Update README.md

README.md

@@ -41,36 +41,7 @@ Fine-tuned версия модели Qwen2.5-Coder-3B-Instruct для анали
 
 ## Быстрый старт
 
-### Вариант 1: Использование виджета на странице модели
-
-1. Перейдите на страницу модели: https://huggingface.co/Vilyam888/Code_analyze.1.0
-2. Прокрутите страницу вниз до раздела **"Hosted inference API"** или **"Widget"**
-3. Введите ваш запрос в текстовое поле виджета
-4. Нажмите "Compute" для получения ответа
-
-### Вариант 1.5: Создайте Gradio Space (если Inference API недоступен)
-
-Если опция "Inference" не отображается в меню "Use this model", создайте интерактивный Gradio Space:
-
-**Быстрая инструкция:**
-
-1. Перейдите на https://huggingface.co/spaces
-2. Нажмите **"Create new Space"**
-3. Заполните форму:
-   - **Space name**: `code-analyzer-demo` (или любое другое)
-   - **SDK**: выберите **Gradio**
-   - **Hardware**: **CPU Basic** (бесплатно)
-   - **Visibility**: **Public**
-4. Нажмите **"Create Space"**
-5. Загрузите файлы:
-   - `app.py` (из этой модели)
-   - `requirements_gradio.txt` → переименуйте в `requirements.txt`
-6. Дождитесь автоматического запуска (2-5 минут)
-7. Готово! Интерфейс будет доступен на странице Space
-
-
-
-### Вариант 2: Использование локально (Python)
+### Вариант 1: Использование локально (Python)
 
 **Установка зависимостей:**
 ```bash
@@ -141,77 +112,6 @@ python scripts/quick_start_example.py
 python scripts/use_model_example.py
 ```
 
-## Использование
-
-### С помощью transformers
-
-```python
-from transformers import AutoModelForCausalLM, AutoTokenizer
-import torch
-
-model_name = "Vilyam888/Code_analyze.1.0"
-
-tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
-model = AutoModelForCausalLM.from_pretrained(
-    model_name,
-    torch_dtype=torch.bfloat16,
-    device_map="auto",
-    trust_remote_code=True
-)
-
-# Формат запроса
-prompt = "Проанализируй этот код:\ndef hello():\n    print('Hello, World!')"
-
-# Форматирование в стиле обучения
-text = f"{prompt}\n\nОтвет:\n"
-
-inputs = tokenizer(text, return_tensors="pt").to(model.device)
-
-with torch.no_grad():
-    outputs = model.generate(
-        **inputs,
-        max_new_tokens=512,
-        temperature=0.7,
-        top_p=0.8,
-        top_k=20,
-        repetition_penalty=1.05,
-        do_sample=True
-    )
-
-response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-print(response)
-```
-
-### С помощью pipeline
-
-```python
-from transformers import pipeline
-
-model_name = "Vilyam888/Code_analyze.1.0"
-
-generator = pipeline(
-    "text-generation",
-    model=model_name,
-    tokenizer=model_name,
-    trust_remote_code=True,
-    device_map="auto"
-)
-
-prompt = "Объясни, что делает этот код:\ndef factorial(n):\n    if n <= 1:\n        return 1\n    return n * factorial(n-1)"
-text = f"{prompt}\n\nОтвет:\n"
-
-result = generator(
-    text,
-    max_new_tokens=512,
-    temperature=0.7,
-    top_p=0.8,
-    top_k=20,
-    repetition_penalty=1.05,
-    do_sample=True
-)
-
-print(result[0]["generated_text"])
-```
 
 ## Детали обучения