commit

app.py

@@ -1,63 +1,83 @@
 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()
+import requests
+import logging
+import os
+
+# Leer el token de Hugging Face desde las variables de entorno
+HUGGING_FACE_TOKEN = os.getenv("HUGGING_FACE_TOKEN")
+API_URL = "https://api-inference.huggingface.co/models/meta-llama/Meta-Llama-3-70B-Instruct"
+
+headers = {"Authorization": f"Bearer {HUGGING_FACE_TOKEN}"}
+
+# Configurar el logger
+logging.basicConfig(filename='interactions.log', level=logging.INFO,
+                    format='%(asctime)s - %(levelname)s - %(message)s')
+
+def query(api_url, headers, payload):
+    try:
+        response = requests.post(api_url, headers=headers, json=payload)
+        response.raise_for_status()
+        return response.json()
+    except requests.exceptions.RequestException as e:
+        error_message = f"Error durante la solicitud: {e}"
+        if e.response:
+            error_message += f" Código de estado: {e.response.status_code} Respuesta del servidor: {e.response.text}"
+        logging.error(error_message)
+        return {"error": error_message}
+
+def preparar_texto(contexto, borrador):
+    return f"{contexto}\n\n{borrador}"
+
+def mejorar_resolucion(context, borrador, api_url, headers, max_length=1000):
+    prompt = preparar_texto(context, borrador)
+    payload = {
+        "inputs": prompt,
+        "parameters": {
+            "max_new_tokens": max_length,
+            "temperature": 0.7,
+            "top_p": 0.9,
+            "top_k": 50,
+            "repetition_penalty": 1.2,
+            "return_full_text": False,
+            "do_sample": True,
+        }
+    }
+
+    result = query(api_url, headers, payload)
+
+    if result and isinstance(result, list) and 'generated_text' in result[0]:
+        texto_generado = result[0]['generated_text']
+        context += f"\n\n{texto_generado}"
+        logging.info(f"Prompt: {prompt}\nGenerated: {texto_generado.strip()}")
+        return texto_generado.strip(), context
+    else:
+        error_message = result.get("error", "No se pudo obtener la respuesta del modelo.")
+        logging.error(f"Prompt: {prompt}\nError: {error_message}")
+        return None, context
+
+# Función de predicción para la interfaz de Gradio
+def predict(message, history):
+    context = (
+        "Asume el papel de asistente legal especializado en derecho chileno. Tu meta es optimizar resoluciones judiciales utilizando procesamiento de lenguaje natural (PLN). "
+        "Mantén un tono formal, preciso y autoritativo en todo momento. Como requierase, autoricese, apercibase, entre otros. "
+        "Sigue estrictamente las guías de estilo proporcionadas. Simplifica oraciones complejas y elimina redundancias. Adapta la terminología al contexto legal chileno. "
+        "Asegúrate de que las resoluciones optimizadas sean claras, concisas y libres de ambigüedades. Utiliza paráfrasis, analogías y ejemplos para mejorar la claridad. "
+        "Revisa documentos de referencia. Identifica inconsistencias, ambigüedades y redundancias. Simplifica oraciones complejas y elimina redundancias. "
+        "Realiza una revisión gramatical y estilística para asegurar precisión y formalidad. Justifica las modificaciones necesarias. Explica cómo cada mejora contribuye a la formalidad, precisión y claridad. "
+        "Proporciona la Resolución Optimizada. Verifica que la resolución optimizada cumpla con los criterios de claridad, precisión y formalidad. Asegura que todas las modificaciones estén justificadas y sean comprensibles."
+    )
+    
+    history_transformer_format = history + [[message, ""]]
+    for item in history_transformer_format:
+        context += f"\n\n{item[0]}"
+    
+    resolucion_mejorada, context = mejorar_resolucion(context, message, API_URL, headers, max_length=1000)
+    if resolucion_mejorada:
+        history.append([message, resolucion_mejorada])
+        return resolucion_mejorada
+    else:
+        return "No se pudo mejorar la resolución."
+
+# Crear y lanzar la interfaz de Gradio
+iface = gr.ChatInterface(predict)
+iface.launch()

requirements.txt

@@ -1 +1,4 @@
-huggingface_hub==0.22.2
+huggingface_hub==0.22.2
+numpy<2.0.0
+gradio
+requests