Update app.py

app.py

@@ -47,31 +47,23 @@ def caption_image(image: Image.Image):
 
 
 def vqa_image(image: Image.Image, question: str):
-    """嘗試呼叫 VQA 專用模型；在錯誤時回傳說明。
-    註：不同模型的 API 需稍微不同的 input 格式。我們採取通用方式：呼叫 models/{id} 的推理端點，並把 image bytes 與 question 一併傳入。
-    """
+    """使用 Hugging Face Inference API 執行圖片問答 (VQA)"""
     if client is None:
         return "Error: 未設定 HF_TOKEN。請在 Space settings -> Secrets 新增 HF_TOKEN。"
 
     try:
         b = pil_to_bytes(image)
-        # 直接呼叫 post 路徑，讓 huggingface_hub 自行處理 model-specific 格式
-        # 儘量把 image bytes 和 question 一併傳入
-        response = client.post(model=VQA_MODEL, data={"image": b, "question": question})
-        # response 內容依 model 會不同，嘗試解析
-        if isinstance(response, dict):
-            # 常見欄位：generated_text / answer / answers / output
-            for k in ("generated_text", "answer", "answers", "output", "text"):
-                if k in response:
-                    return response[k]
-            # 否則回傳整個 dict 的簡短字串
-            return str(response)
-        # 如果回傳 list
-        if isinstance(response, list):
-            return str(response[0])
-        return str(response)
+
+        # 把問題放在文字 prompt，傳給支援 VQA 的模型
+        # 例如 BLIP VQA 模型支援 'image_to_text' 輸入
+        result = client.image_to_text(b, model=VQA_MODEL, parameters={"question": question})
+
+        # 統一輸出格式
+        if isinstance(result, list):
+            return result[0]
+        return str(result)
     except Exception as e:
-        return f"VQA 錯誤：{e}\n(請確認模型 ID 是否正確、Space 有無 HF_TOKEN、或模型是否支援 VQA 任務)"
+        return f"VQA 錯誤：{e}"
 
 
 with gr.Blocks(title="Vision-Language Web UI") as demo: