Update app.py

app.py

@@ -30,43 +30,9 @@ GRACE 框架是一个多维度评估框架，用于全面衡量 LLM 在特定任
 *   **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
-成员 A：系统设计与前端开发
-负责内容：
-
-基于 Gradio 构建前端交互界面，设计 “翻译竞技场” 和 “GRACE 基准测试” 两个功能模块。
-实现用户输入文本处理、模型翻译结果展示及动态交互逻辑。
-整合示例文本功能和参数调节滑块，优化用户体验。
-
-学到的内容：
-
-Gradio 框架的组件布局与事件监听机制，掌握 Blocks、Tab、Row 等容器组件的嵌套使用。
-前端与后端数据传输的格式处理，例如将模型翻译结果格式化为 JSON 并在 Code 组件中展示。
-响应式设计原则，确保界面在不同设备上的兼容性。
-
-遇到的困难：
-
-多模型并行翻译时前端加载速度优化问题，通过异步处理和模型预加载缓解延迟。
-Gradio 组件样式定制限制，部分交互效果需通过 JavaScript 脚本间接实现。
-成员 B：前端开发与评估可视化
-负责内容：
-
-基于 Gradio 构建交互式界面，设计 “翻译竞技场” 和 “GRACE 基准测试” 双模块，实现用户输入、模型输出展示及参数调节功能。
-开发 GRACE 评估可视化组件，包括雷达图（create_translation_radar_chart）、柱状图（create_performance_bar_chart）及数据表格。
-整合示例文本功能与动态布局，优化响应式设计以适配不同设备。
-
-学到的内容：
-
-Gradio 框架的组件嵌套逻辑（Blocks/Tab/Row），掌握事件监听（如按钮点击、滑块调节）与数据绑定机制。
-Plotly 图表开发技巧，例如雷达图中多模型曲线的颜色编码、分组柱状图的维度映射。
-前端数据格式化处理，将模型翻译结果转换为 JSON 格式并在 Code 组件中高亮展示。
-
-遇到的困难：
-
-多模型翻译结果同时渲染时的界面卡顿问题，通过分批加载和虚拟滚动技术优化。
-雷达图中评估维度（泛化性、准确性等）的视觉权重平衡，需反复调整坐标轴范围与标签显示策略。
 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。
+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