Delete app_FIXED.py

app_FIXED.py

@@ -1,736 +0,0 @@
-import gradio as gr
-import re
-import os
-import requests
-import json
-import logging
-from typing import Dict, List, Tuple, Optional
-from llm_sender_unified import create_llm_sender
-from qwen_anonymizer import create_qwen_anonymizer  # ✅ اضافه شد
-
-# ✅ مدل‌های موجود - به‌روزرسانی نوامبر 2024
-AVAILABLE_MODELS = {
-    "chatgpt": [
-        # GPT-5 Series (جدیدترین)
-        "gpt-5.1",           # بهترین برای کدنویسی و وظایف agentic
-        "gpt-5",             # مدل reasoning قبلی
-        # GPT-4 Series
-        "gpt-4.1",           # هوشمندترین non-reasoning
-        "gpt-4o",            # قدرتمند
-        "gpt-4o-mini",       # سریع و ارزان
-        "gpt-4-turbo",       # سریع‌تر از GPT-4
-    ],
-    "grok": [
-        # Grok-4 Series (جدیدترین)
-        "grok-4-fast-reasoning",      # سریع با reasoning
-        "grok-4-fast-non-reasoning",  # سریع بدون reasoning
-        "grok-4-0709",                # نسخه پایدار
-        # Grok-3 Series
-        "grok-3",                     # قدرتمند
-        "grok-3-mini",                # سبک
-        # Grok-2 Series
-        "grok-2-vision-1212",         # با قابلیت بینایی
-        "grok-2-1212",                # نسخه پایدار
-        "grok-2"                      # نسخه قدیمی
-    ]
-}
-
-# ✅ روش‌های ناشناس‌سازی
-ANONYMIZATION_METHODS = {
-    "cerebras": "🧠 Cerebras (Llama 3.3 70B)",
-    "qwen": "🤖 Qwen2.5-1.5B (فاین‌تیون شده)"  # ✅ جدید
-}
-
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-class AnonymizerAdvanced:
-    """ناشناس‌ساز پیشرفته با روش‌های متعدد"""
-    
-    def __init__(
-        self, 
-        cerebras_key: str = None, 
-        llm_provider: str = "chatgpt", 
-        llm_model: str = None,
-        entities_to_anonymize: List[str] = None,
-        anonymization_method: str = "cerebras"  # ✅ جدید
-    ):
-        self.cerebras_key = cerebras_key or os.getenv("CEREBRAS_API_KEY")
-        self.llm_provider = llm_provider
-        self.llm_model = llm_model
-        self.entities_to_anonymize = entities_to_anonymize or ["person", "company", "amount", "percent"]
-        self.anonymization_method = anonymization_method  # ✅ جدید
-        self.mapping_table = {}
-        self.reverse_mapping = {}
-        
-        # ایجاد LLM sender
-        self._create_llm_sender()
-        
-        # ✅ ایجاد Qwen Anonymizer
-        if self.anonymization_method == "qwen":
-            self.qwen_anonymizer = create_qwen_anonymizer()
-            logger.info("✅ Qwen Anonymizer مقداردهی شد")
-        
-        logger.info(f"✅ Anonymizer Advanced مقداردهی شد با {llm_provider}")
-    
-    def _create_llm_sender(self):
-        """ایجاد LLM sender مناسب"""
-        try:
-            # ✅ همیشه از Hugging Face Secrets استفاده کن
-            if self.llm_provider == "chatgpt":
-                api_key = os.getenv("OPENAI_API_KEY")
-                logger.info("🔑 استفاده از OPENAI_API_KEY از Secrets")
-            elif self.llm_provider == "grok":
-                api_key = os.getenv("XAI_API_KEY")
-                logger.info("🔑 استفاده از XAI_API_KEY از Secrets")
-            else:
-                api_key = None
-                logger.warning("⚠️ Provider ناشناخته")
-            
-            # ایجاد sender
-            self.llm_sender = create_llm_sender(
-                provider=self.llm_provider,
-                api_key=api_key,
-                model=self.llm_model
-            )
-            
-            logger.info(f"✅ LLM Sender ایجاد شد: {self.llm_provider} - {self.llm_sender.model}")
-            
-        except Exception as e:
-            logger.error(f"❌ خطا در ایجاد LLM Sender: {e}")
-            # fallback to ChatGPT
-            self.llm_sender = create_llm_sender("chatgpt")
-
-    def set_llm_provider(self, provider: str, model: str = None, entities: List[str] = None):
-        """تغییر provider و مدل LLM و موجودیت‌های ناشناس‌سازی"""
-        self.llm_provider = provider
-        self.llm_model = model
-        if entities is not None:
-            self.entities_to_anonymize = entities
-        self._create_llm_sender()
-        logger.info(f"✅ LLM تغییر یافت به: {provider} - {model}")
-        logger.info(f"✅ موجودیت‌های ناشناس‌سازی: {self.entities_to_anonymize}")
-    
-    def set_anonymization_method(self, method: str):
-        """تغییر روش ناشناس‌سازی"""
-        self.anonymization_method = method
-        
-        if method == "qwen" and not hasattr(self, 'qwen_anonymizer'):
-            self.qwen_anonymizer = create_qwen_anonymizer()
-            logger.info("✅ Qwen Anonymizer مقداردهی شد")
-        
-        logger.info(f"✅ روش ناشناس‌سازی تغییر یافت به: {method}")
-
-    def anonymize_with_cerebras(self, text: str) -> Tuple[str, Dict]:
-        """ناشناس‌سازی با Cerebras - بر اساس موجودیت‌های انتخابی"""
-        logger.info("🧠 روش Cerebras...")
-        
-        if not self.cerebras_key:
-            logger.error("❌ Cerebras API Key موجود نیست")
-            raise ValueError("Cerebras API Key مورد نیاز است")
-        
-        # ✅ ساخت دستورات بر اساس موجودیت‌های انتخابی
-        instructions = []
-        instruction_number = 1
-        
-        if "person" in self.entities_to_anonymize:
-            instructions.append(f"{instruction_number}. اسامی اشخاص → person-01, person-02, ...")
-            instruction_number += 1
-        
-        if "company" in self.entities_to_anonymize:
-            instructions.append(f"{instruction_number}. نام شرکت‌ها/سازمان‌ها → company-01, company-02, ...")
-            instruction_number += 1
-        
-        if "amount" in self.entities_to_anonymize:
-            instructions.append(f"{instruction_number}. اعداد و ارقام و مبالغ (مثل: 50 میلیارد، 100 هزار، 25.5 میلیون، ۳۰۰ دستگاه) → amount-01, amount-02, ...")
-            instruction_number += 1
-        
-        if "percent" in self.entities_to_anonymize:
-            instructions.append(f"{instruction_number}. درصدها → percent-01, percent-02, ...")
-            instruction_number += 1
-        
-        # اگه هیچی انتخاب نشده، متن رو همون‌طور برگردون
-        if not instructions:
-            logger.warning("⚠️ هیچ موجودیتی برای ناشناس‌سازی انتخاب نشده!")
-            return text, {}
-        
-        instructions_text = "\n".join(instructions)
-        instructions_text += f"\n{instruction_number}. فقط این توکن‌ها استفاده کنید"
-        instructions_text += f"\n{instruction_number + 1}. شماره‌های نسخه را درست حفظ کنید"
-        instructions_text += f"\n{instruction_number + 2}. اگر موجودیت تکرار شود از شماره قدیمی استفاده کنید"
-        
-        try:
-            # مرحله 1: ناشناس‌سازی متن
-            # ✅ ساخت مثال برای amount (اگر انتخاب شده)
-            example_text = ""
-            if "amount" in self.entities_to_anonymize:
-                example_text = """
-مثال:
-متن اصلی: "فروش 50 میلیارد ریال در سال گذشته بود."
-متن ناشناس: "فروش amount-01 در سال گذشته بود."
-"""
-            
-            prompt1 = f"""متن زیر را ناشناس کنید. قوانین:
-{instructions_text}
-{example_text}
-متن:
-{text}
-
-خروجی: فقط متن ناشناس شده (بدون توضیح اضافی)"""
-            
-            response1 = requests.post(
-                "https://api.cerebras.ai/v1/chat/completions",
-                headers={
-                    "Authorization": f"Bearer {self.cerebras_key}",
-                    "Content-Type": "application/json"
-                },
-                json={
-                    "model": "llama-3.3-70b",
-                    "messages": [{"role": "user", "content": prompt1}],
-                    "max_tokens": 4096,
-                    "temperature": 0.1
-                },
-                timeout=60
-            )
-            
-            if response1.status_code != 200:
-                logger.error(f"❌ Cerebras Error: {response1.status_code}")
-                raise Exception(f"Cerebras API Error: {response1.status_code}")
-            
-            anonymized_text = response1.json()['choices'][0]['message']['content'].strip()
-            logger.info("✅ Cerebras: ناشناس‌سازی موفق")
-            
-            # مرحله 2: استخراج mapping - فقط برای موجودیت‌های انتخابی
-            mapping_instructions = []
-            json_example = "{\n"
-            
-            if "person" in self.entities_to_anonymize:
-                mapping_instructions.append('- برای person-XX: نام کامل شخص (مثلاً "علی احمدی")')
-                json_example += '  "person-01": "متن اصلی کامل",\n'
-            
-            if "company" in self.entities_to_anonymize:
-                mapping_instructions.append('- برای company-XX: نام کامل شرکت/سازمان (مثلاً "شرکت پتروشیمی")')
-                json_example += '  "company-01": "متن اصلی کامل",\n'
-            
-            if "amount" in self.entities_to_anonymize:
-                mapping_instructions.append('- برای amount-XX: عدد + واحد (مثلاً "80 هزار تومان" یا "50 میلیارد ریال")')
-                json_example += '  "amount-01": "مت�� اصلی کامل با واحد",\n'
-            
-            if "percent" in self.entities_to_anonymize:
-                mapping_instructions.append('- برای percent-XX: عدد + کلمه "درصد" (مثلاً "40 درصد" نه فقط "40")')
-                json_example += '  "percent-01": "عدد + درصد",\n'
-            
-            json_example += "  ...\n}"
-            mapping_instructions_text = "\n".join(mapping_instructions)
-            
-            prompt2 = f"""متن اصلی:
-{text}
-
-متن ناشناس شده:
-{anonymized_text}
-
-لطفاً یک جدول mapping برای همه توکن‌های ناشناس ایجاد کن.
-برای هر توکن، متن اصلی کامل آن را مشخص کن.
-
-**مهم:** 
-{mapping_instructions_text}
-
-خروجی را به این فرمت JSON بده (فقط JSON، بدون توضیح اضافی):
-{json_example}"""
-            
-            response2 = requests.post(
-                "https://api.cerebras.ai/v1/chat/completions",
-                headers={
-                    "Authorization": f"Bearer {self.cerebras_key}",
-                    "Content-Type": "application/json"
-                },
-                json={
-                    "model": "llama-3.3-70b",
-                    "messages": [{"role": "user", "content": prompt2}],
-                    "max_tokens": 4096,
-                    "temperature": 0.1
-                },
-                timeout=60
-            )
-            
-            if response2.status_code != 200:
-                logger.error(f"❌ Cerebras Mapping Error: {response2.status_code}")
-                raise Exception(f"Cerebras Mapping Error: {response2.status_code}")
-            
-            mapping_text = response2.json()['choices'][0]['message']['content'].strip()
-            
-            # پارس JSON
-            mapping_dict = self._parse_json_mapping(mapping_text)
-            
-            logger.info("✅ Cerebras: mapping استخراج شد")
-            
-            return anonymized_text, mapping_dict
-        
-        except Exception as e:
-            logger.error(f"❌ خطا در Cerebras: {e}")
-            return f"❌ خطا در ناشناس‌سازی: {str(e)}", {}
-    
-    def anonymize_with_qwen(self, text: str) -> Tuple[str, Dict]:
-        """✅ ناشناس‌سازی با مدل فاین‌تیون شده Qwen"""
-        logger.info("🤖 روش Qwen...")
-        
-        try:
-            if not hasattr(self, 'qwen_anonymizer'):
-                self.qwen_anonymizer = create_qwen_anonymizer()
-            
-            anonymized_text, mapping_dict = self.qwen_anonymizer.anonymize(
-                text,
-                entities_to_anonymize=self.entities_to_anonymize
-            )
-            
-            logger.info("✅ Qwen: ناشناس‌سازی موفق")
-            return anonymized_text, mapping_dict
-        
-        except Exception as e:
-            logger.error(f"❌ خطا در Qwen: {e}")
-            return f"❌ خطا در ناشناس‌سازی: {str(e)}", {}
-    
-    def _parse_json_mapping(self, text: str) -> Dict:
-        """پارس کردن JSON mapping از پاسخ LLM"""
-        try:
-            # حذف markdown code blocks
-            text = re.sub(r'```json\s*', '', text)
-            text = re.sub(r'```\s*', '', text)
-            text = text.strip()
-            
-            # پیدا کردن اولین { و آخرین }
-            start = text.find('{')
-            end = text.rfind('}')
-            
-            if start != -1 and end != -1:
-                json_text = text[start:end+1]
-                mapping = json.loads(json_text)
-                return mapping
-            else:
-                logger.error("❌ فرمت JSON نامعتبر")
-                return {}
-        
-        except json.JSONDecodeError as e:
-            logger.error(f"❌ خطا در پارس JSON: {e}")
-            return {}
-        except Exception as e:
-            logger.error(f"❌ خطای غیرمنتظره: {e}")
-            return {}
-    
-    def anonymize(self, text: str) -> Tuple[str, Dict]:
-        """✅ ناشناس‌سازی با روش انتخابی"""
-        if self.anonymization_method == "cerebras":
-            return self.anonymize_with_cerebras(text)
-        elif self.anonymization_method == "qwen":
-            return self.anonymize_with_qwen(text)
-        else:
-            logger.error(f"❌ روش ناشناخته: {self.anonymization_method}")
-            return text, {}
-    
-    def restore_text(self, anonymized_text: str) -> str:
-        """بازگردانی متن با استفاده از mapping"""
-        restored = anonymized_text
-        
-        for token, original in self.mapping_table.items():
-            restored = restored.replace(token, original)
-        
-        return restored
-    
-    def analyze_with_llm(self, anonymized_text: str, prompt: str) -> str:
-        """تحلیل متن ناشناس شده با LLM"""
-        if not prompt or not prompt.strip():
-            return "❌ دستور LLM خالی است!"
-        
-        full_prompt = f"""{prompt}
-
-متن:
-{anonymized_text}"""
-        
-        try:
-            response = self.llm_sender.send_simple(full_prompt, lang='fa')
-            return response
-        
-        except Exception as e:
-            logger.error(f"❌ خطا در تحلیل LLM: {e}")
-            return f"❌ خطا: {str(e)}"
-
-
-# ==================== Gradio Interface ====================
-
-# متغیر global برای نگهداری instance
-anonymizer = None
-
-def initialize_anonymizer():
-    """مقداردهی اولیه anonymizer"""
-    global anonymizer
-    anonymizer = AnonymizerAdvanced(
-        llm_provider="chatgpt",
-        llm_model="gpt-4o-mini",
-        anonymization_method="cerebras"  # پیش‌فرض
-    )
-    logger.info("✅ Anonymizer مقداردهی شد")
-
-def process(
-    input_text: str,
-    analysis_prompt: str,
-    llm_provider: str,
-    llm_model: str,
-    anonymize_all: bool,
-    anonymize_person: bool,
-    anonymize_company: bool,
-    anonymize_amount: bool,
-    anonymize_percent: bool,
-    anonymization_method: str  # ✅ پارامتر جدید
-):
-    """پردازش متن"""
-    global anonymizer
-    
-    # بررسی اولیه
-    if not input_text or not input_text.strip():
-        return "", "", "", "### ⚠️ خطا\n\nمتن ورودی خالی است!"
-    
-    try:
-        # تعیین موجودیت‌ها
-        if anonymize_all:
-            entities = ["person", "company", "amount", "percent"]
-        else:
-            entities = []
-            if anonymize_person:
-                entities.append("person")
-            if anonymize_company:
-                entities.append("company")
-            if anonymize_amount:
-                entities.append("amount")
-            if anonymize_percent:
-                entities.append("percent")
-        
-        if not entities:
-            return "", "", "", "### ⚠️ خطا\n\nحداقل یک موجودیت را انتخاب کنید!"
-        
-        # تنظیم anonymizer
-        anonymizer.set_llm_provider(llm_provider, llm_model, entities)
-        anonymizer.set_anonymization_method(anonymization_method)  # ✅ جدید
-        
-        # ناشناس‌سازی
-        anonymized_text, mapping = anonymizer.anonymize(input_text)
-        
-        if not mapping:
-            return "", "", anonymized_text, "### ⚠️ هشدار\n\nMapping خالی است!"
-        
-        anonymizer.mapping_table = mapping
-        
-        # تحلیل (اختیاری) - باید اول انجام بشه!
-        has_analysis = analysis_prompt and analysis_prompt.strip()
-        
-        if has_analysis:
-            # مرحله 1: تحلیل LLM
-            llm_analysis = anonymizer.analyze_with_llm(anonymized_text, analysis_prompt)
-            # مرحله 2: بازگردانی خروجی LLM (نه متن ناشناس اولیه!)
-            restored_text = anonymizer.restore_text(llm_analysis)
-        else:
-            # بدون تحلیل
-            llm_analysis = "تحلیل درخواست نشده"
-            # بازگردانی متن ناشناس اولیه
-            restored_text = anonymizer.restore_text(anonymized_text)
-        
-        # ساخت جدول mapping
-        mapping_md = "### 📋 جدول نگاشت\n\n"
-        mapping_md += "| توکن | مقدار اصلی |\n"
-        mapping_md += "|------|------------|\n"
-        
-        for token, value in sorted(mapping.items()):
-            mapping_md += f"| `{token}` | {value} |\n"
-        
-        return restored_text, llm_analysis, anonymized_text, mapping_md
-    
-    except Exception as e:
-        logger.error(f"❌ خطا در پردازش: {e}")
-        error_md = f"### ❌ خطا\n\n{str(e)}"
-        return "", "", "", error_md
-
-def clear_all():
-    """پاک کردن همه فیلدها"""
-    return (
-        "",  # input_text
-        "",  # analysis_prompt
-        "",  # restored_text
-        "",  # llm_analysis
-        "",  # anonymized_text
-        "### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده",  # mapping_table
-        True,  # anonymize_all
-        False,  # anonymize_person
-        False,  # anonymize_company
-        False,  # anonymize_amount
-        False   # anonymize_percent
-    )
-
-
-# ==================== Gradio App ====================
-
-# مقداردهی اولیه
-initialize_anonymizer()
-
-# CSS سفارشی
-custom_css = """
-.input-box {
-    direction: rtl;
-    text-align: right;
-}
-.textbox {
-    direction: rtl !important;
-    text-align: right !important;
-}
-.thick-divider {
-    border-top: 3px solid #ccc;
-    margin: 20px 0;
-}
-.compact-checkbox label {
-    padding: 5px 0 !important;
-}
-"""
-
-with gr.Blocks(css=custom_css, title="سیستم ناشناس‌سازی متون", theme=gr.themes.Soft()) as app:
-    gr.Markdown(
-        """
-        # 🔒 سیستم ناشناس‌سازی متون مالی و خبری
-        ### با قابلیت تحلیل هوشمند و بازگردانی دقیق
-        """,
-        elem_classes="input-box"
-    )
-    
-    # ردیف اول: تنظیمات
-    with gr.Row():
-        # سمت راست: انتخاب مدل
-        with gr.Column(scale=1):
-            with gr.Group():
-                gr.Markdown("### 🎯 انتخاب مدل", elem_classes="input-box")
-                
-                # ✅ انتخاب روش ناشناس‌سازی
-                anonymization_method = gr.Radio(
-                    choices=list(ANONYMIZATION_METHODS.keys()),
-                    value="cerebras",
-                    label="🔧 روش ناشناس‌سازی",
-                    interactive=True,
-                    elem_classes="input-box"
-                )
-                
-                llm_provider = gr.Radio(
-                    choices=["chatgpt", "grok"],
-                    value="chatgpt",
-                    label="🤖 انتخاب مدل زبانی (برای تحلیل)",
-                    interactive=True
-                )
-                
-                llm_model = gr.Dropdown(
-                    choices=AVAILABLE_MODELS["chatgpt"],
-                    value="gpt-4o-mini",
-                    label="📦 انتخاب نسخه مدل",
-                    interactive=True
-                )
-        
-        # سمت چپ: انتخاب موجودیت‌ها
-        with gr.Column(scale=1):
-            with gr.Group():
-                gr.Markdown("### 🎯 انتخاب موجودیت‌ها", elem_classes="input-box")
-                
-                anonymize_all = gr.Checkbox(
-                    label="✅ همه موجودیت‌ها",
-                    value=True,
-                    elem_classes="input-box compact-checkbox"
-                )
-                
-                anonymize_person = gr.Checkbox(
-                    label="👤 اسامی اشخاص",
-                    value=False,
-                    elem_classes="input-box compact-checkbox"
-                )
-                
-                anonymize_company = gr.Checkbox(
-                    label="🏢 نام شرکت‌ها",
-                    value=False,
-                    elem_classes="input-box compact-checkbox"
-                )
-                
-                anonymize_amount = gr.Checkbox(
-                    label="💰 ارقام مالی",
-                    value=False,
-                    elem_classes="input-box compact-checkbox"
-                )
-                
-                anonymize_percent = gr.Checkbox(
-                    label="📊 درصدها",
-                    value=False,
-                    elem_classes="input-box compact-checkbox"
-                )
-    
-    # خط جداکننده پررنگ
-    gr.Markdown("---", elem_classes="thick-divider")
-    
-    # ردیف دوم: دستورات پردازش و متن ورودی
-    with gr.Row():
-        # سمت راست: دستورات پردازش
-        with gr.Column(scale=1):
-            gr.Markdown("### 📋 دستورات پردازش", elem_classes="input-box")
-            
-            analysis_prompt = gr.Textbox(
-                lines=22,
-                placeholder="مثال: این متن را خلاصه کن\nیا: نکات کلیدی را استخراج کن",
-                label="📋 دستورات LLM (اختیاری)",
-                elem_classes="textbox"
-            )
-        
-        # سمت چپ: متن ورودی
-        with gr.Column(scale=1):
-            gr.Markdown("### 📝 متن ورودی", elem_classes="input-box")
-            
-            input_text = gr.Textbox(
-                lines=22,
-                placeholder="متن مالی/خبری را وارد کنید...",
-                label="",
-                elem_classes="textbox"
-            )
-    
-    # دکمه‌های پردازش و پاک کردن
-    with gr.Row():
-        process_btn = gr.Button(
-            "▶️ پردازش",
-            variant="primary",
-            size="lg",
-            scale=2
-        )
-        
-        clear_btn = gr.Button(
-            "🗑️ پاک کردن",
-            variant="stop",
-            size="lg",
-            scale=1
-        )
-    
-    # نتایج
-    gr.Markdown("## 📊 نتایج پردازش", elem_classes="input-box")
-    
-    with gr.Row():
-        with gr.Column(scale=1):
-            restored_text = gr.Textbox(
-                lines=12,
-                label="✅ متن بازگردانی شده",
-                interactive=False,
-                elem_classes="textbox"
-            )
-        
-        with gr.Column(scale=1):
-            llm_analysis = gr.Textbox(
-                lines=12,
-                label="🤖 تحلیل LLM",
-                interactive=False,
-                elem_classes="textbox"
-            )
-        
-        with gr.Column(scale=1):
-            anonymized_text = gr.Textbox(
-                lines=12,
-                label="🔒 متن ناشناس‌شده",
-                interactive=False,
-                elem_classes="textbox"
-            )
-    
-    mapping_table = gr.Markdown(
-        value="### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده",
-        label="📋 جدول نگاشت",
-        elem_classes="input-box"
-    )
-    
-    
-    # Event Handler برای تغییر provider
-    def handle_provider_change(provider):
-        models = AVAILABLE_MODELS.get(provider, [])
-        default_model = models[0] if models else None
-        return gr.update(choices=models, value=default_model)
-    
-    llm_provider.change(
-        fn=handle_provider_change,
-        inputs=[llm_provider],
-        outputs=[llm_model]
-    )
-    
-    def handle_select_all(select_all):
-        if select_all:
-            return (
-                gr.update(value=False, interactive=False),
-                gr.update(value=False, interactive=False),
-                gr.update(value=False, interactive=False),
-                gr.update(value=False, interactive=False)
-            )
-        else:
-            return (
-                gr.update(value=False, interactive=True),
-                gr.update(value=False, interactive=True),
-                gr.update(value=False, interactive=True),
-                gr.update(value=False, interactive=True)
-            )
-    
-    anonymize_all.change(
-        fn=handle_select_all,
-        inputs=[anonymize_all],
-        outputs=[anonymize_person, anonymize_company, anonymize_amount, anonymize_percent]
-    )
-    
-    # پردازش
-    process_btn.click(
-        fn=process,
-        inputs=[
-            input_text, 
-            analysis_prompt, 
-            llm_provider, 
-            llm_model,
-            anonymize_all,
-            anonymize_person,
-            anonymize_company,
-            anonymize_amount,
-            anonymize_percent,
-            anonymization_method  # ✅ جدید
-        ],
-        outputs=[restored_text, llm_analysis, anonymized_text, mapping_table]
-    )
-    
-    # پاک کردن
-    clear_btn.click(
-        fn=clear_all,
-        outputs=[
-            input_text, 
-            analysis_prompt,
-            restored_text, 
-            llm_analysis, 
-            anonymized_text, 
-            mapping_table,
-            anonymize_all,
-            anonymize_person,
-            anonymize_company,
-            anonymize_amount,
-            anonymize_percent
-        ]
-    )
-
-if __name__ == "__main__":
-    print("=" * 70)
-    print("🚀 سیستم ناشناس‌سازی متون در حال راه‌اندازی...")
-    print("=" * 70)
-    print("\n📋 نحوه استفاده:\n")
-    print("1. API Keyها را در Hugging Face Secrets تنظیم کنید:")
-    print("   - CEREBRAS_API_KEY (برای روش Cerebras)")
-    print("   - HF_TOKEN (برای استفاده از مدل Qwen)")
-    print("   - OPENAI_API_KEY (برای ChatGPT)")
-    print("   - XAI_API_KEY (برای Grok)")
-    print("2. روش ناشناس‌سازی را انتخاب کنید (Cerebras یا Qwen)")
-    print("3. مدل زبانی (ChatGPT/Grok) و نسخه مدل را انتخاب کنید")
-    print("4. موجودیت‌های مورد نظر برای ناشناس‌سازی را انتخاب کنید")
-    print("5. متن و دستورات پردازش را وارد کنید")
-    print("6. 'پردازش' را کلیک کنید\n")
-    print("=" * 70 + "\n")
-    
-    app.launch(
-        server_name="0.0.0.0",
-        server_port=7860,
-        share=False,
-        show_error=True
-    )