

# 启用 CUDA 支持（可选）
aha = { git = "https://github.com/jhqxxx/aha.git", features = ["cuda"] }

# 启用Flash Attention 支持（可选）
aha = { git = "https://github.com/jhqxxx/aha.git", features = ["cuda", "flash-attn"] }

use aha::models::voxcpm::generate::VoxCPMGenerate;
use aha::utils::audio_utils::save_wav;
use anyhow::Result;

fn main() -> Result<()> {
    let model_path = "xxx/openbmb/VoxCPM-0.5B/";
    
    let mut voxcpm_generate = VoxCPMGenerate::init(model_path, None, None)?;
    
    let generate = voxcpm_generate.generate(
        "太阳当空照，花儿对我笑，小鸟说早早早".to_string(),
        None,
        None,
        2,
        100,
        10,
        2.0,
        false,
        6.0,
    )?;

    let _ = save_wav(&generate, "voxcpm.wav")?;
    Ok(())
}

git clone https://github.com/jhqxxx/aha.git
cd aha
# 修改测试用例中模型路径
# 运行 PaddleOCR-Vl 示例
cargo test -F cuda paddleocr_vl_generate -r -- --nocapture

# 运行 Hunyuan-OCR 示例
cargo test -F cuda hunyuan_ocr_generate -r -- --nocapture

# 运行 DeepSeek-OCR 示例
cargo test -F cuda deepseek_ocr_generate -r -- --nocapture

# 运行 Qwen3VL 示例
cargo test -F cuda qwen3vl_generate -r -- --nocapture

# 运行 MiniCPM4 示例  
cargo test -F cuda minicpm_generate -r -- --nocapture

# 运行 VoxCPM 示例
cargo test -F cuda voxcpm_generate -r -- --nocapture

.
├── Cargo.toml
├── README.md
├── src
│   ├── chat_template
│   ├── models
│   │   ├── common
│   │   ├── deepseek_ocr
│   │   ├── hunyuan_ocr
│   │   ├── minicpm4
│   │   ├── paddleocr_vl
│   │   ├── qwen2_5vl
│   │   ├── qwen3vl
│   │   ├── voxcpm
│   │   └── mod.rs
│   ├── position_embed
│   ├── tokenizer
│   ├── utils
│   ├── api.rs
│   └── lib.rs
└── tests
    ├── test_hunyuan_ocr.rs
    ├── test_deepseek_ocr.rs
    ├── test_minicpm4.rs
    ├── test_paddleocr_vl.rs
    ├── test_qwen2_5vl.rs
    └── test_voxcpm.rs

• 在src/models/创建新模型文件
• 在src/models/mod.rs中导出
• 在tests/中添加测试和示例

本项目采用 Apache License, Version 2.0 许可证 - 查看 LICENSE 文件了解详情。

• Candle - 优秀的 Rust 机器学习框架
• 所有模型的原作者和贡献者

1. 查看 Issues 是否已有解决方案
2. 提交新的 Issue，包含详细描述和复现步骤

• 支持VoxCPM1.5 模型

• 添加PaddleOCR-VL 模型

• 添加 Hunyuan-OCR 模型

• 添加 DeepSeek-OCR 模型

• 添加 Qwen3VL 模型

• 初始版本发布
• 支持 Qwen2.5VL, MiniCPM4, VoxCPM 模型