Update app.py

app.py

@@ -12,6 +12,7 @@ login(huggingface_token)
 
 # Cargar el modelo Llama 3.1
 model_name = "meta-llama/llama-3.1-8b-instruct"  # Asegúrate de que este sea el nombre correcto del modelo
+
 # Usar transformers pipeline para carga
 llm_pipeline = pipeline("text-generation", model=model_name, device=0 if torch.cuda.is_available() else -1)
 llm = HuggingFacePipeline(pipeline=llm_pipeline)
@@ -37,10 +38,23 @@ if uploaded_file is not None:
         """
 
         # Llamar al modelo Llama con el prompt
-        response = llm(prompt)
-
-        # Mostrar la respuesta del modelo
-        st.write("Respuesta del modelo:", response)
+        try:
+            response = llm(prompt)
+            # Mostrar la respuesta del modelo
+            st.write("Respuesta del modelo:", response)
+            
+            # Aquí puedes procesar la respuesta para extraer los scores y ordenar los registros
+            # Asegúrate de que la respuesta sea en un formato que puedas procesar
+            # Si el formato de respuesta es un texto, podrías necesitar parsear la respuesta
+            # Aquí hay un ejemplo simple de cómo podrías hacer esto (esto depende de cómo el modelo responde)
+            
+            # Supongamos que el modelo devuelve un JSON o un texto estructurado
+            # Procesar la respuesta según sea necesario
+            # Si `response` es una lista de dicts o similar, puedes ordenarlos así:
+            # df['Score'] = [extract_score(item) for item in response]  # Asegúrate de definir extract_score()
+            # df_sorted = df.sort_values(by='Score', ascending=False)
+            # st.write(df_sorted)
+
+        except Exception as e:
+            st.error(f"Ocurrió un error al procesar el modelo: {str(e)}")
 
-        # Aquí puedes procesar la respuesta para extraer los scores y ordenar los registros
-        # Esto asume que el modelo te devuelve una respuesta estructurada en un formato que puedes procesar