Update app.py

app.py

@@ -1,67 +1,44 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-
-def respond(
-    message,
-    history: list[dict[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-    hf_token: gr.OAuthToken,
-):
-    """
-    Để biết thêm thông tin về hỗ trợ API Suy luận của `huggingface_hub`, vui lòng kiểm tra tài liệu: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-    """
-    # Đã thay đổi mô hình thành Qwen/Qwen3-4B-Thinking-2507
-    client = InferenceClient(token=hf_token.token, model="Qwen/Qwen3-4B-Base")
-
-    messages = [{"role": "system", "content": system_message}]
-    messages.extend(history)
-    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,
-    ):
-        choices = message.choices
-        token = ""
-        if len(choices) and choices[0].delta.content:
-            token = choices[0].delta.content
-        response += token
-        yield response
-
-
-"""
-Để biết thông tin về cách tùy chỉnh ChatInterface, hãy xem tài liệu của gradio: https://www.gradio.app/docs/chatinterface
-"""
-chatbot = gr.ChatInterface(
-    respond,
-    type="messages",
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=1024, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=1.0, 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)",
-        ),
-    ],
+import torch
+from transformers import pipeline, AutoTokenizer
+
+# Tải mô hình và tokenizer
+# device_map="auto" sẽ tự động sử dụng GPU nếu có
+model_id = "phamhoangf/struct-aware-baseline-qwen3-4b"
+tokenizer = AutoTokenizer.from_pretrained(model_id)
+pipe = pipeline(
+    "text-generation",
+    model=model_id,
+    torch_dtype=torch.bfloat16,
+    device_map="auto",
 )
 
-with gr.Blocks() as demo:
-    with gr.Sidebar():
-        gr.LoginButton()
-    chatbot.render()
-
+def predict(message, history):
+    # Xây dựng prompt từ lịch sử trò chuyện theo template của Qwen2
+    messages = []
+    for user_msg, assistant_msg in history:
+        messages.append({"role": "user", "content": user_msg})
+        messages.append({"role": "assistant", "content": assistant_msg})
+    messages.append({"role": "user", "content": message})
 
-if __name__ == "__main__":
-    demo.launch()
+    # Tạo prompt hoàn chỉnh
+    prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+    
+    # Tạo văn bản
+    outputs = pipe(
+        prompt,
+        max_new_tokens=256,
+        do_sample=True,
+        temperature=0.7,
+        top_k=50,
+        top_p=0.95,
+    )
+    
+    # Trích xuất phần trả lời
+    generated_text = outputs[0]["generated_text"]
+    # Lấy phần văn bản mới được tạo ra (sau prompt)
+    response = generated_text[len(prompt):]
+    return response
+
+# Tạo giao diện Chat, giao diện này cũng tự động tạo ra một API
+gr.ChatInterface(predict).launch()