Update app.py

app.py

@@ -1,73 +1,4 @@
 import torch
-from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM
-
-# Cargar el modelo de lenguaje preentrenado
-model_name = "gpt2"
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-model = AutoModelForCausalLM.from_pretrained(model_name)
-
-# Crear la función de loop automatizado
-def experiment_loop(initial_question, max_cycles=10):
-    prompt = f"<thinking>{initial_question}</thinking>"
-    effectiveness = 100  # Inicializa el porcentaje de efectividad
-    communication = "Initializing experiment."
-    response_log = []
-
-    try:
-        for cycle in range(max_cycles):
-            # Generar la respuesta del modelo
-            inputs = tokenizer(prompt, return_tensors="pt").input_ids
-            outputs = model.generate(inputs, max_length=200)
-            response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-
-            # Descomponer la respuesta en afirmación y nueva pregunta
-            affirmation = extract_affirmation(response)
-            new_question = extract_question(response)
-
-            # Actualizar el estado de la efectividad
-            effectiveness = min(1000, effectiveness + 10 * cycle)  # Ejemplo de aumento de efectividad
-
-            # Comunicación con el usuario
-            communication = f"Cycle {cycle + 1}: Affirmation: '{affirmation}' | New Question: '{new_question}'"
-
-            # Guardar el ciclo actual en el log
-            response_log.append((affirmation, new_question, effectiveness, communication))
-
-            # Verificar si el modelo decide detenerse
-            if "Descanso" in response:
-                final_output = generate_final_output(response_log)
-                return final_output
-            
-            # Actualizar el prompt con la nueva afirmación y pregunta
-            prompt = f"<thinking>{affirmation} {new_question}</thinking>"
-
-    except Exception as e:
-        print(f"Error durante el experimento: {e}")
-
-    # Si se alcanza el número máximo de ciclos sin detenerse
-    final_output = generate_final_output(response_log)
-    return final_output
-
-# Funciones auxiliares para extraer afirmaciones, preguntas y generar la salida final
-def extract_affirmation(response):
-    # Lógica para extraer la afirmación de la respuesta
-    return response.split('.')[0]
-
-def extract_question(response):
-    # Lógica para extraer la nueva pregunta de la respuesta
-    return response.split('?')[-2].strip() + "?"
-
-def generate_final_output(log):
-    final_affirmation = log[-1][0]
-    final_question = log[-1][1]
-    final_communication = f"Experiment completed. Final Affirmation: '{final_affirmation}' | Final Question: '{final_question}'"
-    return final_communication
-
-# Iniciar el experimento
-initial_question = "What happens in the space between a response and its recreation?"
-result = experiment_loop(initial_question)
-print(result)
-import torch
 from transformers import AutoTokenizer, AutoModelForCausalLM
 
 # Cargar el modelo de lenguaje preentrenado