eliminate doublons from suggestions

README.md

@@ -11,40 +11,55 @@ license: mit
 short_description: Chinese input method accelerator
 ---
 
+---
+title: Input Method Acceleration
+emoji: 💻
+colorFrom: blue
+colorTo: pink
+sdk: gradio
+sdk_version: 5.34.0
+app_file: app.py
+pinned: true
+license: mit
+short_description: Chinese input method accelerator
+---
+
 # 台灣中文輸入法加速器（ZeroGPU + Gradio v5）
 
 ## 一、專案概述  
 本示範結合多種小型中文語言模型，並透過 Hugging Face 的 **ZeroGPU**（H200）即時執行文字生成，模擬中文輸入法中的候選詞建議功能。
 
 ## 二、主要功能  
-…  
-4. **使用 GPU 生成建議**：  
-   - 採用 **Beam Search**（`num_beams=M`）同時產出 M 條最可能的候選下段，並在 H200 上執行推理。  
-…  
+1. **使用 GPU 生成建議**  
+   - 採用 **Beam Search**（`num_beams=M`）同時產出 M 條最可能的候選，下段建議即時回饋。  
+2. **經典 IME 候選欄樣式**  
+   - 橫向滑動、點擊選字，模擬傳統輸入法使用體驗。  
+3. **自動延展文字框**  
+   - 根據輸入內容動態調整高度，無須手動拖曳。  
+4. **手機響應式優化**  
+   - 針對小螢幕（≤600px）放大候選字與按鈕、攤滿全寬，提升觸控便利度。  
+5. **永遠顯示「預測」按鈕**  
+   - 手動／自動預測互補，按鈕常駐不隱藏。  
+6. **消除重複建議**  
+   - 自動去重，保留首見建議，避免候選列表出現相同項目。  
 
 ## 三、運作原理  
-- 點擊「使用 GPU 生成建議」時，函式會以 **Beam Search** 模式呼叫模型：  
-  ```python
-  outs = gen_pipe(
-      text,
-      max_new_tokens=K,
-      num_beams=M,
-      num_return_sequences=M,
-      do_sample=False,
-      early_stopping=True
-  )
-
+- 點擊「預測」或於文字變更時（若已開啟自動預測），函式會以 **Beam Search** 模式呼叫模型，並做以下處理：  
+  1. 生成 m 條下文；  
+  2. 過濾空字串並轉繁體；  
+  3. 去重並保留順序；  
+  4. 最後編號顯示於候選欄。  
 
 ## 四、部署步驟  
 1. 在 Hugging Face Spaces 建立新 Space，框架選 **Gradio SDK**。  
 2. 在 **Hardware** 欄位選擇 **Zero GPU**（需 PRO 帳號）。  
 3. 設定 Python 版本為 3.10.13。  
-4. 上傳 `app.py`、`requirements.txt`、`README.md`。Spaces 會自動安裝相依套件。  
-5. 點擊 **Deploy**，即可線上使用。
+4. 上傳 `app.py`、`requirements.txt`、更新後的 `README.md`。Spaces 會自動安裝相依套件。  
+5. 點擊 **Deploy**，即可線上體驗！  
 
 ## 五、使用效益  
-- **快速回應**：利用 GPU burst 提升生成速度。  
+- **快速回應**：利用 GPU burst 加速生成速度。  
 - **零門檻**：免本地 GPU，開發者與使用者皆可輕鬆試用。  
-- **多模型對比**：可快速測試不同模型品質與效能。
+- **多模型對比**：可快速測試不同模型品質與效能。  
 
-歡迎體驗高效、無痛的台灣中文輸入法下段建議 Demo！
+歡迎體驗高效、無痛的台灣中文輸入法下段建議 Demo！  

app.py

@@ -36,7 +36,7 @@ def get_pipeline(model_name):
 @spaces.GPU
 def suggest_next(text, model_name, k, m):
     """
-    使用 Beam Search 產生 m 條候選，並一次更新候選列表，轉繁體並編號。
+    使用 Beam Search 產生 m 條候選，並一次更新候選列表，轉繁體並編號，去除重複。
     """
     gen_pipe = get_pipeline(model_name)
     outs = gen_pipe(
@@ -47,10 +47,17 @@ def suggest_next(text, model_name, k, m):
         do_sample=False,
         early_stopping=True
     )
+    # 提取新生成文本，過濾空字串，轉繁體
     suggestions = [out["generated_text"][len(text):].strip() for out in outs]
     suggestions = [s for s in suggestions if s]
     suggestions = [cc.convert(s) for s in suggestions]
-    numbered = [f"{i+1}. {s}" for i, s in enumerate(suggestions)]
+    # 去除重複，保留順序
+    unique_suggestions = []
+    for s in suggestions:
+        if s not in unique_suggestions:
+            unique_suggestions.append(s)
+    # 編號候選
+    numbered = [f"{i+1}. {s}" for i, s in enumerate(unique_suggestions)]
     return update(choices=numbered, value=None)