app.py

import gradio as gr
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

# Inicializa o modelo e tokenizer
model_name = "Orenguteng/Llama-3-8B-Lexi-Uncensored"
tokenizer = AutoTokenizer.from_pretrained(model_name)

# Carregando em CPU com precisão reduzida
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    low_cpu_mem_usage=True,
    device_map="cpu"
)

def generate_text(prompt):
    inputs = tokenizer(prompt, return_tensors="pt")
    
    # Ajustando parâmetros para economizar memória
    outputs = model.generate(
        inputs["input_ids"],
        max_new_tokens=50,  # Reduzido para economizar memória
        temperature=0.7,
        pad_token_id=tokenizer.eos_token_id,
        num_beams=1,  # Beam search simples para economizar memória
        do_sample=True
    )
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

# Cria a interface com tempo limite maior
iface = gr.Interface(
    fn=generate_text,
    inputs="text",
    outputs="text",
    title="LLama Chat",
    examples=["Hello, how are you?"],
    cache_examples=False,
)

# Aumentando o tempo limite devido ao processamento mais lento em CPU
iface.launch(share=True, server_timeout=180)