File size: 9,122 Bytes
21ebd5e | 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 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 | """
SimonLM Cloud — Hugging Face Space (ZeroGPU).
- Wheel llama-cpp-python CUDA (GPU gratuit via ZeroGPU)
- Interface Gradio (chat) + API OpenAI-compatible (/v1/chat/completions,
/v1/models) pour que SimonLM local puisse router ses questions SIMPLE
vers ce GPU au lieu de charger le 0.6B sur la machine.
- Le modèle est chargé une seule fois (cache global) et l'inférence passe par
@spaces.GPU pour utiliser le GPU réel.
RÈGLE ZeroGPU : la fonction bindée aux événements Gradio (respond) DOIT être
décorée @spaces.GPU — le scan de démarrage ne détecte que les handlers
Gradio décorés. L'API utilise sa propre fonction décorée (même worker GPU).
Réglages via variables d'environnement : MODEL_REPO, MODEL_FILE, N_CTX,
N_THREADS, MAX_TOKENS, N_GPU_LAYERS.
"""
import ctypes
import glob
import os
import site
import time
import uuid
# --- Pré-chargement des libs CUDA (libcudart, libcublas) requises par llama-cpp-python ---
# L'image ZeroGPU embarque PyTorch + CUDA ; on localise et on charge les .so
# avant l'import de llama_cpp pour que ctypes les trouve.
def _preload_cuda_libs():
dirs = []
# torch/lib (présent dans l'image ZeroGPU)
try:
import torch
dirs.append(os.path.join(os.path.dirname(torch.__file__), "lib"))
except Exception:
pass
# packages nvidia installés par pip (nvidia-cuda-runtime-cu12, nvidia-cublas-cu12)
for sp in site.getsitepackages():
dirs.extend(glob.glob(os.path.join(sp, "nvidia", "*", "lib")))
loaded = []
for d in dirs:
for so in sorted(glob.glob(os.path.join(d, "libcudart.so*")) +
glob.glob(os.path.join(d, "libcublas*.so*")) +
glob.glob(os.path.join(d, "libcuda.so*"))):
try:
ctypes.CDLL(so)
loaded.append(os.path.basename(so))
except Exception:
pass
return loaded
_preload_cuda_libs()
from typing import List
from fastapi.responses import JSONResponse, StreamingResponse
from pydantic import BaseModel
import gradio as gr
from gradio.routes import App
import spaces
MODEL_REPO = os.getenv("MODEL_REPO", "unsloth/Qwen3-0.6B-GGUF")
MODEL_FILE = os.getenv("MODEL_FILE", "Qwen3-0.6B-Q4_K_M.gguf")
N_CTX = int(os.getenv("N_CTX", "8192"))
N_THREADS = int(os.getenv("N_THREADS", "4"))
MAX_TOKENS = int(os.getenv("MAX_TOKENS", "512"))
N_GPU_LAYERS = int(os.getenv("N_GPU_LAYERS", "-1")) # -1 = tout sur GPU
API_MODEL_ID = os.getenv("API_MODEL_ID", "simonlm-0.6b")
_llm = None
def _get_llm():
"""Charge le modèle une seule fois (cache global, dans le worker GPU)."""
global _llm
if _llm is None:
from llama_cpp import Llama
print(f"[SimonLM] Chargement de {MODEL_REPO}/{MODEL_FILE} "
f"(n_ctx={N_CTX}, gpu_layers={N_GPU_LAYERS})…", flush=True)
_llm = Llama.from_pretrained(
repo_id=MODEL_REPO,
filename=MODEL_FILE,
n_ctx=N_CTX,
n_threads=N_THREADS,
n_gpu_layers=N_GPU_LAYERS,
verbose=False,
)
print("[SimonLM] Modèle prêt (GPU)", flush=True)
return _llm
def _infer(messages: list, max_tokens: int, temperature: float, top_p: float) -> str:
"""Inférence GPU brute (à appeler DANS une fonction @spaces.GPU)."""
llm = _get_llm()
out = llm.create_chat_completion(
messages=messages,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
)
return out["choices"][0]["message"].get("content", "")
def _split_think(text: str):
"""Sépare le bloc <think> Qwen3 : (reasoning, content)."""
if "<think>" in text and "</think>" in text:
reasoning, content = text.split("</think>", 1)
reasoning = reasoning.replace("<think>", "").strip()
return reasoning, content.lstrip("\n")
return "", text
# ── Interface Gradio (chat humain) ────────────────────────────────────────────
# ⚠️ DÉCORÉ @spaces.GPU : le scan ZeroGPU ne détecte QUE les handlers Gradio
# décorés. respond est bindé à ChatInterface → c'est lui qui doit l'être.
_history: list = []
@spaces.GPU(duration=120)
def respond(message: str, chat_history):
global _history
_history.append({"role": "user", "content": message})
if len(_history) > 12:
del _history[:2]
try:
raw = _infer(list(_history), max_tokens=MAX_TOKENS, temperature=0.7, top_p=0.9)
_, content = _split_think(raw)
reply = content
except Exception as e: # noqa: BLE001 — jamais planter l'interface
reply = f"⚠️ Erreur : {e}"
_history.append({"role": "assistant", "content": reply})
return reply
demo = gr.ChatInterface(
fn=respond,
title="🤖 SimonLM Cloud",
description=f"Assistant IA — modèle {MODEL_FILE} sur ZeroGPU (GPU gratuit HF Spaces).",
)
# ── API OpenAI-compatible ─────────────────────────────────────────────────────
# App = sous-classe FastAPI de Gradio → on y ajoute nos routes /v1/* puis on la
# passe à demo.launch(_app=...) : Gradio s'y monte et le scan ZeroGPU s'exécute.
app = App(title="SimonLM Cloud API")
class ChatMessage(BaseModel):
role: str
content: str
class ChatRequest(BaseModel):
model: str = API_MODEL_ID
messages: List[ChatMessage]
temperature: float = 0.7
top_p: float = 0.9
max_tokens: int = MAX_TOKENS
stream: bool = False
@spaces.GPU(duration=120)
def _api_infer(messages: list, max_tokens: int, temperature: float, top_p: float) -> str:
return _infer(messages, max_tokens, temperature, top_p)
@app.get("/v1/models")
def list_models():
return JSONResponse({
"object": "list",
"data": [{
"id": API_MODEL_ID,
"object": "model",
"owned_by": "simonlm",
}],
})
def _sse_chunks(content: str, model: str):
"""Découpe la réponse en fragments SSE (ressenti streaming)."""
import json as _json
frags = []
for part in content.split(" "):
frags.append(part + " " if part else " ")
buf = ""
for f in frags:
buf += f
if len(buf) >= 15:
chunk = {
"id": f"chatcmpl-{uuid.uuid4().hex[:12]}",
"object": "chat.completion.chunk",
"created": int(time.time()),
"model": model,
"choices": [{
"index": 0,
"delta": {"content": buf},
"finish_reason": None,
}],
}
yield f"data: {_json.dumps(chunk)}\n\n"
buf = ""
if buf:
chunk = {
"id": f"chatcmpl-{uuid.uuid4().hex[:12]}",
"object": "chat.completion.chunk",
"created": int(time.time()),
"model": model,
"choices": [{
"index": 0,
"delta": {"content": buf},
"finish_reason": None,
}],
}
yield f"data: {_json.dumps(chunk)}\n\n"
done = {
"id": f"chatcmpl-{uuid.uuid4().hex[:12]}",
"object": "chat.completion.chunk",
"created": int(time.time()),
"model": model,
"choices": [{"index": 0, "delta": {}, "finish_reason": "stop"}],
}
yield f"data: {_json.dumps(done)}\n\n"
yield "data: [DONE]\n\n"
@app.post("/v1/chat/completions")
def chat_completions(req: ChatRequest):
raw_messages = [{"role": m.role, "content": m.content} for m in req.messages]
try:
raw = _api_infer(
raw_messages,
max_tokens=min(req.max_tokens, MAX_TOKENS),
temperature=req.temperature,
top_p=req.top_p,
)
except Exception as e: # noqa: BLE001 — erreur propre côté client
return JSONResponse({
"error": {"message": f"Inférence GPU en échec : {e}", "type": "server_error"},
}, status_code=500)
reasoning, content = _split_think(raw)
msg = {"role": "assistant", "content": content}
if reasoning:
msg["reasoning_content"] = reasoning
if req.stream:
return StreamingResponse(
_sse_chunks(content, req.model),
media_type="text/event-stream",
)
return JSONResponse({
"id": f"chatcmpl-{uuid.uuid4().hex[:12]}",
"object": "chat.completion",
"created": int(time.time()),
"model": req.model,
"choices": [{
"index": 0,
"message": msg,
"finish_reason": "stop",
}],
"usage": {
"prompt_tokens": 0,
"completion_tokens": 0,
"total_tokens": 0,
},
})
# Lancement via demo.launch(_app=...) : le scan ZeroGPU s'exécute au launch()
# (gr.Blocks.launch est patché par le runtime) ET nos routes /v1/* sont montées
# sur la même app FastAPI que Gradio.
demo.launch(_app=app)
|