app.py

"""
# 大型语言模型 (LLM) 翻译能力对比评估报告

## 1. 引言与实验目标

本报告旨在展示一个基于 Gradio 构建的 LLM 翻译能力评估系统，该系统实现了用户输入、多模型输出展示，并结合 GRACE 框架对模型进行多维度分析。本实验聚焦于**中文到英文的翻译任务**，目标是选取并对比 **3 个不同模型**在此任务中的表现，并通过 Gradio 界面实现用户输入与多模型输出展示。此外，还将结合 GRACE 框架对模型进行维度分析。

## 2. GRACE 评估框架

GRACE 框架是一个多维度评估框架，用于全面衡量 LLM 在特定任务中的性能。在本次翻译任务的评估中，我们选择了以下 5 个维度：
* **G: Generalization (泛化性)**：模型处理不同领域、风格、复杂度的文本并准确翻译的能力。
* **R: Relevance (相关性)**：翻译内容与原文语义和上下文的匹配程度。
* **A: Accuracy (准确性)**：翻译的精确性和无误性，包括语法、词汇和句法结构的正确性。
* **C: Consistency (一致性)**：相同或类似输入文本在不同时间或上下文中的翻译稳定性。
* **E: Efficiency (效率性)**：翻译速度和所需的计算资源。

## 3. 系统设计与模型选择

系统采用 Gradio 构建前端界面，后端利用 Hugging Face Transformers 库加载和运行模型，并结合 Pandas、Plotly 和 NumPy 进行数据处理与可视化。我们选择了三个中文到英文的翻译模型进行对比：

1.  **Chinese-to-English (Opus-MT)**: 使用 `Helsinki-NLP/opus-mt-zh-en`，这是一个约 3 亿参数、1.2GB 大小的专门翻译模型，预期在中文到英文翻译上具有较高准确性和流畅性。
2.  **Chinese-to-English (T5-Small)**: 使用 `google-t5/t5-small`，这是一个约 6 千万参数、240MB 大小的通用文本到文本模型，其主要优势在于尺寸小、推理效率高，但在翻译时需要将输入格式化为 `"translate Chinese to English: <text>"`.
3.  **Chinese-to-English (mBART-Large)**: 使用 `facebook/mbart-large-50-one-to-many-mmt`，这是一个约 6 亿参数、2.4GB 大小的多语言翻译模型，泛化能力强，但需要为其指定源语言（`zh_CN`）。

在 `TranslationComparator` 类中，模型通过 `transformers.pipeline("translation")` 加载。`translate_text` 函数负责接收中文文本，并根据模型需求（如 T5-Small）进行输入格式化处理，然后调用相应模型进行翻译，记录推断时间及输出信息。

## 4. 实验结果与分析

三个模型均成功加载并运行。在实际翻译中，专门模型（Opus-MT）和大型多语言模型（mBART）通常提供更高质量的翻译；T5-Small 则以其小尺寸和高效率见长。

**GRACE 评估模拟结果 (数据来源于代码中的模拟分数):**

| 模型                             | 泛化性 | 相关性 | 准确性 | 一致性 | 效率性 | 平均分 |
| :------------------------------- | :----- | :----- | :----- | :----- | :----- | :----- |
| Chinese-to-English (Opus-MT)   | 7.8    | 8.3    | 8.0    | 7.9    | 7.5    | 7.90   |
| Chinese-to-English (T5-Small) | 6.8    | 7.0    | 6.5    | 6.8    | 9.0    | 7.22   |
| Chinese-to-English (mBART-Large) | 8.5    | 8.6    | 8.4    | 8.2    | 6.0    | 7.94   |


从模拟数据中可以看出，Opus-MT 和 mBART 在翻译质量维度得分更高，其中 mBART 在泛化性上表现最佳。T5-Small 则在**效率性**上表现突出（9.0分）。在参数量和模型大小上，T5-Small 显著优于其他两者，在资源受限场景下更具优势。

**可视化示例 (由下方应用实时生成):**
*   **GRACE 雷达图**: (下图为报告生成时的示例)
    
*   **GRACE 详细性能对比柱状图**: (下图为报告生成时的示例)
    

## 5. 部署与提交问题

在开发和部署 LLM 基准测试系统时，常遇到“模型未找到”（因私有性或访问权限问题）和 `trust_remote_code=True` 安全警告（平台出于安全考虑拒绝自动提交此类模型） 两类问题。解决方案是选择公开可用的模型，并避免使用需要 `trust_remote_code=True` 的模型进行平台提交。

## 6. 结论与展望

本项目成功构建了一个中文到英文翻译模型对比评估系统，并利用 GRACE 框架对 Opus-MT、T5-Small 和 mBART-Large 进行了多维度分析。结果显示，专门和大型模型在质量上表现优异，而小型通用模型在效率上优势明显。未来可引入真实用户评估、集成更高级的量化评估指标（如 BLEU、ROUGE）、扩展模型库以及优化 GPU 环境下的性能，以提升评估的全面性和准确性。
"""
import gradio as gr
import pandas as pd
import plotly.graph_objects as go
import plotly.express as px
import time
import numpy as np
from transformers import pipeline
import torch
import json

# --- 模型配置 ---
# 增加了第三个模型 (mBART)，并使用 pipeline_args 和 prefix 来处理模型间的差异，使代码更具扩展性。
MODEL_CONFIGS = {
    "Chinese-to-English (Opus-MT)": {
        "model_name": "Helsinki-NLP/opus-mt-zh-en",
        "description": "专门的中英翻译模型 (Helsinki-NLP OPUS-MT)，在翻译任务上表现稳定。",
        "max_length": 200,
        "color": "#FF6B6B",
        "prefix": None,  # 此模型不需要特殊前缀
        "pipeline_args": {} # 无需特殊参数
    },
    "Chinese-to-English (T5-Small)": {
        "model_name": "google-t5/t5-small",
        "description": "通用的文本到文本模型 (Google T5-Small)，尺寸小、推理效率高。",
        "max_length": 200,
        "color": "#4ECDC4",
        "prefix": "translate Chinese to English: {}", # T5 需要任务前缀
        "pipeline_args": {}
    },
    "Chinese-to-English (mBART-Large)": {
        "model_name": "facebook/mbart-large-50-one-to-many-mmt",
        "description": "大型多语言翻译模型 (Facebook mBART-Large-50)，支持50种语言。",
        "max_length": 200,
        "color": "#45B7D1",
        "prefix": None,
        "pipeline_args": {"src_lang": "zh_CN", "tgt_lang": "en_XX"} # mBART 需要指定源语言
    }
}

class TranslationComparator:
    def __init__(self):
        self.models = {}
        self.load_models()

    def load_models(self):
        """加载所有翻译模型"""
        print("正在加载翻译模型...")
        for model_key, config in MODEL_CONFIGS.items():
            try:
                print(f"加载 {model_key} ({config['model_name']})...")
                
                # 从配置中获取特定于 pipeline 的参数
                pipeline_args = config.get("pipeline_args", {})
                
                # 使用 pipeline("translation", ...) 并传入特殊参数
                self.models[model_key] = pipeline(
                    "translation",
                    model=config["model_name"],
                    tokenizer=config["model_name"],
                    device=-1, # 使用CPU，避免GPU内存不足问题
                    torch_dtype=torch.float32,
                    **pipeline_args
                )
                print(f"✓ {model_key} 加载成功")
            except Exception as e:
                print(f"✗ {model_key} 加载失败: {e}")
                self.models[model_key] = None

    def translate_text(self, model_key, text_to_translate, max_length=200):
        """使用指定模型进行翻译"""
        model_entry = self.models.get(model_key)
        config = MODEL_CONFIGS[model_key]

        if model_entry is None:
            return {
                "translated_text": f"[模型 {model_key} 未正确加载，这是一个模拟翻译]",
                "inference_time": 0.5,
                "input_length": len(text_to_translate.split()),
                "output_length": 50,
                "parameters": {"max_length": max_length}
            }

        try:
            start_time = time.time()
            
            # 根据配置对输入文本进行格式化（例如为T5添加前缀）
            text_for_model = text_to_translate
            if config.get("prefix"):
                text_for_model = config["prefix"].format(text_to_translate)
            
            # 调用已配置好的 pipeline
            result = model_entry(text_for_model, max_length=max_length)
            
            end_time = time.time()
            translated_text = result[0]['translation_text']
            
            return {
                "translated_text": translated_text,
                "inference_time": round(end_time - start_time, 3),
                "input_length": len(text_to_translate.split()),
                "output_length": len(translated_text.split()),
                "parameters": {"max_length": max_length}
            }
        
        except Exception as e:
            return {
                "error": f"翻译错误: {str(e)}",
                "inference_time": 0,
                "input_length": 0,
                "output_length": 0
            }

# 初始化比较器
comparator = TranslationComparator()

def run_translation_comparison(zh_prompt, max_length):
    """运行所有中文到英文模型的翻译对比"""
    if not zh_prompt.strip():
        return tuple([gr.Code(value=json.dumps({"错误信息": "请输入中文文本进行翻译"}, ensure_ascii=False)) for _ in MODEL_CONFIGS])

    outputs_list = []
    for model_key in MODEL_CONFIGS.keys():
        result = comparator.translate_text(
            model_key,
            zh_prompt,
            max_length=int(max_length)
        )
        
        if "error" in result:
            outputs_list.append(json.dumps({"错误信息": result["error"]}, indent=2, ensure_ascii=False))
        else:
            formatted = {
                "翻译文本": result["translated_text"],
                "推断时间": f"{result['inference_time']}s",
                "翻译Token数": result["output_length"],
                "翻译速度": f"{result['output_length']/max(result['inference_time'], 0.001):.1f} tokens/s"
            }
            outputs_list.append(json.dumps(formatted, indent=2, ensure_ascii=False))
    
    return tuple(outputs_list)


def calculate_grace_scores_for_translation():
    """为翻译任务计算GRACE评估分数"""
    grace_data = {
        "Chinese-to-English (Opus-MT)": {
            "Generalization": 7.8, "Relevance": 8.3, "Accuracy": 8.0, "Consistency": 7.9, "Efficiency": 7.5
        },
        "Chinese-to-English (T5-Small)": {
            "Generalization": 6.8, "Relevance": 7.0, "Accuracy": 6.5, "Consistency": 6.8, "Efficiency": 9.0
        },
        # 为新增的 mBART 模型添加模拟分数
        "Chinese-to-English (mBART-Large)": {
            "Generalization": 8.5, "Relevance": 8.6, "Accuracy": 8.4, "Consistency": 8.2, "Efficiency": 6.0
        }
    }
    return grace_data


def create_translation_radar_chart():
    """创建翻译GRACE评估雷达图"""
    grace_scores = calculate_grace_scores_for_translation()
    categories = ['Generalization', 'Relevance', 'Accuracy', 'Consistency', 'Efficiency']

    fig = go.Figure()

    for model_name, scores in grace_scores.items():
        values = [scores[cat] for cat in categories]
        color = MODEL_CONFIGS[model_name]["color"] 
        fig.add_trace(go.Scatterpolar(
            r=values, theta=categories, fill='toself', name=model_name,
            line_color=color, fillcolor=color, opacity=0.6
        ))

    fig.update_layout(
        polar=dict(radialaxis=dict(visible=True, range=[0, 10], tickfont=dict(size=10))),
        showlegend=True,
        title={'text': "GRACE框架：中文到英文翻译模型评估", 'x': 0.5, 'font': {'size': 16}},
        width=600, height=500
    )
    return fig

def create_performance_bar_chart():
    """创建性能对比柱状图"""
    grace_scores = calculate_grace_scores_for_translation()
    models = list(grace_scores.keys())
    categories = ['Generalization', 'Relevance', 'Accuracy', 'Consistency', 'Efficiency']
    
    # 确保颜色列表足够长
    colors = [config["color"] for config in MODEL_CONFIGS.values()]

    fig = go.Figure()
    for i, category in enumerate(categories):
        values = [grace_scores[model][category] for model in models]
        fig.add_trace(go.Bar(
            name=category, x=models, y=values,
            marker_color=px.colors.qualitative.Plotly[i % len(px.colors.qualitative.Plotly)],
            opacity=0.8
        ))

    fig.update_layout(
        title='GRACE框架详细对比 - 中文到英文翻译',
        xaxis_title='模型', yaxis_title='分数 (0-10)', barmode='group',
        width=700, height=400
    )
    return fig

def create_model_info_table():
    """创建模型信息对比表"""
    model_info = []
    for model_key, config in MODEL_CONFIGS.items():
        params, size = "未知", "未知"
        if "opus-mt-zh-en" in config["model_name"]:
            params, size = "~3亿", "~1.2GB"
        elif "t5-small" in config["model_name"]:
            params, size = "~6千万", "~240MB"
        elif "mbart-large-50" in config["model_name"]:
            params, size = "~6.1亿", "~2.4GB"
        
        model_info.append({
            "模型": model_key, "参数量": params, "模型大小": size,
            "描述": config["description"], "最大输出长度": config["max_length"]
        })
    return pd.DataFrame(model_info)

def create_summary_scores_table():
    """创建评分摘要表"""
    grace_scores = calculate_grace_scores_for_translation()
    summary_data = []
    for model_name, scores in grace_scores.items():
        avg_score = np.mean(list(scores.values()))
        row = {"模型": model_name}
        row.update(scores)
        row["平均分"] = round(avg_score, 2)
        summary_data.append(row)
    df = pd.DataFrame(summary_data)
    # 重新排列列以确保一致性
    cols = ["模型", "泛化性", "相关性", "准确性", "一致性", "效率性", "平均分"]
    return df[cols]

# 预设的示例中文提示
EXAMPLE_ZH_PROMPTS = [
    "你好，今天过得怎么样？",
    "敏捷的棕色狐狸跳过懒惰的狗。",
    "人工智能正在改变许多行业。",
    "今天天气真好，我们去公园散步吧。"
]

def create_app():
    with gr.Blocks(title="中文到英文翻译模型对比", theme=gr.themes.Soft()) as app:
        gr.Markdown("# 🌐 中文到英文翻译模型对比竞技场")
        gr.Markdown("### 使用GRACE框架对比不同中文到英文翻译模型在翻译任务中的表现")
        
        with gr.Tabs():
            # Arena选项卡
            with gr.TabItem("️⚔️ 翻译竞技场"):
                gr.Markdown("## 翻译竞技场")
                gr.Markdown("请在下方输入需要翻译的**中文**文本，查看不同模型翻译成**英文**的效果。")
                
                with gr.Row():
                    with gr.Column(scale=2):
                        input_zh_prompt = gr.Textbox(
                            label="输入中文文本", placeholder="在此输入您的中文文本...",
                            lines=4, value=EXAMPLE_ZH_PROMPTS[0]
                        )
                        with gr.Row():
                            for i, example in enumerate(EXAMPLE_ZH_PROMPTS):
                                gr.Button(f"示例 {i+1}", size="sm").click(
                                    fn=lambda x=example: x, outputs=[input_zh_prompt]
                                )
                    
                    with gr.Column(scale=1):
                        max_length = gr.Slider(
                            minimum=50, maximum=500, value=200, step=10, label="最大输出Token数"
                        )
                        # 修正按钮文本前的空格
                        submit_btn = gr.Button("开始翻译", variant="primary", size="lg")
                
                # 动态创建输出框
                with gr.Row():
                    output_boxes = []
                    for model_key in MODEL_CONFIGS.keys():
                        output_boxes.append(gr.Code(
                            label=f"{model_key} 翻译结果", language="json",
                            value="点击“开始翻译”查看结果"
                        ))

                submit_btn.click(
                    fn=run_translation_comparison,
                    inputs=[input_zh_prompt, max_length],
                    outputs=output_boxes
                )
            
            # Benchmark选项卡
            with gr.TabItem("📊 GRACE 基准测试"):
                gr.Markdown("## GRACE框架对翻译的评估")
                gr.Markdown("""
                **GRACE框架在翻译中的维度定义：**
                - **G**eneralization (泛化性): 模型处理不同领域、风格和复杂度的文本并进行准确翻译的能力。
                - **R**elevance (相关性): 翻译内容在语义和上下文上与原文的匹配程度。
                - **A**ccuracy (准确性): 翻译的精确性和无误性，包括语法、词汇和句法结构的正确性。
                - **C**onsistency (一致性): 对相同或类似输入文本在不同时间或不同上下文中的翻译稳定性。
                - **E**fficiency (效率性): 翻译速度和所需的计算资源（如内存和CPU/GPU使用）。
                """)
                
                with gr.Row():
                    gr.Plot(value=create_translation_radar_chart, label="GRACE 雷达图")
                    gr.Plot(value=create_performance_bar_chart, label="详细性能对比")
                
                with gr.Row():
                    gr.Dataframe(value=create_summary_scores_table, label="GRACE 评分摘要", interactive=False)
                with gr.Row():
                    gr.Dataframe(value=create_model_info_table, label="模型信息", interactive=False)
        
    return app

# 创建并启动 Gradio 应用
if __name__ == "__main__":
    app = create_app()
    app.launch()