Update app.py

app.py

@@ -1,47 +1,38 @@
-from transformers import AutoTokenizer, AutoModelForCausalLM
-
-import os
-
-
-# دسترسی به توکن از Secrets در Hugging Face
-token = os.getenv("Passsssssss")
-
-
-# Load model directly
-from transformers import AutoTokenizer, AutoModelForCausalLM
-
-tokenizer = AutoTokenizer.from_pretrained("tiiuae/falcon-7b-instruct", trust_remote_code=True)
-model = AutoModelForCausalLM.from_pretrained("tiiuae/falcon-7b-instruct", trust_remote_code=True)
-
-
-# مدل‌های مختلف AI
-models = {
-    'falcon': "huggingface/falcon-7b-instruct",
-    'gpt_neox': "EleutherAI/gpt-neox-20b",
-    'persian': "HooshvareLab/bert-fa-zwnj-base",
-    'math': "EleutherAI/gpt-neox-20b-math"  # مدل ریاضی (باید ایجاد شود یا از مدل‌های مشابه استفاده کنید)
-}
-
-# بارگذاری مدل‌ها از Hugging Face
-tokenizers = {name: AutoTokenizer.from_pretrained(path) for name, path in models.items()}
-models = {name: AutoModelForCausalLM.from_pretrained(path) for name, path in models.items()}
-
-def generate_response(prompt, model_name="falcon"):
-    tokenizer = tokenizers[model_name]
-    model = models[model_name]
-    
-    inputs = tokenizer(prompt, return_tensors="pt")
-    outputs = model.generate(inputs["input_ids"], max_length=100, num_return_sequences=1)
-    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-    
-    return response
-
-# نمونه استفاده
-prompt = "سلام، امروز چه خبر؟"
-response_falcon = generate_response(prompt, model_name="falcon")
-response_gpt_neox = generate_response(prompt, model_name="gpt_neox")
-response_persian = generate_response(prompt, model_name="persian")
-
-print("Falcon Response:", response_falcon)
-print("GPT-NeoX Response:", response_gpt_neox)
-print("Persian Response:", response_persian)
+import gradio as gr
+from transformers import pipeline
+import jdatetime
+from sympy import sympify
+
+# مدل پرسش و پاسخ فارسی
+qa_pipeline = pipeline("question-answering", model="Hooshvare/bert-fa-base-uncased", tokenizer="Hooshvare/bert-fa-base-uncased")
+
+# توابع اصلی
+def process_text(input_text):
+    # تحلیل سوال
+    if "تاریخ" in input_text:
+        today = jdatetime.date.today()
+        return f"امروز: {today}"
+    elif "محاسبه" in input_text:
+        expression = input_text.replace("محاسبه", "").strip()
+        try:
+            result = sympify(expression)
+            return f"نتیجه محاسبه: {result}"
+        except Exception as e:
+            return f"خطا در محاسبه: {e}"
+    else:
+        # پاسخ به سوال
+        context = "اینجا متنی برای مثال قرار دارد که هوش مصنوعی می‌تواند از آن پاسخ بدهد."
+        response = qa_pipeline({"question": input_text, "context": context})
+        return f"پاسخ: {response['answer']}"
+
+# رابط کاربری Gradio
+interface = gr.Interface(
+    fn=process_text,
+    inputs=gr.Textbox(lines=5, placeholder="سوال یا متن خود را وارد کنید..."),
+    outputs="text",
+    title="هوش مصنوعی فارسی",
+    description="پرسش‌های خود را وارد کنید، محاسبات انجام دهید یا تاریخ امروز را دریافت کنید.",
+)
+
+if __name__ == "__main__":
+    interface.launch()