Update app.py

app.py

@@ -1,23 +1,57 @@
 import gradio as gr
-from transformers import pipeline
-
-# Carrega um modelo pré-treinado de análise de sentimentos
-classificador = pipeline("sentiment-analysis")
-
-def analisar_texto(texto):
-    resultado = classificador(texto)
-    # Formata a resposta para exibição
-    label = resultado[0]['label']
-    score = round(resultado[0]['score'] * 100, 2)
-    return f"Resultado: {label} (Confiança: {score}%)"
-
-# Monta a interface gráfica do seu aplicativo
-interface = gr.Interface(
-    fn=analisar_texto, 
-    inputs=gr.Textbox(lines=2, placeholder="Digite uma frase aqui..."), 
-    outputs="text",
-    title="Minha Primeira IA no Hugging Face"
+from transformers import AutoModelForCausalLM, AutoTokenizer
+import torch
+
+# 1. Defina o modelo (use "Qwen/Qwen2.5-1.5B-Instruct" para computadores mais modestos)
+model_name = "Qwen/Qwen2.5-7B-Instruct"
+
+# 2. Carrega o tokenizador e o modelo na memória do computador
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForCausalLM.from_pretrained(
+    model_name,
+    torch_dtype="auto",
+    device_map="auto" # Distribui o modelo automaticamente entre GPU e CPU
+)
+
+def responder_chat(mensagem, historico):
+    # Formata o histórico de mensagens no padrão exigido pelo Qwen
+    mensagens = [{"role": "system", "content": "Você é um assistente de IA prestativo e amigável em português."}]
+    
+    # Adiciona as conversas passadas na memória do chat
+    for usuario, bot in historico:
+        mensagens.append({"role": "user", "content": usuario})
+        mensagens.append({"role": "assistant", "content": bot})
+        
+    mensagens.append({"role": "user", "content": mensagem})
+
+    # Aplica o modelo de template de chat do Hugging Face
+    text = tokenizer.apply_chat_template(
+        mensagens,
+        tokenize=False,
+        add_generation_prompt=True
+    )
+    
+    model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
+
+    # Gera a resposta do modelo
+    generated_ids = model.generate(
+        **model_inputs,
+        max_new_tokens=512, # Limite de tamanho da resposta do bot
+        temperature=0.7     # Controla a criatividade da resposta
+    )
+    
+    generated_ids = [
+        output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
+    ]
+
+    resposta = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
+    return resposta
+
+# 3. Cria uma interface específica de Chatbot no Gradio (gr.ChatInterface)
+demo = gr.ChatInterface(
+    fn=responder_chat, 
+    title="Minha IA Conversacional com Qwen"
 )
 
-# Inicializa o app
-interface.launch()
+if __name__ == "__main__":
+    demo.launch()