Update app.py

app.py

@@ -2,129 +2,143 @@ import gradio as gr
 import re
 from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
 
-# Model and knowledge base setup
-MODELS = {
-    "small": "google/flan-t5-small",
-    "base": "google/flan-t5-base",
-    "arbiter": "google/flan-t5-large"
+# Modelos utilizados
+MODELOS = {
+    "primario": "google/flan-t5-small",
+    "secundario": "google/flan-t5-base",
+    "arbitro": "google/flan-t5-large"
 }
 
-# Load all models
-tokenizers = {name: AutoTokenizer.from_pretrained(model) 
-              for name, model in MODELS.items()}
-models = {name: AutoModelForSeq2SeqLM.from_pretrained(model) 
-          for name, model in MODELS.items()}
+# Carregamento dos modelos e tokenizers
+tokenizers = {nome: AutoTokenizer.from_pretrained(modelo)
+              for nome, modelo in MODELOS.items()}
+modelos = {nome: AutoModelForSeq2SeqLM.from_pretrained(modelo)
+           for nome, modelo in MODELOS.items()}
 
-# Enhanced capital database with common mistakes
-CAPITAL_DB = {
+# Base de capitais com erros comuns
+BASE_CAPITAIS = {
     'brazil': {
-        'correct': 'Brasília',
-        'common_errors': ['sao paulo', 'rio de janeiro', 'brazil']
+        'correta': 'Brasília',
+        'erros_comuns': ['sao paulo', 'rio de janeiro', 'brazil']
     },
     'germany': {
-        'correct': 'Berlin',
-        'common_errors': ['munich', 'frankfurt']
+        'correta': 'Berlin',
+        'erros_comuns': ['munich', 'frankfurt']
     },
-    # Add more countries as needed
+    'france': {
+        'correta': 'Paris',
+        'erros_comuns': ['lyon', 'marseille']
+    },
+    # Adicione mais países conforme necessário
 }
 
-def generate_response(model_name, question):
-    """Improved response generation with examples"""
-    prompt = f"""Act as a geography expert. Answer ONLY with the official capital name.
-Examples:
-Q: Capital of France? A: Paris
-Q: Brazil's capital? A: Brasília
-Q: Germany's capital? A: Berlin
-Q: {question}
+def gerar_resposta(nome_modelo, pergunta):
+    """Gera resposta com o modelo especificado"""
+    prompt = f"""Aja como um especialista em geografia. Responda APENAS com o nome da capital oficial.
+Exemplos:
+Q: Capital da França? A: Paris
+Q: Capital do Brasil? A: Brasília
+Q: Capital da Alemanha? A: Berlin
+Q: {pergunta}
 A:"""
-    
-    inputs = tokenizers[model_name](prompt, return_tensors="pt")
-    outputs = models[model_name].generate(**inputs, max_length=20)
-    return tokenizers[model_name].decode(outputs[0], skip_special_tokens=True).strip()
-
-def validate_and_correct(question, raw_answer):
-    """Apply multiple correction layers"""
-    question_lower = question.lower()
-    answer_lower = raw_answer.lower()
-    
-    # First check if question is about a country we have in DB
-    for country, data in CAPITAL_DB.items():
-        if country in question_lower:
-            # Check for common errors
-            for error in data['common_errors']:
-                if error in answer_lower:
-                    return data['correct']
-            
-            # If answer matches correct, use it
-            if answer_lower == data['correct'].lower():
-                return data['correct']
-            
-            # Final fallback to our known correct answer
-            return data['correct']
-    
-    # For countries not in our DB, basic cleaning
-    return raw_answer.title()
+    entrada = tokenizers[nome_modelo](prompt, return_tensors="pt")
+    saida = modelos[nome_modelo].generate(**entrada, max_length=20)
+    return tokenizers[nome_modelo].decode(saida[0], skip_special_tokens=True).strip()
 
-def arbitrate(question, ans1, ans2):
-    """Improved arbitration with validation priority"""
-    corrected_1 = validate_and_correct(question, ans1)
-    corrected_2 = validate_and_correct(question, ans2)
-    
-    # If one matches known correct, prefer it
-    for country, data in CAPITAL_DB.items():
-        if country in question.lower():
-            if corrected_1 == data['correct']:
-                return corrected_1, "Model 1 (validated)"
-            if corrected_2 == data['correct']:
-                return corrected_2, "Model 2 (validated)"
-    
-    # Fallback to arbiter model
-    prompt = f"""As a geography professor, select the most likely correct capital:
-Question: {question}
-Option 1: {corrected_1}
-Option 2: {corrected_2}
-Respond ONLY with "1" or "2"."""
-    
-    inputs = tokenizers['arbiter'](prompt, return_tensors="pt")
-    outputs = models['arbiter'].generate(**inputs, max_length=3)
-    choice = tokenizers['arbiter'].decode(outputs[0], skip_special_tokens=True)
-    
-    return (corrected_1, "Model 1 (arbiter)") if choice.strip() == "1" else (corrected_2, "Model 2 (arbiter)")
+def validar_corrigir(pergunta, resposta_bruta):
+    """Valida e corrige a resposta com base na base de capitais"""
+    pergunta = pergunta.lower()
+    resposta = resposta_bruta.lower()
 
-def chatbot(question):
-    """Main processing pipeline"""
-    # Generate responses
-    ans1 = generate_response("small", question)
-    ans2 = generate_response("base", question)
-    
-    # Get final answer
-    final_ans, model_used = arbitrate(question, ans1, ans2)
+    for pais, dados in BASE_CAPITAIS.items():
+        if pais in pergunta:
+            if resposta in dados['erros_comuns']:
+                return dados['correta']
+            if resposta == dados['correta'].lower():
+                return dados['correta']
+            return dados['correta']
+    return resposta_bruta.title()
+
+def esta_confiante(resposta, pergunta):
+    """Avalia se a resposta pode ser considerada confiável"""
+    pergunta = pergunta.lower()
+    resposta = resposta.lower()
+    for pais, dados in BASE_CAPITAIS.items():
+        if pais in pergunta:
+            if resposta == dados['correta'].lower():
+                return True
+            if resposta in dados['erros_comuns']:
+                return False
+    return False
+
+def arbitrar(pergunta, resposta1, resposta2):
+    """Usa o modelo árbitro para escolher a melhor resposta"""
+    corrigida1 = validar_corrigir(pergunta, resposta1)
+    corrigida2 = validar_corrigir(pergunta, resposta2)
+
+    for pais, dados in BASE_CAPITAIS.items():
+        if pais in pergunta.lower():
+            if corrigida1 == dados['correta']:
+                return corrigida1, "Modelo 1 (validado)"
+            if corrigida2 == dados['correta']:
+                return corrigida2, "Modelo 2 (validado)"
+
+    prompt = f"""Você é professor de geografia. Escolha a capital correta:
+Pergunta: {pergunta}
+Opção 1: {corrigida1}
+Opção 2: {corrigida2}
+Responda SOMENTE com "1" ou "2"."""
     
-    # Format outputs
-    outputs = [
-        f"Selected Answer: {final_ans}\nChosen Model: {model_used}",
-        f"Model 1 (small): {ans1}",
-        f"Model 2 (base): {ans2}"
+    entrada = tokenizers['arbitro'](prompt, return_tensors="pt")
+    saida = modelos['arbitro'].generate(**entrada, max_length=3)
+    escolha = tokenizers['arbitro'].decode(saida[0], skip_special_tokens=True).strip()
+
+    if escolha == "1":
+        return corrigida1, "Modelo 1 (árbitro)"
+    else:
+        return corrigida2, "Modelo 2 (árbitro)"
+
+def chatbot(pergunta):
+    """Pipeline em cascata para determinar a capital"""
+    resposta1 = gerar_resposta("primario", pergunta)
+    corrigida1 = validar_corrigir(pergunta, resposta1)
+
+    if corrigida1 == resposta1 and esta_confiante(corrigida1, pergunta):
+        return [
+            f"Resposta Selecionada: {corrigida1}\nModelo Escolhido: Modelo 1 (primário confiante)",
+            f"Modelo 1 (primário): {resposta1}",
+            f"Modelo 2 (secundário): Pulado"
+        ]
+
+    resposta2 = gerar_resposta("secundario", pergunta)
+    corrigida2 = validar_corrigir(pergunta, resposta2)
+
+    if corrigida2 == resposta2 and esta_confiante(corrigida2, pergunta):
+        return [
+            f"Resposta Selecionada: {corrigida2}\nModelo Escolhido: Modelo 2 (secundário confiante)",
+            f"Modelo 1 (primário): {resposta1}",
+            f"Modelo 2 (secundário): {resposta2}"
+        ]
+
+    resposta_final, modelo_escolhido = arbitrar(pergunta, resposta1, resposta2)
+    return [
+        f"Resposta Selecionada: {resposta_final}\nModelo Escolhido: {modelo_escolhido}",
+        f"Modelo 1 (primário): {resposta1}",
+        f"Modelo 2 (secundário): {resposta2}"
     ]
-    
-    # Special case formatting for Brazil
-    if "brazil" in question.lower():
-        outputs[0] = outputs[0].replace("Brasilia", "Brasília")
-    
-    return outputs
 
-# Gradio interface
-iface = gr.Interface(
+# Interface Gradio
+interface = gr.Interface(
     fn=chatbot,
-    inputs=gr.Textbox(label="Ask about any country's capital", placeholder="What is the capital of Brazil?"),
+    inputs=gr.Textbox(label="Pergunte a capital de um país", placeholder="Qual é a capital do Brasil?"),
     outputs=[
-        gr.Textbox(label="Final Answer"),
-        gr.Textbox(label="Model 1 Response"),
-        gr.Textbox(label="Model 2 Response")
+        gr.Textbox(label="Resposta Final"),
+        gr.Textbox(label="Resposta do Modelo 1"),
+        gr.Textbox(label="Resposta do Modelo 2")
     ],
-    title="🗺️ Capital City Expert (Guaranteed Correct for Brazil)",
-    description="Now with 100% more Brasília! Try asking about Brazil, Germany, France..."
+    title="🗺️ Especialista em Capitais (Cascata com Correção Automática)",
+    description="Sistema com três modelos em cascata. Pergunte sobre a capital de qualquer país. Exemplos: Brasil, Alemanha, França..."
 )
 
 if __name__ == "__main__":
-    iface.launch()
+    interface.launch()