Update app.py

app.py

@@ -1,12 +1,10 @@
 import gradio as gr
-from transformers import AutoModelForCausalLM, AutoTokenizer
+from huggingface_hub import InferenceClient
 
-# Загрузка модели и токенизатора
-model_name = "google/gemma-2-2b-it"  # Укажите новую модель
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-model = AutoModelForCausalLM.from_pretrained(model_name)
+# Подключение к модели zephyr-7b-beta через Inference API
+client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
 
-# Функция для обработки запросов
+# Функция для обработки запросов и ответов
 def respond(
     message,
     history: list[tuple[str, str]],
@@ -15,32 +13,30 @@ def respond(
     temperature,
     top_p,
 ):
-    # Создаем prompt с учетом истории сообщений и системного сообщения
-    prompt = system_message + "\n\n"
+    # Формируем сообщения для модели
+    messages = [{"role": "system", "content": system_message}]
 
-    for user_msg, bot_response in history:
-        if user_msg:
-            prompt += f"User: {user_msg}\n"
+    for user_message, bot_response in history:
+        if user_message:
+            messages.append({"role": "user", "content": user_message})
         if bot_response:
-            prompt += f"Bot: {bot_response}\n"
+            messages.append({"role": "assistant", "content": bot_response})
 
     # Добавляем текущее сообщение пользователя
-    prompt += f"User: {message}\nBot:"
-
-    # Генерация ответа модели
-    inputs = tokenizer(prompt, return_tensors="pt", max_length=max_tokens, truncation=True)
-    outputs = model.generate(
-        **inputs,
-        max_new_tokens=max_tokens,
+    messages.append({"role": "user", "content": message})
+
+    # Генерация ответа от модели
+    response = ""
+    for message in client.chat_completion(
+        messages,
+        max_tokens=max_tokens,
+        stream=True,
         temperature=temperature,
         top_p=top_p,
-        do_sample=True,
-    )
-    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-
-    # Извлечение ответа модели (после "Bot:")
-    bot_response = response.split("Bot:")[-1].strip()
-    return bot_response
+    ):
+        token = message.choices[0].delta.content
+        response += token
+        yield response
 
 # Интерфейс Gradio
 demo = gr.ChatInterface(
@@ -49,13 +45,7 @@ demo = gr.ChatInterface(
         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)",
-        ),
+        gr.Slider(minimum=0.1, maximum=1.0, value=0.95, step=0.05, label="Top-p (nucleus sampling)"),
     ],
 )