Update app.py

app.py

@@ -1,21 +1,43 @@
 from peft import PeftModel
-from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
+from transformers import (
+    AutoModelForCausalLM,
+    AutoTokenizer,
+    GenerationConfig,
+    TextIteratorStreamer
+)
+import torch
 import gradio as gr
+from threading import Thread
 
-# Загрузка модели и токенизатора
+# Загрузка и объединение модели с адаптерами
 base_model = AutoModelForCausalLM.from_pretrained(
     "Qwen/Qwen2.5-0.5B-Instruct",
-    device_map="auto"
+    device_map="auto",
+    torch_dtype=torch.float16,
+    low_cpu_mem_usage=True
 )
+
+# Объединение основной модели с адаптерами
 model = PeftModel.from_pretrained(base_model, "Locon213/ThinkLite")
+model = model.merge_and_unload()
+
+# Применяем оптимизации для CPU
+model = torch.quantization.quantize_dynamic(
+    model,
+    {torch.nn.Linear},
+    dtype=torch.qint8
+)
+model.config.use_cache = True
+
+# Загрузка токенизатора
 tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-0.5B-Instruct")
 
-# Конфигурация генерации
+# Конфигурация генерации с оптимизированными параметрами
 generation_config = GenerationConfig(
     temperature=0.7,
     top_p=0.9,
     top_k=50,
-    max_new_tokens=512,
+    max_new_tokens=256,  # Уменьшено для экономии памяти
     repetition_penalty=1.1,
     do_sample=True
 )
@@ -27,35 +49,57 @@ def format_prompt(message, history):
     prompt += f"<<<USER>>> {message}\n<<<ASSISTANT>>>"
     return prompt
 
-def generate_response(message, history):
-    # Форматируем промпт с историей чата
+def generate_stream(message, history):
     formatted_prompt = format_prompt(message, history)
-    
-    # Токенизация и генерация
     inputs = tokenizer(formatted_prompt, return_tensors="pt").to(model.device)
-    outputs = model.generate(
+    
+    streamer = TextIteratorStreamer(
+        tokenizer,
+        skip_prompt=True,
+        skip_special_tokens=True,
+        timeout=30
+    )
+    
+    generation_kwargs = dict(
         **inputs,
         generation_config=generation_config,
+        streamer=streamer,
         pad_token_id=tokenizer.eos_token_id
     )
     
-    # Декодирование и извлечение ответа
-    response = tokenizer.decode(outputs[0][len(inputs.input_ids[0]):], skip_special_tokens=True)
+    thread = Thread(target=model.generate, kwargs=generation_kwargs)
+    thread.start()
     
-    return response.strip()
-
-# Создание чат-интерфейса
-chat_interface = gr.ChatInterface(
-    fn=generate_response,
-    examples=[
-        "Объясни квантовую запутанность простыми словами",
-        "Как научиться программировать?",
-        "Напиши стихотворение про ИИ"
-    ],
-    title="ThinkLite Chat",
-    description="Общайтесь с ThinkLite - адаптированной версией Qwen2.5-0.5B-Instruct",
-    theme="soft"
-)
+    partial_message = ""
+    for new_token in streamer:
+        partial_message += new_token
+        yield partial_message
+
+# Создание интерфейса с оптимизированным дизайном
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# ThinkLite Chat (Optimized)")
+    gr.Markdown("🚀 Версия с потоковым выводом и оптимизацией для CPU")
+    
+    chatbot = gr.Chatbot(height=400)
+    msg = gr.Textbox(label="Ваше сообщение")
+    clear_btn = gr.Button("Очистить историю")
+
+    def user(message, chat_history):
+        return "", chat_history + [[message, None]]
+
+    def bot(chat_history):
+        message = chat_history[-1][0]
+        history = chat_history[:-1]
+        
+        chat_history[-1][1] = ""
+        for response in generate_stream(message, history):
+            chat_history[-1][1] = response
+            yield chat_history
+
+    msg.submit(user, [msg, chatbot], [msg, chatbot], queue=False).then(
+        bot, chatbot, chatbot
+    )
+    clear_btn.click(lambda: [], None, chatbot, queue=False)
 
 if __name__ == "__main__":
-    chat_interface.launch()
+    demo.queue(max_size=10).launch(debug=False)