Upload app (63).py

رفعع باگهای برنامه 2 اسفند

app (63).py

@@ -0,0 +1,662 @@
+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
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+# ─────────────────────────────────────────────────────────────
+# مدل‌های موجود — برای تحلیل LLM
+# ─────────────────────────────────────────────────────────────
+AVAILABLE_MODELS = {
+    "chatgpt":   ["gpt-5.1", "gpt-5", "gpt-4.1", "gpt-4o", "gpt-4o-mini", "gpt-4-turbo"],
+    "grok":      ["grok-4-0709", "grok-3", "grok-3-mini", "grok-2-1212"],
+    "deepinfra": [
+        "Qwen/Qwen3-14B", "Qwen/Qwen3-32B", "Qwen/Qwen3-30B-A3B",
+        "Qwen/Qwen2.5-72B-Instruct", "Qwen/Qwen2.5-14B-Instruct",
+    ],
+}
+
+# ─────────────────────────────────────────────────────────────
+# DeepInfra — ناشناس‌سازی با Qwen3-14B
+# بهینه‌سازی‌ها:
+#   ۱. thinking mode خاموش (chat_template_kwargs)
+#   ۲. یک call: ناشناس‌سازی + mapping با هم در JSON
+# ─────────────────────────────────────────────────────────────
+ANON_MODEL   = "Qwen/Qwen3-14B"
+ANON_API_URL = "https://api.deepinfra.com/v1/openai/chat/completions"
+
+# ─────────────────────────────────────────────────────────────
+# SYSTEM PROMPT ناشناس‌سازی
+# fix: «company-XX» فقط برای نام‌های مشخص، نه کلمات عمومی
+# ─────────────────────────────────────────────────────────────
+ANON_SYSTEM_PROMPT = """You are a Persian text anonymizer. Output ONLY valid JSON, no explanation.
+
+TOKENS: company-01/02... | person-01/02... | amount-01/02... | percent-01/02...
+
+ENTITY RULES:
+- company-XX: ONLY specific named organizations (بانک پاسارگاد, فولاد مبارکه, ...)
+- NEVER use company-XX for generic words: بانک‌ها, شرکت‌ها, این بانک, این شرکت, سازمان‌ها
+- NEVER use company-XX for pronouns/references: این, آن, همین
+- person-XX: ONLY full personal names (نام + نام‌خانوادگی)
+- amount-XX: number + monetary/measurement unit TOGETHER as one token
+- percent-XX: number + درصد/٪ TOGETHER as one token
+- ALL org types use company-XX: banks→company-XX, funds→company-XX, auditors→company-XX
+- NEVER: bank-01, org-01, شرکت-01 — ONLY company-XX in English
+- Same named entity = same token. New named entity = next number."""
+
+
+# ─────────────────────────────────────────────────────────────
+# ساخت prompt — یک call، JSON output
+# ─────────────────────────────────────────────────────────────
+
+def build_single_call_prompt(text: str, entities: list) -> str:
+    """
+    یک prompt = یک call = ناشناس‌سازی + mapping با هم در JSON
+    بهینه‌سازی‌ها:
+    - /no_think در ابتدا → thinking mode خاموش
+    - JSON output → دو call به یک تبدیل شد
+    - fix: کلمات عمومی ناشناس نشوند
+    """
+    rules = []
+
+    if "company" in entities:
+        rules.append(
+            "company-XX → فقط نام‌های مشخص سازمان‌ها\n"
+            "  ✅ «بانک پاسارگاد» → company-01\n"
+            "  ✅ «ایران خودرو» → company-02  (بدون پیشوند هم ناشناس شود)\n"
+            "  ❌ «بانک‌های کشور»، «این بانک»، «سودآورترین بانک‌ها» → دست نزن"
+        )
+    if "person" in entities:
+        rules.append(
+            "person-XX → فقط نام کامل اشخاص (نام + نام‌خانوادگی)\n"
+            "  ✅ «فرج‌اله قدمی» → person-01\n"
+            "  ❌ «مدیرعامل»، «رئیس» → دست نزن"
+        )
+    if "amount" in entities:
+        rules.append(
+            "amount-XX → عدد + واحد را کاملاً با هم جایگزین کن\n"
+            "  ✅ «155 هزار میلیارد ریال» → amount-01\n"
+            "  ✅ «2700 میلیارد تومانی» �� amount-02\n"
+            "  ✅ «67 هزار میلیارد تومان» → amount-03\n"
+            "  ❌ «amount-01 میلیارد ریال» — واحد نباید بیرون بماند"
+        )
+    if "percent" in entities:
+        rules.append(
+            "percent-XX → عدد + درصد/٪ را کاملاً با هم جایگزین کن\n"
+            "  ✅ «منفی 345 درصد» → منفی percent-01\n"
+            "  ✅ «50 الی 70 درصد» → percent-02 الی percent-03  (دو توکن)\n"
+            "  ❌ «percent-01 درصد» — کلمه درصد نباید بیرون بماند"
+        )
+
+    rules.append(
+        "اعداد سال (1402، 1403، 1404) را ناشناس نکن\n"
+        "کلمات عمومی مثل «بانک‌ها»، «شرکت‌ها»، «این بانک»، «سودآورترین بانک‌ها» را دست نزن"
+    )
+
+    rules_text = "\n".join(rules)
+
+    mapping_hints = []
+    if "person"  in entities: mapping_hints.append('"person-XX": "نام کامل"')
+    if "company" in entities: mapping_hints.append('"company-XX": "نام کامل سازمان"')
+    if "amount"  in entities: mapping_hints.append('"amount-XX": "عدد + واحد کامل"')
+    if "percent" in entities: mapping_hints.append('"percent-XX": "عدد + درصد کامل"')
+    hints = ", ".join(mapping_hints)
+
+    # /no_think در ابتدای پیام → Qwen3 thinking mode خاموش می‌شود
+    return f"""/no_think
+متن فارسی زیر را ناشناس کن. خروجی فقط JSON، بدون هیچ توضیح اضافه.
+
+قوانین:
+{rules_text}
+
+فرمت خروجی:
+{{
+  "anonymized": "متن ناشناس شده اینجا",
+  "mapping": {{ {hints} }}
+}}
+
+متن:
+{text}"""
+
+
+def build_analysis_prompt(anonymized_text: str, analysis_prompt: str, entities: list) -> str:
+    tokens = []
+    if "person"  in entities: tokens.append("person-XX")
+    if "company" in entities: tokens.append("company-XX")
+    if "amount"  in entities: tokens.append("amount-XX")
+    if "percent" in entities: tokens.append("percent-XX")
+
+    return f"""متن ناشناس‌سازی شده:
+{anonymized_text}
+
+دستورات:
+{analysis_prompt}
+
+قوانین:
+- فقط از توکن‌های موجود استفاده کن: {', '.join(tokens)}
+- هیچ کلمه‌ای قبل/بعد از توکن‌ها اضافه نکن
+- توکن جدید ایجاد نکن"""
+
+
+# ─────────────────────────────────────────────────────────────
+# توابع کمکی
+# ─────────────────────────────────────────────────────────────
+
+def strip_thinking(text: str) -> str:
+    """حذف بلوک think — احتیاطی اگر thinking هنوز فعال بود"""
+    if not text:
+        return text
+    return re.sub(r"<think>.*?</think>", "", text, flags=re.DOTALL).strip()
+
+
+def parse_json_response(raw: str) -> dict:
+    """parse JSON مقاوم در برابر markdown fence و think blocks"""
+    raw = strip_thinking(raw)
+    raw = re.sub(r"```(?:json)?", "", raw).replace("```", "").strip()
+    start = raw.find("{")
+    end   = raw.rfind("}") + 1
+    if start == -1 or end == 0:
+        raise ValueError("JSON یافت نشد در خروجی مدل")
+    return json.loads(raw[start:end])
+
+
+def post_deepinfra(prompt: str, system: str, max_tokens: int = 4096) -> str:
+    """
+    ارسال به DeepInfra Qwen3-14B با thinking mode خاموش
+    دو روش غیرفعال کردن thinking:
+    ۱. /no_think در ابتدای prompt (در build_single_call_prompt)
+    ۲. chat_template_kwargs در API parameters
+    """
+    api_key = os.getenv("DEEPINFRA_API_KEY")
+    if not api_key:
+        raise ValueError("DEEPINFRA_API_KEY موجود نیست")
+
+    resp = requests.post(
+        ANON_API_URL,
+        headers={
+            "Authorization": f"Bearer {api_key}",
+            "Content-Type":  "application/json"
+        },
+        json={
+            "model": ANON_MODEL,
+            "messages": [
+                {"role": "system", "content": system},
+                {"role": "user",   "content": prompt}
+            ],
+            "max_tokens":  max_tokens,
+            "temperature": 0.1,
+            # ── غیرفعال کردن thinking mode — روش API ──
+            "chat_template_kwargs": {"enable_thinking": False},
+        },
+        timeout=90
+    )
+
+    if resp.status_code != 200:
+        raise Exception(f"DeepInfra API {resp.status_code}: {resp.text[:300]}")
+
+    content = resp.json()["choices"][0]["message"]["content"]
+    # احتیاطی: strip_thinking اگر باز هم think داشت
+    return strip_thinking(content)
+
+
+# ─────────────────────────────────────────────────────────────
+# کلاس اصلی
+# ─────────────────────────────────────────────────────────────
+class AnonymizerAdvanced:
+
+    def __init__(
+        self,
+        llm_provider: str = "chatgpt",
+        llm_model: str = None,
+        entities_to_anonymize: List[str] = None
+    ):
+        self.llm_provider = llm_provider
+        self.llm_model = llm_model
+        self.entities_to_anonymize = entities_to_anonymize or ["person", "company", "amount", "percent"]
+        self.mapping_table:  Dict[str, str] = {}
+        self.reverse_mapping: Dict[str, str] = {}
+        self._create_llm_sender()
+        logger.info(f"✅ Anonymizer مقداردهی شد — {llm_provider}")
+
+    # ── LLM sender (برای تحلیل) ─────────────────────────────
+
+    def _create_llm_sender(self):
+        try:
+            key_map = {
+                "chatgpt":   os.getenv("OPENAI_API_KEY"),
+                "grok":      os.getenv("XAI_API_KEY"),
+                "deepinfra": os.getenv("DEEPINFRA_API_KEY"),
+            }
+            self.llm_sender = create_llm_sender(
+                provider=self.llm_provider,
+                api_key=key_map.get(self.llm_provider),
+                model=self.llm_model
+            )
+            logger.info(f"✅ LLM Sender: {self.llm_provider} — {self.llm_sender.model}")
+        except Exception as e:
+            logger.error(f"❌ خطا در LLM Sender: {e}")
+            self.llm_sender = create_llm_sender("chatgpt")
+
+    def set_llm_provider(self, provider: str, model: str = None, entities: List[str] = None):
+        self.llm_provider = provider
+        self.llm_model = model
+        if entities is not None:
+            self.entities_to_anonymize = entities
+        self._create_llm_sender()
+
+    # ── ناشناس‌سازی — یک call، بدون thinking ──────────────
+
+    def anonymize(self, text: str) -> Tuple[str, Dict]:
+        """
+        ناشناس‌سازی با Qwen3-14B روی DeepInfra
+        بهینه‌سازی‌ها:
+          - thinking mode خاموش: /no_think + chat_template_kwargs
+          - یک API call: anonymized + mapping با هم در JSON
+        """
+        logger.info(f"⚡ Qwen3-14B (no-think, single call)...")
+
+        if not self.entities_to_anonymize:
+            return text, {}
+
+        prompt = build_single_call_prompt(text, self.entities_to_anonymize)
+
+        try:
+            raw = post_deepinfra(prompt, ANON_SYSTEM_PROMPT, max_tokens=4096)
+            logger.info(f"✅ پاسخ دریافت شد ({len(raw)} کاراکتر)")
+
+            result = parse_json_response(raw)
+            anonymized_text    = result.get("anonymized", "")
+            self.mapping_table = result.get("mapping", {})
+
+            # پاک‌سازی mapping از توکن‌های company-XX عمومی
+            self._clean_generic_tokens(anonymized_text)
+            self._fix_mapping()
+            self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+
+            for etype in self.entities_to_anonymize:
+                found = sorted(set(re.findall(rf'{etype}-\d+', anonymized_text)))
+                if found:
+                    logger.info(f"  {etype}: {found}")
+
+            logger.info(f"✅ mapping: {len(self.mapping_table)} موجودیت")
+            return anonymized_text, self.mapping_table
+
+        except json.JSONDecodeError as e:
+            logger.warning(f"⚠️ JSON parse خطا: {e} — fallback")
+            return self._anonymize_fallback(text)
+        except Exception as e:
+            logger.error(f"❌ DeepInfra Exception: {e}")
+            raise
+
+    def _anonymize_fallback(self, text: str) -> Tuple[str, Dict]:
+        """
+        Fallback: اگر JSON parse شکست خورد
+        دو call جداگانه با Qwen3 (بدون JSON mode)
+        """
+        logger.info("🔄 fallback: دو call...")
+
+        # Call 1: فقط متن ناشناس
+        rules = []
+        if "company" in self.entities_to_anonymize:
+            rules.append("company-XX → فقط نام‌های مشخص سازمان (نه بانک‌ها یا این بانک)")
+        if "person"  in self.entities_to_anonymize:
+            rules.append("person-XX → نام کامل اشخاص")
+        if "amount"  in self.entities_to_anonymize:
+            rules.append("amount-XX → عدد + واحد با هم")
+        if "percent" in self.entities_to_anonymize:
+            rules.append("percent-XX → عدد + درصد با هم")
+        rules.append("اعداد سال و کلمات عمومی را دست نزن. فقط متن ناشناس شده.")
+
+        prompt1 = "/no_think\n" + "\n".join(rules) + f"\n\nمتن:\n{text}"
+        anonymized_text = post_deepinfra(prompt1, ANON_SYSTEM_PROMPT, max_tokens=4096)
+
+        # Call 2: mapping
+        hints = []
+        if "person"  in self.entities_to_anonymize: hints.append('"person-XX": "نام کامل"')
+        if "company" in self.entities_to_anonymize: hints.append('"company-XX": "نام سازمان"')
+        if "amount"  in self.entities_to_anonymize: hints.append('"amount-XX": "عدد+واحد"')
+        if "percent" in self.entities_to_anonymize: hints.append('"percent-XX": "عدد+درصد"')
+
+        prompt2 = (
+            f"/no_think\n"
+            f"متن اصلی: {text}\n"
+            f"متن ناشناس: {anonymized_text}\n\n"
+            f"فقط JSON mapping:\n{{ {', '.join(hints)} }}"
+        )
+
+        try:
+            raw2 = post_deepinfra(prompt2, "Output ONLY valid JSON. No explanation.", max_tokens=2048)
+            self.mapping_table = parse_json_response(raw2)
+        except Exception:
+            self._extract_mapping_fallback(text, anonymized_text)
+
+        self._clean_generic_tokens(anonymized_text)
+        self._fix_mapping()
+        self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+        return anonymized_text, self.mapping_table
+
+    # ── پاک‌سازی mapping ────────────────────────────────────
+
+    def _clean_generic_tokens(self, anonymized_text: str):
+        """
+        حذف توکن‌هایی از mapping که در متن ناشناس وجود ندارند
+        (مدل ممکنه mapping بیشتر از چیزی که واقعاً گذاشته تولید کرده باشد)
+        """
+        to_remove = [
+            token for token in list(self.mapping_table.keys())
+            if token not in anonymized_text
+        ]
+        for token in to_remove:
+            del self.mapping_table[token]
+            logger.info(f"  🗑️ حذف توکن اضافی از mapping: {token}")
+
+    def _fix_mapping(self):
+        """اطمینان از صحت مقادیر percent"""
+        for token, value in list(self.mapping_table.items()):
+            val = str(value).strip()
+            if token.startswith("percent-") and not re.search(r"(درصد|%|٪|درصدی)", val):
+                self.mapping_table[token] = f"{val} درصد"
+                logger.info(f"  اصلاح {token}: '{val}' → '{val} درصد'")
+
+    # ── fallback mapping با regex ────────────────────────────
+
+    def _extract_mapping_fallback(self, original: str, anonymized: str):
+        pats: Dict[str, str] = {}
+        if "person"  in self.entities_to_anonymize:
+            pats["person"]  = r'(?<![ء-یa-zA-Z])[ء-ی]+\s+[ء-ی]+(?:\s+[ء-ی]+)*(?![ء-یa-zA-Z])'
+        if "company" in self.entities_to_anonymize:
+            pats["company"] = r'(?:(?:شرکت|بانک|سازمان|گروه|هلدینگ|صندوق)\s+)?[ء-ی][ء-ی\s]+'
+        if "amount"  in self.entities_to_anonymize:
+            pats["amount"]  = r'[\d۰-۹][,،\d۰-۹]*(?:\.\d+)?\s*(?:هزار|میلیون|میلیارد)?\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|دستگاه|تن)?'
+        if "percent" in self.entities_to_anonymize:
+            pats["percent"] = r'[\d۰-۹]+(?:\.\d+)?\s*(?:درصد|%|٪|درصدی)'
+
+        orig_entities = {
+            etype: [m.strip() for m in re.findall(pat, original) if m.strip()]
+            for etype, pat in pats.items()
+        }
+
+        for etype in self.entities_to_anonymize:
+            tokens = sorted(set(re.findall(rf'{etype}-(\d+)', anonymized)), key=int)
+            values = orig_entities.get(etype, [])
+            for tok_num in tokens:
+                token = f"{etype}-{tok_num}"
+                idx   = int(tok_num) - 1
+                self.mapping_table[token] = values[idx] if idx < len(values) else (values[-1] if values else token)
+
+        self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+        logger.info(f"✅ Fallback mapping: {len(self.mapping_table)} موجودیت")
+
+    # ── تحلیل با LLM ────────────────────────────────────────
+
+    def analyze_with_llm(self, anonymized_text: str, analysis_prompt: str = None) -> str:
+        logger.info(f"🤖 {self.llm_provider.upper()} تحلیل...")
+
+        if not analysis_prompt or not analysis_prompt.strip():
+            return "⚠️ هیچ دستور تحلیل داده نشده است"
+
+        prompt = build_analysis_prompt(anonymized_text, analysis_prompt, self.entities_to_anonymize)
+        try:
+            response = self.llm_sender.send(prompt, lang="fa", temperature=0.2, max_tokens=2000)
+            logger.info(f"✅ {self.llm_provider.upper()}: {len(response)} کاراکتر")
+            return response
+        except Exception as e:
+            logger.error(f"❌ {self.llm_provider.upper()} Exception: {e}")
+            return f"❌ خطا در ارتباط با {self.llm_provider.upper()}: {str(e)}"
+
+    # ── بازگردانی ────────────────────────────────────────────
+
+    def restore_text(self, anonymized_text: str) -> str:
+        logger.info("🔄 بازگردانی متن...")
+
+        if not self.mapping_table:
+            logger.warning("⚠️ جدول نگاشت خالی")
+            return anonymized_text
+
+        restored = self._normalize_tokens(anonymized_text)
+        count = 0
+
+        for placeholder, original in sorted(self.mapping_table.items(), key=lambda x: len(x[0]), reverse=True):
+            if placeholder in restored:
+                restored = restored.replace(placeholder, original)
+                count += 1
+                logger.info(f"  ✅ {placeholder} → {original[:40]}")
+            else:
+                logger.warning(f"  ⚠️ {placeholder} یافت نشد")
+
+        logger.info(f"✅ {count}/{len(self.mapping_table)} توکن بازگردانی شد")
+
+        if count < len(self.mapping_table):
+            restored = self._restore_with_regex(restored)
+
+        return restored
+
+    def _normalize_tokens(self, text: str) -> str:
+        normalized = text
+        unicode_hyphens = r'[\u2010\u2011\u2012\u2013\u2014\u2212]'
+        for etype in self.entities_to_anonymize:
+            normalized = re.sub(rf'{etype}{unicode_hyphens}(\d+)', rf'{etype}-\1', normalized)
+            normalized = re.sub(rf'{etype}\s+-\s+(\d+)',            rf'{etype}-\1', normalized)
+            normalized = re.sub(rf'({etype}-\d+)([ء-ی])',           r'\1 \2',       normalized)
+            normalized = re.sub(rf'({etype}-\d+)([،؛:.!?])',        r'\1 \2',       normalized)
+        return normalized
+
+    def _restore_with_regex(self, text: str) -> str:
+        restored = text
+        for placeholder, original in self.mapping_table.items():
+            if placeholder not in restored:
+                continue
+            etype, num = placeholder.split("-")
+            if re.search(rf'{etype}\s*-\s*{num}', restored):
+                restored = re.sub(rf'{etype}\s*-\s*{num}', original, restored)
+                logger.info(f"  ✅ regex: {placeholder} → {original[:40]}")
+        return restored
+
+    def get_mapping_table_md(self) -> str:
+        if not self.mapping_table:
+            return "### 📋 جدول نگاشت\n\nهیچ موجودیتی شناسایی نشد"
+        table = "### 📋 جدول نگاشت\n\n| شناسه | متن اصلی |\n|-------|----------|\n"
+        for token, original in sorted(self.mapping_table.items()):
+            table += f"| **{token}** | {original} |\n"
+        return table
+
+
+# ─────────────────────────────────────────────────────────────
+# متغیر سراسری
+# ─────────────────────────────────────────────────────────────
+anonymizer: Optional[AnonymizerAdvanced] = None
+
+
+# ─────────────────────────────────────────────────────────────
+# تابع اصلی پردازش
+# ─────────────────────────────────────────────────────────────
+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
+):
+    global anonymizer
+
+    if not input_text.strip():
+        return "", "", "", ""
+
+    entities = ["person", "company", "amount", "percent"] if anonymize_all else [
+        e for e, flag in [
+            ("person",  anonymize_person),
+            ("company", anonymize_company),
+            ("amount",  anonymize_amount),
+            ("percent", anonymize_percent),
+        ] if flag
+    ]
+
+    if not entities:
+        return "", "❌ لطفاً حداقل یک موجودیت انتخاب کنید", "", ""
+
+    if not anonymizer:
+        anonymizer = AnonymizerAdvanced(
+            llm_provider=llm_provider,
+            llm_model=llm_model,
+            entities_to_anonymize=entities
+        )
+    else:
+        anonymizer.set_llm_provider(llm_provider, llm_model, entities)
+        anonymizer.mapping_table   = {}
+        anonymizer.reverse_mapping = {}
+
+    try:
+        logger.info("=" * 60)
+        logger.info(f"⚡ ناشناس‌سازی: Qwen3-14B (no-think | single-call)")
+        logger.info(f"🤖 تحلیل: {llm_provider} ({llm_model})")
+        logger.info(f"🎯 موجودیت‌ها: {entities}")
+        logger.info("=" * 60)
+
+        # مرحله ۱: ناشناس‌سازی — Qwen3 بدون thinking، یک call
+        anon_text, _ = anonymizer.anonymize(input_text)
+
+        # مرحله ۲: تحلیل — LLM انتخابی
+        has_analysis = bool(analysis_prompt and analysis_prompt.strip())
+        llm_response = anonymizer.analyze_with_llm(anon_text, analysis_prompt) if has_analysis \
+                       else "⚠️ هیچ دستور تحلیل داده نشده است"
+
+        # مرحله ۳: بازگردانی
+        source   = llm_response if has_analysis else anon_text
+        restored = anonymizer.restore_text(source)
+
+        mapping_str = anonymizer.get_mapping_table_md()
+
+        logger.info("✅ پردازش کامل")
+        return restored, llm_response, anon_text, mapping_str
+
+    except Exception as e:
+        logger.error(f"❌ خطا: {e}", exc_info=True)
+        return "", f"❌ خطا: {str(e)}", "", ""
+
+
+def clear_all():
+    return "", "", "", "", "", "", True, False, False, False, False
+
+
+# ─────────────────────────────────────────────────────────────
+# رابط کاربری Gradio
+# ─────────────────────────────────────────────────────────────
+css_rtl = """
+.textbox textarea { direction: rtl; text-align: right; font-family: 'Tahoma', serif; }
+.input-box { direction: rtl; text-align: right; }
+.compact-checkbox label { padding: 5px 10px !important; font-size: 0.95em !important; }
+"""
+
+with gr.Blocks(title="سیستم ناشناس‌سازی متون", theme=gr.themes.Soft(), css=css_rtl) as app:
+
+    gr.Markdown(
+        "# 🔐 پلتفرم ناشناس‌سازی متون فارسی\n"
+        "> ⚡ ناشناس‌سازی: **Qwen3-14B** (بدون thinking — یک call) &nbsp;|&nbsp; "
+        "🤖 تحلیل: مدل انتخابی شما",
+        elem_classes="input-box"
+    )
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            with gr.Group():
+                gr.Markdown("### ⚙️ مدل تحلیل", elem_classes="input-box")
+                llm_provider = gr.Dropdown(
+                    choices=["chatgpt", "grok", "deepinfra"],
+                    value="chatgpt", label="🤖 مدل زبانی تحلیل", interactive=True
+                )
+                llm_model = gr.Dropdown(
+                    choices=AVAILABLE_MODELS["chatgpt"],
+                    value="gpt-4o-mini", label="📦 نسخه مدل", interactive=True
+                )
+
+        with gr.Column(scale=1):
+            with gr.Group():
+                gr.Markdown("### 🎯 موجودیت‌های ناشناس‌سازی", elem_classes="input-box")
+                anonymize_all     = gr.Checkbox(label="✅ همه موجودیت‌ها", value=True,  elem_classes="compact-checkbox")
+                anonymize_person  = gr.Checkbox(label="👤 اسامی اشخاص",   value=False, elem_classes="compact-checkbox")
+                anonymize_company = gr.Checkbox(label="🏢 نام شرکت‌ها",   value=False, elem_classes="compact-checkbox")
+                anonymize_amount  = gr.Checkbox(label="💰 ارقام مالی",    value=False, elem_classes="compact-checkbox")
+                anonymize_percent = gr.Checkbox(label="📊 درصدها",         value=False, elem_classes="compact-checkbox")
+
+    gr.Markdown("---")
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            gr.Markdown("### 📋 دستورات تحلیل (اختیاری)", elem_classes="input-box")
+            analysis_prompt = gr.Textbox(
+                lines=20,
+                placeholder="مثال: این متن را خلاصه کن\nیا: نکات کلیدی را استخراج کن",
+                label="", elem_classes="textbox"
+            )
+        with gr.Column(scale=1):
+            gr.Markdown("### 📝 متن ورودی", elem_classes="input-box")
+            input_text = gr.Textbox(
+                lines=20, placeholder="متن فارسی را وارد کنید...",
+                label="", elem_classes="textbox"
+            )
+
+    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)
+
+    gr.Markdown("## 📊 نتایج", elem_classes="input-box")
+
+    with gr.Row():
+        restored_text     = gr.Textbox(lines=12, label="✅ متن بازگردانی شده", interactive=False, elem_classes="textbox")
+        llm_analysis      = gr.Textbox(lines=12, label="🤖 تحلیل LLM",         interactive=False, elem_classes="textbox")
+        anonymized_output = gr.Textbox(lines=12, label="🔒 متن ناشناس‌شده",    interactive=False, elem_classes="textbox")
+
+    mapping_table = gr.Markdown("### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده", elem_classes="input-box")
+
+    # Event handlers
+    def handle_provider_change(provider):
+        models = AVAILABLE_MODELS.get(provider, [])
+        return gr.update(choices=models, value=models[0] if models else None)
+
+    llm_provider.change(fn=handle_provider_change, inputs=[llm_provider], outputs=[llm_model])
+
+    def handle_select_all(select_all):
+        s = gr.update(value=False, interactive=not select_all)
+        return s, s, s, s
+
+    anonymize_all.change(
+        fn=handle_select_all, inputs=[anonymize_all],
+        outputs=[anonymize_person, anonymize_company, anonymize_amount, anonymize_percent]
+    )
+
+    process_btn.click(
+        fn=process,
+        inputs=[
+            input_text, analysis_prompt, llm_provider, llm_model,
+            anonymize_all, anonymize_person, anonymize_company, anonymize_amount, anonymize_percent
+        ],
+        outputs=[restored_text, llm_analysis, anonymized_output, mapping_table]
+    )
+
+    clear_btn.click(
+        fn=clear_all,
+        outputs=[
+            input_text, analysis_prompt, restored_text, llm_analysis,
+            anonymized_output, mapping_table,
+            anonymize_all, anonymize_person, anonymize_company, anonymize_amount, anonymize_percent
+        ]
+    )
+
+
+# ─────────────────────────────────────────────────────────────
+if __name__ == "__main__":
+    print("=" * 60)
+    print(f"⚡ ناشناس‌سازی: Qwen3-14B (no-think | single-call)")
+    print("🤖 تحلیل: مدل انتخابی کاربر")
+    print("=" * 60)
+    app.launch(server_name="0.0.0.0", server_port=7860, share=False, show_error=True)