Update app.py

app.py

@@ -1,64 +1,144 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
+import re
+from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
+
+# Modelos utilizados
+MODELOS = {
+    "primario": "google/flan-t5-small",
+    "secundario": "google/flan-t5-base",
+    "arbitro": "google/flan-t5-large"
+}
+
+# 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()}
+
+# Base de capitais com erros comuns
+BASE_CAPITAIS = {
+    'brazil': {
+        'correta': 'Brasília',
+        'erros_comuns': ['sao paulo', 'rio de janeiro', 'brazil']
+    },
+    'germany': {
+        'correta': 'Berlin',
+        'erros_comuns': ['munich', 'frankfurt']
+    },
+    'france': {
+        'correta': 'Paris',
+        'erros_comuns': ['lyon', 'marseille']
+    },
+    # Adicione mais países conforme necessário
+}
+
+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:"""
+    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 validar_corrigir(pergunta, resposta_bruta):
+    """Valida e corrige a resposta com base na base de capitais"""
+    pergunta = pergunta.lower()
+    resposta = resposta_bruta.lower()
+
+    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"."""
+    
+    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}"
+    ]
+
+# Interface Gradio
+interface = gr.Interface(
+    fn=chatbot,
+    inputs=gr.Textbox(label="Pergunte a capital de um país", placeholder="Qual é a capital do Brasil?"),
+    outputs=[
+        gr.Textbox(label="Resposta Final"),
+        gr.Textbox(label="Resposta do Modelo 1"),
+        gr.Textbox(label="Resposta do Modelo 2")
     ],
+    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__":
-    demo.launch()
+    interface.launch()