import os import gradio as gr from gradio.components import Slider from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig import torch # Model, information and examples ---------------------------------------------- MODEL_NAMES = ["Carballo-bloom-1.3B","Carvalho_pt-gl","Carballo-cerebras-1.3B"] markdown_description_gl = """ [*English below*] Este espazo contén diferentes Grandes Modelos da Linguaxe feitos para o galego desenvolvidos polo [Proxecto Nós](https://nos.gal/en/proxecto-nos). 💐 **[Carballo-bloom-1.3B](https://huggingface.co/proxectonos/Carballo-bloom-1.3B)** é un modelo de 1.3B parámetros que é un preadestramento continuo de [FLOR-1.3B]( https://huggingface.co/projecte-aina/FLOR-1.3B), baseado a súa vez en [Bloom 1.7B](https://huggingface.co/bigscience/bloom-1b7). 👀 **Máis información sobre Carballo-bloom-1.3B:** [tarxeta modelo oficial HF](https://huggingface.co/proxectonos/Carballo-bloom-1.3B). 🧠 **[Carballo-cerebras-1.3B](https://huggingface.co/proxectonos/Carballo-cerebras-1.3B)** é un modelo de 1.3B parámetros baseado en [Cerebras-GPT 1.3B](https://huggingface.co/cerebras/Cerebras-GPT-1.3B). 👀 **Máis información sobre Carballo-cerebras-1.3B:** [tarxeta modelo oficial HF](https://huggingface.co/proxectonos/Carballo-cerebras-1.3B) 🧠 **[Carvalho_pt-gl](https://huggingface.co/Nos-PT/Carvalho_pt-gl-1.3B)** é un modelo de 1.3B parámetros baseado en [Cerebras-GPT 1.3B](https://huggingface.co/cerebras/Cerebras-GPT-1.3B) que pode traballar en galego e portugués, feito en colaboración co [VISTA Lab](https://huggingface.co/cerebras/Cerebras-GPT-1.3B) that can work in Galician and Portuguese, developed in collaboration with the [VISTA Lab](https://www.uevora.pt/en/research/R-D-Unit/vista-lab) da Universidade de Évora. 👀 **Máis información sobre Carvalho_pt-gl:** [tarxeta modelo oficial HF](https://huggingface.co/Nos-PT/Carvalho_pt-gl-1.3B) """ markdown_description_en = """ ## English description This space contains the Galician language models developed by [Proxecto Nós](https://nos.gal/en/proxecto-nos). 💐 **[Carballo-bloom-1.3B](https://huggingface.co/proxectonos/Carballo-bloom-1.3B)** is a 1.3B parameters model which is a Continual pretraining from [FLOR-1.3B](https://huggingface.co/projecte-aina/FLOR-1.3B), which is based in [Bloom 1.7B](https://huggingface.co/bigscience/bloom-1b7). 👀 **Learn more about Carballo-bloom-1.3B:** [HF official model card](https://huggingface.co/proxectonos/Carballo-bloom-1.3B). 🧠 **[Carballo-cerebras-1.3B](https://huggingface.co/proxectonos/Carballo-cerebras-1.3B)** is a 1.3B parameters model based in [Cerebras-GPT 1.3B](https://huggingface.co/cerebras/Cerebras-GPT-1.3B). 👀 **Learn more about Carballo-cerebras-1.3B:** [HF official model card](https://huggingface.co/proxectonos/Carballo-cerebras-1.3B) 📖 **[Carvalho_pt-gl](https://huggingface.co/Nos-PT/Carvalho_pt-gl-1.3B)** is a 1.3B parameters model based in [Cerebras-GPT 1.3B](https://huggingface.co/cerebras/Cerebras-GPT-1.3B) that can work in Galician and Portuguese, developed in collaboration with the [VISTA Lab](https://www.uevora.pt/en/research/R-D-Unit/vista-lab) at the University of Évora. 👀 **More information about Carvalho_pt-gl:** [official HF model card](https://huggingface.co/Nos-PT/Carvalho_pt-gl-1.3B) """ short_prompts_examples = [ ["A receita tradicional das filloas é"], ["O neno vivía preto de"] ] few_shot_prompts_examples = [ ["Responde á seguinte pregunta. \nPregunta: \"Cal é a capital de Noruega? \"\nResposta: \"A capital de Noruega é Oslo.\"\n---- \nResponde á seguinte pregunta.\nPregunta: \"Cal é a moeda de Portugal\" \nResposta: \"A moeda de Portugal é o euro.\" \n---- \nResponde á seguinte pregunta. \nPregunta: \"Cal é a capital de Suecia?\"\nResposta:"], ["Extrae as entidades nomeadas do seguinte texto: \nTexto: \"Chámome Wolfgang e vivo en Berlin\" \nEntidades: Wolfgang:PER, Berlin:LOC \n ---- \nExtrae as entidades nomeadas do seguinte texto: \nTexto: \"María e Miguel non teñen ningún problema\" \nEntidades: María:PER, Miguel:PER \n---- \nExtrae as entidades nomeadas do seguinte texto: \nTexto: \"O mellor de Barcelona é o bar do meu amigo Pablo\" \nEntidades: Pablo:PER, Barcelona:LOC \n---- \nExtrae as entidades nomeadas do seguinte texto: \nTexto: \"Carlos comparte cuarto con Marc\" \nEntidades:"], ["Cualifica como Positivo ou Negativo o sentimento da seguinte frase:\n Texto: \"Estou moi feliz\"\n Polaridade: Positivo\n ---- \n Cualifica como Positivo ou Negativo o sentimento da seguinte frase:\n Texto: \"Non me gusta beber cervexa\"\n Polaridade: Negativo\n ----\n Cualifica como Positivo ou Negativo o sentimento da seguinte frase:\n Texto: \"O meu pai detesta o seu traballo\"\n Polaridade: Negativo\n ----\n Cualifica como Positivo ou Negativo o sentimento da seguinte frase:\n Texto: \"Uxía desfruta xogando ao fútbol\"\n Polaridade: Positivo\n ----\n Cualifica como Positivo ou Negativo o sentimento da seguinte frase:\n Texto: \"O neno non está contento coas notas\"\n Polaridade:"], ["Traduce ao galego esta frase en inglés:\n Inglés: \"my sister is studying Biology at the university.\"\n Galego: \"a miña irmá está a estudar bioloxía na universidade.\"\n ---- \nTraduce ao galego esta frase en inglés:\n Inglés: \"You are working with my mother on a very interesting project.\"\n Galego: \"Estás a traballar coa miña nai nun proxecto moi interesante\"\n ---- \n Traduce ao galego esta frase en inglés:\n Inglés: \"You have to fix the computer now\"\n Galego:"] ] fronted_theme = 'Soft' # Model charge --------------------------------------------------------- model_id_bloom = "proxectonos/Carballo-bloom-1.3B" model_id_carvalho = "Nos-PT/Carvalho_pt-gl-1.3B" model_id_cerebras = "proxectonos/Carballo-cerebras-1.3B" generator_model_gl = pipeline("text-generation", model=model_id_bloom) generator_model_pt = pipeline("text-generation", model=model_id_carvalho) # Generation functions --------------------------------------------------------- def get_model(model_selection): global generator_model_gl if model_selection == "Carballo-bloom-1.3B": if generator_model_gl.model.name_or_path != model_id_bloom: generator_model_gl = pipeline("text-generation", model=model_id_bloom) return generator_model_gl elif model_selection == "Carballo-cerebras-1.3B": if generator_model_gl.model.name_or_path != model_id_cerebras: generator_model_gl = pipeline("text-generation", model=model_id_cerebras) return generator_model_gl else: return generator_model_pt def remove_empty_lines(text): lines = text.strip().split("\n") non_empty_lines = [line for line in lines if line.strip()] return "\n".join(non_empty_lines) def predict(prompt, model_select, max_length, repetition_penalty, temperature): print("Dentro da xeración...") generator_model = get_model(model_select) prompt_length = len(generator_model.tokenizer.encode(prompt)) generated_text = generator_model( prompt, max_length=prompt_length + max_length, pad_token_id=generator_model.tokenizer.eos_token_id, repetition_penalty=repetition_penalty, temperature=temperature, do_sample=True) generated_sequence = generated_text[0]['generated_text'] if generated_sequence is None: gr.Warning('Inference endpoint is not available right now. Please try again later.') return generated_sequence = remove_empty_lines(generated_sequence) print("Xeración completada") return generated_sequence # Gradio app --------------------------------------------------------- def clear(): return ( None, None, gr.update(value=20), gr.update(value=1.3), gr.update(value=0.5) ) def pass_to_input(generated_gl): return ( gr.update(value=generated_gl), None ) def parameters_default(text): return ( gr.update(value=30), # max_length gr.update(value=1.3), # repetition_penalty gr.update(value=0.5) # temperature ) def parameters_fewshot_prompt(text): return ( gr.update(value=15), # max_length gr.update(value=1), # repetition_penalty gr.update(value=0.5) # temperature ) def gradio_app(): with gr.Blocks(theme=fronted_theme) as demo: with gr.Row(): gr.Markdown( """ ## 🍂 Grandes Modelos da Linguaxe en galego / Galician Language Models """ ) with gr.Row(): with gr.Column(): gr.Markdown( """ ## """ ) with gr.Column(): gr.Markdown(markdown_description_gl) with gr.Row(equal_height=True): model_select = gr.Dropdown( label="Selecione un modelo / Select a model", choices=MODEL_NAMES, value=MODEL_NAMES[0], interactive=True ) with gr.Row(equal_height=True): with gr.Column(): text_gl = gr.Textbox(label="Entrada / Input", lines=6, placeholder="e.g. O neno vai a escola con ") with gr.Row(variant="panel"): with gr.Accordion("Parámetros do modelo / Model parameters", open=False): max_length = Slider( minimum=1, maximum=200, step=1, value=30, label="Max tokens" ) repetition_penalty = Slider( minimum=0.1, maximum=4, step=0.1, value=1.3, label="Penalización por repetición / Repetition penalty" ) temperature = Slider( minimum=0, maximum=1, value=0.5, label="Temperatura / Temperature" ) generator_btn = gr.Button(value="Xerar / Generate",variant='primary') with gr.Column(): generated_gl = gr.Textbox(label="Saída / Output", lines=6, placeholder="O texto xerado aparecerá aquí...", interactive=False, show_copy_button=True) pass_btn = gr.Button(value="Pasar texto xerado á entrada / Pass generated text to input",variant='secondary') clean_btn = gr.Button(value="Limpar / Clear",variant='secondary') generator_btn.click(predict, inputs=[text_gl, model_select, max_length, repetition_penalty, temperature], outputs=generated_gl, api_name="generate-flor-gl") clean_btn.click(fn=clear, inputs=[], outputs=[text_gl, generated_gl, max_length, repetition_penalty, temperature], queue=False, api_name=False) pass_btn.click(fn=pass_to_input, inputs=[generated_gl], outputs=[text_gl,generated_gl], queue=False, api_name=False) with gr.Row(): with gr.Column(scale=0.5): gr.Examples( label = "Prompts curtos / Short prompts", examples = short_prompts_examples, inputs = [text_gl], outputs = [max_length, repetition_penalty, temperature], fn = parameters_default, run_on_click = True ) gr.Examples( label = "Prompts con poucos exemplos / Few-shot prompts", examples = few_shot_prompts_examples, inputs = [text_gl], outputs = [max_length, repetition_penalty, temperature], fn = parameters_fewshot_prompt, run_on_click = True ) with gr.Row(): gr.Markdown(markdown_description_en) demo.launch() if __name__ == "__main__": gradio_app()