app.py

import os
import gradio as gr
from sentence_transformers import SentenceTransformer
import numpy as np

# Permite sobreescribir desde variables de entorno del Space
MODEL_ID = os.getenv("MODEL_ID", "antonypamo/RRFSAVANTMADE")


def load_model():
    """
    Carga perezosa / única del modelo.
    En Docker se ejecuta una sola vez al iniciar el contenedor.
    """
    return SentenceTransformer(MODEL_ID)


model = load_model()


def embed_text(text: str):
    if not text.strip():
        return "Please enter some text.", ""
    emb = model.encode(text)
    # Magnitud como métrica simple
    norm = float(np.linalg.norm(emb))
    info = f"Embedding dim: {emb.shape[0]} | L2 norm: {norm:.4f}"
    # Muestra sólo los primeros 16 valores para que no sea gigante
    preview = ", ".join(f"{v:.4f}" for v in emb[:16])
    return info, preview


with gr.Blocks(title="SavantEngine – RRF Embeddings") as demo:
    gr.Markdown(
        """
        # SavantEngine · RRF Embeddings

        Ingresa un texto y obtén su vector de embedding usando el modelo RRF.
        """
    )
    with gr.Row():
        with gr.Column():
            text_in = gr.Textbox(
                label="Texto de entrada",
                placeholder="Describe una idea, ecuación RRF, o cualquier texto...",
                lines=5,
            )
            run_btn = gr.Button("Calcular embedding")
        with gr.Column():
            info_out = gr.Textbox(label="Info del embedding")
            vec_out = gr.Textbox(
                label="Primeros 16 componentes",
                lines=6,
            )

    run_btn.click(embed_text, inputs=text_in, outputs=[info_out, vec_out])


if __name__ == "__main__":
    # En Docker/HF Spaces hay que escuchar en 0.0.0.0:7860
    port = int(os.getenv("PORT", "7860"))
    demo.launch(
        server_name="0.0.0.0",
        server_port=port,
    )