Upload Streamlit file(app.py) and requirements.txt

app.py

@@ -0,0 +1,102 @@
+import streamlit as st
+from transformers import pipeline
+from huggingface_hub import InferenceClient
+
+# --- Configuración de la Página ---
+st.set_page_config(
+    page_title="Sentiment Analysis Comparator",
+    page_icon="🎭",
+    layout="wide"
+)
+
+st.title("Sentiment Analysis: SLM vs. LLM Comparator 🚀")
+st.markdown("""
+Introduce una reseña de una película en inglés y compara las predicciones de sentimiento
+de diferentes modelos de Hugging Face.
+""")
+
+# --- Modelos a Comparar ---
+YOUR_SLM_MODEL = "jdomdev/imdb-slm-vs-llm-pill"
+DISTILBERT_MODEL = "distilbert-base-uncased-finetuned-sst-2-english"
+INFERENCE_API_LLM = "meta-llama/Meta-Llama-3-8B-Instruct"
+
+# --- Carga de Modelos con Pipeline (en caché para eficiencia) ---
+@st.cache_resource
+def load_pipeline(model_name):
+    """Carga un pipeline de Hugging Face."""
+    st.info(f"Cargando el modelo pipeline: {model_name}...")
+    return pipeline("sentiment-analysis", model=model_name)
+
+# --- Implementación con InferenceClient (Tu método mejorado) ---
+
+@st.cache_resource
+def get_inference_client():
+    """Inicializa y cachea el InferenceClient."""
+    st.info(f"Inicializando cliente para: {INFERENCE_API_LLM}...")
+    hf_token = st.secrets.get("HUGGINGFACE_TOKEN")
+    if not hf_token:
+        st.error("Token de Hugging Face no encontrado. Por favor, configúralo en los 'Secrets' de tu Space.")
+        return None
+    return InferenceClient(model=INFERENCE_API_LLM, token=hf_token)
+
+def query_inference_api(review: str):
+    """Consulta un LLM usando InferenceClient.chat_completion."""
+    client = get_inference_client()
+    if client is None:
+        return {"error": "No se pudo inicializar el cliente de Hugging Face."}
+
+    try:
+        # Usamos el formato de mensajes que funciona para modelos de chat
+        messages = [
+            {"role": "system", "content": "You are a sentiment analysis expert. Analyze the sentiment of the user's movie review. Respond with only one word: POSITIVE or NEGATIVE."},
+            {"role": "user", "content": review}
+        ]
+
+        response = client.chat_completion(
+            messages=messages,
+            max_tokens=5,  # Suficiente para "POSITIVE" o "NEGATIVE"
+            temperature=0.1,
+        )
+
+        # Extraemos el contenido de la respuesta
+        sentiment = response.choices[0].message.content.strip().upper()
+        return {"label": sentiment}
+
+    except Exception as e:
+        st.error(f"Error al consultar el LLM: {e}")
+        return {"error": str(e)}
+
+# --- Interfaz de Usuario ---
+user_input = st.text_area("Escribe aquí la reseña de la película:", "I loved this movie, the acting was superb and the plot was gripping!", height=150)
+
+if st.button("Analizar Sentimiento"):
+    if user_input:
+        st.subheader("Resultados del Análisis:")
+
+        col1, col2, col3 = st.columns(3)
+
+        # 1. Tu modelo SLM afinado
+        with col1:
+            st.info(f"Tu SLM: `{YOUR_SLM_MODEL}`")
+            with st.spinner("Analizando..."):
+                your_model_pipeline = load_pipeline(YOUR_SLM_MODEL)
+                result = your_model_pipeline(user_input)
+                st.json(result)
+
+        # 2. Modelo DistilBERT estándar
+        with col2:
+            st.info(f"Otro SLM: `{DISTILBERT_MODEL}`")
+            with st.spinner("Analizando..."):
+                distilbert_pipeline = load_pipeline(DISTILBERT_MODEL)
+                result = distilbert_pipeline(user_input)
+                st.json(result)
+
+        # 3. LLM vía API de Inferencia con InferenceClient
+        with col3:
+            st.info(f"LLM (API): `{INFERENCE_API_LLM}`")
+            with st.spinner("Consultando al LLM..."):
+                result = query_inference_api(user_input)
+                st.json(result)
+
+    else:
+        st.warning("Por favor, introduce una reseña para analizar.")

requirements.txt

@@ -1,3 +1,14 @@
-altair
-pandas
-streamlit
+transformers[torch]
+datasets
+evaluate
+scikit-learn
+accelerate
+streamlit
+openai
+huggingface_hub
+aiohttp
+dotenv
+pipdeptree
+pipreqs
+tinycss2
+pip-tools