app.py

import gradio as gr
from transformers import AutoTokenizer, AutoModelForCausalLM, TextIteratorStreamer
import torch
from threading import Thread

MODEL_ID = "HODACHI/Llama-3.1-8B-EZO-1.1-it"
DTYPE = torch.bfloat16

tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    torch_dtype=torch.bfloat16,  # bfloat16形式で計算を行い、精度と速度のバランスを取る
    device_map="auto",  # 利用可能なデバイスに自動的にモデルを配置
    low_cpu_mem_usage=True,  # CPU消費メモリを抑える
)

pipeline = transformers.pipeline(
    "text-generation",  # タスクを指定（ここではテキスト生成）
    model=model,  # 使用するモデル
    tokenizer=tokenizer,  # 使用するトークナイザー
    device_map="auto",  # デバイスの自動割り当て
)

def respond(
    message,
    history: list[tuple[str, str]],
    max_tokens,
    temperature,
    top_p,
):
    chat = []
    chat.append({"role": "system", "content": "あなたは誠実で優秀な日本人のアシスタントです。特に指示が無い場合は、原則日本語で回答してください。"})
    for user, assistant in history:
        chat.append({"role": "user", "content": user})
        chat.append({"role": "assistant", "content": assistant})
    chat.append({"role": "user", "content": message})

    prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
    #inputs = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device)

    streamer = TextIteratorStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)
    
    #generation_kwargs = dict(
    #    input_ids=inputs,
    #    max_new_tokens=max_tokens,
    #    temperature=temperature,
    #    top_p=top_p,
    #    do_sample=True,
    #    streamer=streamer,
    #)
    
    thread = Thread(target=model.generate, kwargs=generation_kwargs)
    thread.start()

    #response = ""
    #for new_text in streamer:
    #    response += new_text
    #    yield response
    outputs = pipeline(
        prompt,
        max_new_tokens=40,  # 生成する最大トークン数
        do_sample=True,  # サンプリングを有効にして多様な出力を得る
        temperature=0.7,  # 生成の多様性を調整（高いほど多様、低いほど決定的）
        top_p=0.95,  # 累積確率に基づくサンプリングの閾値
    )

    response = outputs[0]["generated_text"]

demo = gr.ChatInterface(
    respond,
    additional_inputs=[
        gr.Slider(minimum=1, maximum=2048, value=150, 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)",
        ),
    ],
)

if __name__ == "__main__":
    demo.launch()