Update app.py

app.py

@@ -1,64 +1,35 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
+from transformers import pipeline
+
+# Carregando os dois modelos de geração de texto
+modelo_1 = pipeline("text-generation", model="gpt2")
+modelo_2 = pipeline("text-generation", model="distilgpt2")
+
+# Função avaliadora simples: escolhe a resposta mais longa
+def avaliar_respostas(prompt, resposta1, resposta2):
+    if len(resposta1) > len(resposta2):
+        return f"Resposta escolhida do Modelo 1:\n\n{resposta1}"
+    else:
+        return f"Resposta escolhida do Modelo 2:\n\n{resposta2}"
+
+# Função principal do chatbot em cascata
+def chatbot_em_cascata(prompt):
+    # Gerar respostas com os dois modelos
+    resposta1 = modelo_1(prompt, max_length=50, do_sample=True)[0]['generated_text']
+    resposta2 = modelo_2(prompt, max_length=50, do_sample=True)[0]['generated_text']
+
+    # Avaliar e escolher a melhor resposta
+    melhor_resposta = avaliar_respostas(prompt, resposta1, resposta2)
+    return melhor_resposta
+
+# Interface com Gradio
+interface = gr.Interface(
+    fn=chatbot_em_cascata,
+    inputs=gr.Textbox(lines=2, placeholder="Digite sua pergunta aqui..."),
+    outputs="text",
+    title="Chatbot em Cascata - FMU Engenharia",
+    description="Dois modelos geram respostas, um avaliador escolhe a melhor."
 )
 
+interface.launch()
 
-if __name__ == "__main__":
-    demo.launch()