Update app.py

app.py

@@ -1,64 +1,51 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
-)
-
-
-if __name__ == "__main__":
-    demo.launch()
+from transformers import AutoModelForCausalLM, AutoTokenizer
+import torch
+
+# Cargar el modelo y el tokenizador en su versión funcional
+model_name = "BSC-LT/salamandra-2b"
+
+if "tokenizer" not in globals():
+    tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
+    tokenizer.pad_token = tokenizer.eos_token  
+
+if "model" not in globals():
+    model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16)
+    model.eval()  
+
+# Función de humanización con los parámetros que mejor funcionaban
+def humanize_text(input_text):
+    system_prompt = (
+        "Reescribe el siguiente texto de manera más clara, natural y atractiva, "
+        "sin cambiar su significado. Reformula frases rígidas y estructuradas para "
+        "que sean más fluidas y conversacionales, pero sin perder precisión. "
+        "Evita tecnicismos y burocracia innecesaria."
+    )
+
+    prompt = f"{system_prompt}\n\nTexto original: {input_text}\n\nTexto humanizado:"
+    
+    inputs = tokenizer(prompt, return_tensors="pt", padding=True, truncation=True)
+
+    outputs = model.generate(
+        inputs.input_ids,
+        attention_mask=inputs.attention_mask,
+        max_new_tokens=130,  # 🔹 Mantiene equilibrio entre reformulación y velocidad
+        min_length=50,  # 🔹 Evita respuestas demasiado cortas
+        do_sample=True,  # 🔹 Mantiene variabilidad sin ralentizar
+        temperature=0.75,  # 🔹 Buen balance entre creatividad y rapidez
+        top_p=0.9,  # 🔹 Mantiene coherencia en la reescritura
+        repetition_penalty=1.05,  # 🔹 Reduce repeticiones sin afectar fluidez
+        num_return_sequences=1,  # 🔹 Solo una respuesta bien formulada
+    )
+
+    return tokenizer.decode(outputs[0], skip_special_tokens=True)
+
+# Interfaz en Gradio
+with gr.Blocks() as demo:
+    gr.Markdown("# ✍️ Humanización de Texto con ALIA (Versión Óptima Restaurada)")
+    input_text = gr.Textbox(label="Pega aquí el texto generado por IA para humanizar")
+    output_text = gr.Textbox(label="Texto humanizado por ALIA", interactive=False)
+    submit_button = gr.Button("Humanizar Texto")
+    submit_button.click(humanize_text, inputs=input_text, outputs=output_text)
+
+demo.launch()