Delete app.py

app.py

@@ -1,662 +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
-
-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)