Update app.py

app.py

@@ -25,31 +25,38 @@ tokenizer = AutoTokenizer.from_pretrained(MODEL_KEY)
 model = AutoModelForCausalLM.from_pretrained(MODEL_KEY)
 generator = pipeline("text-generation", model=model, tokenizer=tokenizer)
 
-# Mapa de dominios y estilos por dataset
+# Cargar modelos para Preguntas y Respuestas (QA)
+qa_model = AutoModelForQuestionAnswering.from_pretrained("deepset/roberta-base-squad2")
+qa_tokenizer = AutoTokenizer.from_pretrained("deepset/roberta-base-squad2")
+qa_pipeline = pipeline("question-answering", model=qa_model, tokenizer=qa_tokenizer)
+
+# Agregar más datasets para mejorar las respuestas
 context_map = {
     "imdb": "Dom: Cine | Estilo: Opinión",
     "daily_dialog": "Dom: Conversación | Estilo: Diálogo diario",
     "go_emotions": "Dom: Emociones | Estilo: Clasificación emocional",
     "wikitext": "Dom: Enciclopedia | Estilo: Conocimiento general",
+    "math": "Dom: Matemáticas | Estilo: Problema matemático",  # Agregar problemas de matemáticas
+    "empathetic_dialogues": "Dom: Psicología | Estilo: Apoyo emocional",  # Para el comportamiento emocional
 }
 
-# Dataset de prueba
-available_datasets = list(context_map.keys())
-
-# Función para generar texto
-def generate_text(dataset_name, sample_index, max_length):
-    dataset = load_dataset(dataset_name, split="train[:1%]")  # Ligero
-    if sample_index >= len(dataset):
-        return "Índice fuera de rango."
-
-    example = dataset[sample_index]
-    text = example.get("text") or example.get("utterance") or example.get("content") or str(example)
+# Detectar idioma automáticamente
+def detect_language(text):
+    try:
+        return detect(text)  # Detecta el idioma de la entrada
+    except:
+        return "en"  # Si no se puede detectar, se asume inglés
 
-    context = context_map.get(dataset_name, "Dom: Desconocido | Estilo: Desconocido")
-    prompt = f"{context} | Entrada: {text}"
+# Generación de texto (si se solicita un cuento, por ejemplo)
+def generate_text(prompt, max_length=100):
     output = generator(prompt, max_length=int(max_length), num_return_sequences=1)[0]["generated_text"]
     return output
 
+# Preguntas y respuestas basadas en contexto
+def answer_question(question, context):
+    result = qa_pipeline(question=question, context=context)
+    return result['answer']
+
 # Traducción
 def translate_text(text, lang):
     translator = Translator(to_lang=lang)
@@ -58,17 +65,40 @@ def translate_text(text, lang):
     except Exception as e:
         return f"Error: {str(e)}"
 
-# Interfaz con Gradio
+# Selección del contexto y modelo según la solicitud
+def process_input(user_input):
+    # Detectar idioma
+    detected_lang = detect_language(user_input)
+    print(f"Idioma detectado: {detected_lang}")
+
+    # Si la entrada es una pregunta, usaremos un modelo de Preguntas y Respuestas
+    if '?' in user_input:
+        context = "Este es un contexto general. Puedo responder preguntas específicas sobre cine, ciencia, o emociones."
+        answer = answer_question(user_input, context)
+        return answer
+    elif "math" in user_input.lower():
+        # Si se detecta una pregunta matemática
+        return "Resolviendo la operación matemática..."
+    elif "cuento" in user_input.lower():
+        # Si el usuario solicita un cuento
+        prompt = "Había una vez, en un reino lejano..."
+        return generate_text(prompt, max_length=200)
+    elif "emoción" in user_input.lower():
+        # Si es una solicitud de apoyo emocional
+        context = "Dom: Psicología | Estilo: Apoyo emocional. ¿Cómo te sientes hoy?"
+        return generate_text(context + " Estoy aquí para apoyarte", max_length=100)
+    else:
+        return "No entiendo la solicitud, por favor intenta preguntar algo más específico."
+
+# Interfaz de Gradio
 with gr.Blocks() as demo:
     gr.Markdown("# 🧠 MultiDomain Text Generator + Translator")
 
-    with gr.Tab("Generar desde dataset"):
-        dataset_name = gr.Dropdown(choices=available_datasets, value="imdb", label="Elige dataset")
-        sample_index = gr.Slider(minimum=30, maximum=200, step=1, label="Índice del ejemplo", value=0)
-        max_len = gr.Slider(label="Longitud máxima", minimum=50, maximum=1024, step=4, value=104)
-        output_text = gr.Textbox(label="Texto generado")
-        btn_generate = gr.Button("Generar texto")
-        btn_generate.click(generate_text, inputs=[dataset_name, sample_index, max_len], outputs=output_text)
+    with gr.Tab("Generar respuestas y contar historias"):
+        user_input = gr.Textbox(label="Tu pregunta o solicitud", placeholder="Haz una pregunta o pide un cuento...")
+        output_text = gr.Textbox(label="Respuesta generada")
+        btn_generate = gr.Button("Generar respuesta o cuento")
+        btn_generate.click(process_input, inputs=user_input, outputs=output_text)
 
     with gr.Tab("Traducir texto"):
         input_text = gr.Textbox(label="Texto a traducir")
@@ -78,4 +108,3 @@ with gr.Blocks() as demo:
         btn_translate.click(translate_text, inputs=[input_text, lang], outputs=output_translation)
 
 demo.launch()
-