File size: 2,419 Bytes
be61512
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
import gradio as gr

# 1. Konfiguracja modelu i tokenizera
MODEL_ID = "tiiuae/Falcon-H1-1.5B-Deep-Instruct"

# Ładowanie tokenizera
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

# Ładowanie modelu z optymalizacją autodevice i bfloat16 (jeśli wspierane)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    torch_dtype=torch.bfloat16,    # lub torch.float16 / torch.float32, zależnie od dostępnego sprzętu
    device_map="auto",             # automatyczne rozłożenie na GPU/CPU
)

# 2. Funkcja generująca odpowiedź
def generate_text(prompt: str, max_length: int = 256, temperature: float = 0.7, top_p: float = 0.9):
    # Tokenizacja wejścia
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
    # Generacja sekwencji
    outputs = model.generate(
        **inputs,
        max_new_tokens=max_length,
        temperature=temperature,
        top_p=top_p,
        do_sample=True,
        pad_token_id=tokenizer.eos_token_id
    )
    # Dekodowanie na tekst
    generated = tokenizer.decode(outputs[0], skip_special_tokens=True)
    # Usuń powtórzone zapytanie
    return generated[len(prompt):].strip()

# 3. Interfejs Gradio
with gr.Blocks(title="Falcon-H1-1.5B Deep Instruct") as demo:
    gr.Markdown("## Falcon-H1-1.5B-Deep-Instruct\nInteraktywny interfejs do generowania tekstu za pomocą modelu Instrukcyjnego")
    with gr.Row():
        with gr.Column(scale=3):
            prompt_input = gr.Textbox(label="Wpisz prompt", lines=6, placeholder="Napisz coś...")
            max_len_slider = gr.Slider(minimum=16, maximum=1024, value=256, step=16, label="Maksymalna długość odpowiedzi")
            temp_slider = gr.Slider(minimum=0.1, maximum=1.5, value=0.7, step=0.05, label="Temperature")
            top_p_slider = gr.Slider(minimum=0.1, maximum=1.0, value=0.9, step=0.05, label="Top-p (nucleus sampling)")
            submit_btn = gr.Button("Generuj")
        with gr.Column(scale=5):
            output_box = gr.Textbox(label="Wygenerowany tekst", lines=10)

    # Powiązanie przycisku z funkcją
    submit_btn.click(
        fn=generate_text,
        inputs=[prompt_input, max_len_slider, temp_slider, top_p_slider],
        outputs=output_box
    )

# 4. Uruchomienie serwera
if __name__ == "__main__":
    demo.launch(share=False, server_name="0.0.0.0", server_port=7860)