Update app.py

app.py

@@ -45,7 +45,41 @@ 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
+## 5. 收获
+成员 A：系统架构与模型集成
+负责内容：
+
+设计TranslationComparator类，完成 Opus-MT、T5-Small、mBART-Large 三个模型的加载与管理，处理模型输入格式差异（如 T5-Small 的任务前缀、mBART 的源语言指定）。
+实现翻译核心逻辑translate_text函数，集成推理时间计算、Token 统计等性能指标记录。
+解决模型加载异常问题，设计 fallback 机制（如模型未找到时返回模拟翻译结果）。
+
+学到的内容：
+
+Hugging Face Transformers 库的底层原理，掌握pipeline接口在多模型场景下的参数定制（如src_lang、max_length）。
+CPU 推理环境下的内存优化策略，通过torch.float32降低精度需求，避免大型模型（如 mBART）加载时的显存溢出。
+跨模型兼容性处理，例如不同模型对输入文本格式的特殊要求（任务前缀、语言代码指定）。
+
+遇到的困难：
+
+mBART-Large 模型因多语言参数导致的加载耗时问题，最终通过预加载机制和异步处理缓解。
+模型推理速度差异大（如 T5-Small 与 mBART 的效率对比），需在代码中平衡实时响应与翻译质量。
+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。