Update app.py

app.py

@@ -1,17 +1,72 @@
-
+import os
+from huggingface_hub import login
+from transformers import AutoModelForCausalLM, AutoTokenizer
 import gradio as gr
-from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
 
-# Cargar el tokenizador y el modelo
-tokenizer = AutoTokenizer.from_pretrained("facebook/galactica-30b")
-model = AutoModelForCausalLM.from_pretrained("facebook/galactica-30b")
+# Obtén el token desde la variable de entorno
+hf_token = os.getenv("HF_TOKEN")
+
+if hf_token:
+    # Autenticación en Hugging Face utilizando el token
+    login(token=hf_token)
+else:
+    raise ValueError("Hugging Face token no encontrado. Asegúrate de que la variable de entorno HF_TOKEN esté configurada.")
+
+# Cargar el modelo y tokenizador
+model_id = "meta-llama/Meta-Llama-3.1-8B-Instruct"
+tokenizer = AutoTokenizer.from_pretrained(model_id)
+model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")
+
+# Definir la función de inferencia del chatbot
+def chat_fn(multimodal_message):
+    # Extraer el texto de la pregunta proporcionada por el usuario
+    question = multimodal_message["text"]
+    
+    # Construir la conversación inicial con el mensaje del usuario
+    conversation = [{"role": "user", "content": question}]
+
+    # Generar los IDs de entrada utilizando el tokenizador del modelo
+    input_ids = tokenizer.apply_chat_template(conversation, return_tensors="pt")
+    input_ids = input_ids.to(model.device)
+    
+    # Configurar el streamer para la generación progresiva de texto
+    streamer = TextIteratorStreamer(tokenizer, timeout=10.0, skip_prompt=True, skip_special_tokens=True)
+
+    # Configurar los argumentos de generación
+    generate_kwargs = dict(
+        input_ids=input_ids,
+        streamer=streamer,
+        max_new_tokens=500,  # Ajusta esto según tus necesidades
+        do_sample=True,
+        temperature=0.7,  # Ajusta la temperatura según tus necesidades
+    )
+
+    # Iniciar la generación de texto en un hilo separado
+    t = Thread(target=model.generate, kwargs=generate_kwargs)
+    t.start()
+
+    # Iterar sobre los tokens generados y construir la respuesta
+    message = ""
+    for text in streamer:
+        message += text
+        yield message
 
-# Crear un pipeline de texto
-pipe = pipeline("text-generation", model=model, tokenizer=tokenizer)
+# Crear la interfaz de usuario utilizando Gradio
+with gr.Blocks() as demo:
+    # Título de la aplicación en español
+    gr.Markdown("# 🔍 Chatbot Analizador de Documentos")
+    
+    # Cuadro de texto para mostrar la respuesta generada, etiquetado en español
+    response = gr.Textbox(lines=5, label="Respuesta")
+    
+    # Campo de texto multimodal para que el usuario suba un archivo e ingrese una pregunta, en español
+    chat = gr.MultimodalTextbox(file_types=["image"], interactive=True,
+                                show_label=False, placeholder="Sube una imagen del documento haciendo clic en '+' y haz una pregunta.")
+    
+    # Asignar la función chat_fn para que se ejecute cuando el usuario envíe un mensaje en el chat
+    chat.submit(chat_fn, inputs=chat, outputs=response)
 
-def predict(input_text):
-    return pipe(input_text)[0]['generated_text']
+# Lanzar la aplicación si este archivo es ejecutado directamente
+if __name__ == "__main__":
+    demo.launch()
 
-# Crear la interfaz de Gradio
-iface = gr.Interface(fn=predict, inputs="text_area", outputs="text")
-iface.launch()