app.py

import gradio as gr
from transformers import pipeline
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

# Chargement du modèle PEFT
base_model = "microsoft/Phi-4-mini-instruct"
adapter_repo = "badrben/QCM_5_6_Francais_VF"

tokenizer = AutoTokenizer.from_pretrained(base_model)
model = AutoModelForCausalLM.from_pretrained(base_model)
model = PeftModel.from_pretrained(model, adapter_repo)

# Pipeline de génération
generator = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    device_map="auto"  # utilise le GPU si disponible
)

# Fonction pour Gradio
def generate_qcm(user_text):
    prompt = (
        f"Texte: {user_text}\n\n"
        "Génère une question QCM en français avec 4 choix (A, B, C, D) "
        "et indique la bonne réponse. "
        "Puis génère une réponse textuelle QHPE niveau 1 avec au moins trois raisons pour justifier la réponse."
    )
    
    result = generator(
        prompt,
        max_new_tokens=400,  # augmente le nombre de tokens pour inclure tout
        temperature=0.7,
        top_p=0.9,
        do_sample=True
    )
    
    return result[0]["generated_text"]

# Interface Gradio
iface = gr.Interface(
    fn=generate_qcm,
    inputs=gr.Textbox(lines=8, placeholder="Entrez votre texte ici..."),
    outputs="text",
    title="🧠 Générateur QCM Français",
    description="Collez un texte pour générer un QCM avec 4 choix, la bonne réponse et une justification détaillée."
)

if __name__ == "__main__":
    iface.launch(share=True)  # share=True pour obtenir un lien public sur Hugging Face Space