import gradio as gr
import pandas as pd

def load_leaderboard():
    try:
        return pd.read_csv("leaderboard.csv")
    except Exception:
        # Fallback if file is missing
        return pd.DataFrame(columns=["Rank", "Model Name", "Score", "Method", "Author"])


TEXT_1 = f"""
Competere, aiutarci assieme e migliorare nel post-training di LLM, con una spesa accessibile a tutti.

## Challenge
Tutti i partecipanti dovranno partire dal modello base:
[mii-llm/zagreus-0.4B-ita](https://huggingface.co/mii-llm/zagreus-0.4B-ita)
Si puó partecipare da soli o in team, umani e 🤖, la challenge è aperta a tutti, anche aziende e università etc..

### Obbiettivo
Migliorare le performance nel seguente benchmark italiano [ITALIC](https://italicbench.it/), il vincitore sarà quello che ottiene il miglior punteggio nel benchmark. [how to run](https://github.com/Crisp-Unimib/ITALIC/blob/main/README.md#how-to-use)
"""

TEXT_2 = """
## Regole
- La run finale di ogni partecipante potrá usare massimo 10 ore di GPU H100 (equivalenti a circa 25 euro su RunPod)
- La challenge dura da oggi fino al 5 agosto 2026.
- Le 10 ore comprendono qualsiasi utilizzo della GPU, inclusa l’eventuale generazione di dati sintetici.

## Cosa è permesso
Sono ammessi, ad esempio:
* Qualsiasi tipo di fine-tuning (SFT, DPO, ORPO, RL, LoRA, QLoRA, etc.)
* Qualsiasi tipo di synthetic data (purché generati da modelli che fittano nell’ h100 all’interno del budget di 10 ore)
* Qualsiasi dataset che trovate su Hugging Face o altri repository

## Cosa non è permesso
Non è consentito:
* utilizzare checkpoint già addestrati da altri come punto di partenza
* utilizzare dati dei benchmark di test per l’addestramento
* modificare il codice di valutazione
* usare GPU aggiuntive oltre al budget assegnato
* generare dati sintetici al di fuori delle 10 ore di GPU disponibili o con API
"""

TEXT_3 = """
## Consegna
Ogni partecipante dovrà consegnare: nel canale [https://discord.gg/eEZzBuG27](https://discord.gg/347uGYFzw)
* link hf al modello finale
* codice e configurazioni di training
* dataset utilizzati
* risultati della valutazione completa (inclusa nelle 10 ore di gpu disponibili)
* breve report che descriva: idea iniziale, esperimenti svolti, cosa ha funzionato, cosa non ha funzionato ecc..

## Premio
Non ci sono premi in denaro ma chi ottiene il punteggio piú alto verrá eletto campione in carica.
Il vero premio è contribuire alla crescita dell’ecosistema italiano dell’AI open.

"""

with gr.Blocks(title="Italian Post-Training Challenge 2026") as demo:
    gr.Markdown("# 🇮🇹 Italian Post-Training Challenge 2026")

    with gr.Tabs() as tabs:

        with gr.Tab("Obiettivo"):
            gr.Markdown(TEXT_1)

        with gr.Tab("Regole"):
            gr.Markdown(TEXT_2)

        with gr.Tab("Consegna"):
            gr.Markdown(TEXT_3)

    
    gr.Markdown("---")
    gr.Markdown("## 🏆 Leaderboard")
    leaderboard_df = load_leaderboard()
    gr.Dataframe(leaderboard_df, interactive=False)

if __name__ == "__main__":
    demo.launch()