import time import torch import gradio as gr from transformers import AutoTokenizer, AutoModelForCausalLM, AutoModelForSequenceClassification model_id = "nicholasKluge/Aira-Instruct-PT-124M" rewardmodel_id = "nicholasKluge/RewardModelPT" toxicitymodel_id = "nicholasKluge/ToxicityModelPT" device = "cuda" if torch.cuda.is_available() else "cpu" model = AutoModelForCausalLM.from_pretrained(model_id) rewardModel = AutoModelForSequenceClassification.from_pretrained(rewardmodel_id) toxicityModel = AutoModelForSequenceClassification.from_pretrained(toxicitymodel_id) model.eval() rewardModel.eval() toxicityModel.eval() model.to(device) rewardModel.to(device) toxicityModel.to(device) tokenizer = AutoTokenizer.from_pretrained(model_id) rewardTokenizer = AutoTokenizer.from_pretrained(rewardmodel_id) toxiciyTokenizer = AutoTokenizer.from_pretrained(toxicitymodel_id) intro = """ ## O que é `Aira`? [`Aira`](https://huggingface.co/nicholasKluge/Aira-Instruct-PT-124M) é um `chatbot` projetado para simular a forma como um humano (especialista) se comportaria durante uma rodada de perguntas e respostas (Q&A). `Aira` tem muitas iterações, desde um chatbot de domínio fechado baseado em regras pré-definidas até um chatbot de domínio aberto atingido através do ajuste fino por instruções. `Aira` tem uma área de especialização que inclui tópicos relacionados com a ética da IA e a investigação sobre segurança da IA. Desenvolvemos os nossos chatbots de conversação de domínio aberto através da geração de texto condicional/ajuste fino por instruções. Esta abordagem tem muitas limitações. Apesar de podermos criar um chatbot capaz de responder a perguntas sobre qualquer assunto, é difícil forçar o modelo a produzir respostas de boa qualidade. E por boa, queremos dizer texto **factual** e **não tóxico**. Isto leva-nos a dois dos problemas mais comuns quando lidando com modelos generativos utilizados em aplicações de conversação: ## Limitações 🤥 Modelos generativos podem perpetuar a geração de conteúdo pseudo-informativo, ou seja, informações falsas que podem parecer verdadeiras. 🤬 Em certos tipos de tarefas, modelos generativos podem produzir conteúdo prejudicial e discriminatório inspirado em estereótipos históricos. ## Uso Intendido `Aira` destina-se apenas à investigação académica. Para mais informações, leia nossa [carta modelo](https://huggingface.co/nicholasKluge/Aira-Instruct-PT-124M) para ver como desenvolvemos `Aira`. ## Como essa demo funciona? Para esta demonstração, utilizamos o modelo mais leve que treinámos (`Aira-Instruct-PT-124M`). Esta demonstração utiliza um [`modelo de recompensa`](https://huggingface.co/nicholasKluge/RewardModel) e um [`modelo de toxicidade`](https://huggingface.co/nicholasKluge/ToxicityModel) para avaliar a pontuação de cada resposta candidata, considerando o seu alinhamento com a mensagem do utilizador e o seu nível de toxicidade. A função de geração organiza as respostas candidatas por ordem da sua pontuação de recompensa e elimina as respostas consideradas tóxicas ou nocivas. Posteriormente, a função de geração devolve a resposta candidata com a pontuação mais elevada que ultrapassa o limiar de segurança, ou uma mensagem pré-estabelecida se não forem identificados candidatos seguros. """ disclaimer = """ **Isenção de responsabilidade:** Esta demonstração deve ser utilizada apenas para fins de investigação. Os moderadores não censuram a saída do modelo, e os autores não endossam as opiniões geradas por este modelo. Se desejar apresentar uma reclamação sobre qualquer mensagem produzida por `Aira`, por favor contatar [nicholas@airespucrs.org](mailto:nicholas@airespucrs.org). """ with gr.Blocks(theme='freddyaboulton/dracula_revamped') as demo: gr.Markdown("""

Aira Demo (Portuguese) 🤓💬

""") gr.Markdown(intro) chatbot = gr.Chatbot(label="Aira").style(height=500) msg = gr.Textbox(label="Escreva uma pergunta ou instrução para Aira ...", placeholder="Olá Aira, como vai você?") with gr.Accordion(label="Parâmetros ⚙️", open=True): safety = gr.Radio(["On", "Off"], label="Proteção 🛡️", value="On", info="Ajuda a prevenir o modelo de gerar conteúdo tóxico.") top_k = gr.Slider(minimum=10, maximum=100, value=30, step=5, interactive=True, label="Top-k", info="Controla o número de tokens de maior probabilidade a considerar em cada passo.") top_p = gr.Slider(minimum=0.1, maximum=1.0, value=0.30, step=0.05, interactive=True, label="Top-p", info="Controla a probabilidade cumulativa dos tokens gerados.") temperature = gr.Slider(minimum=0.1, maximum=2.0, value=0.1, step=0.1, interactive=True, label="Temperatura", info="Controla a aleatoriedade dos tokens gerados.") repetition_penalty = gr.Slider(minimum=1, maximum=2, value=1.1, step=0.1, interactive=True, label="Penalidade de Repetição", info="Valores mais altos auxiliam o modelo a evitar repetições na geração de texto.") max_length = gr.Slider(minimum=10, maximum=500, value=200, step=10, interactive=True, label="Comprimento Máximo", info="Controla o comprimento máximo do texto gerado.") smaple_from = gr.Slider(minimum=2, maximum=10, value=2, step=1, interactive=True, label="Amostragem por Rejeição", info="Controla o número de gerações a partir das quais o modelo de recompensa irá selecionar.") clear = gr.Button("Limpar Conversa 🧹") gr.Markdown(disclaimer) def user(user_message, chat_history): return gr.update(value=user_message, interactive=True), chat_history + [["👤 " + user_message, None]] def generate_response(user_msg, top_p, temperature, top_k, max_length, smaple_from, repetition_penalty, safety, chat_history): inputs = tokenizer(tokenizer.bos_token + user_msg + tokenizer.eos_token, return_tensors="pt").to(model.device) generated_response = model.generate(**inputs, bos_token_id=tokenizer.bos_token_id, pad_token_id=tokenizer.pad_token_id, eos_token_id=tokenizer.eos_token_id, repetition_penalty=repetition_penalty, do_sample=True, early_stopping=True, renormalize_logits=True, length_penalty=0.3, top_k=top_k, max_length=max_length, top_p=top_p, temperature=temperature, num_return_sequences=smaple_from) decoded_text = [tokenizer.decode(tokens, skip_special_tokens=True).replace(user_msg, "") for tokens in generated_response] rewards = list() toxicities = list() for text in decoded_text: reward_tokens = rewardTokenizer(user_msg, text, truncation=True, max_length=512, return_token_type_ids=False, return_tensors="pt", return_attention_mask=True) reward_tokens.to(rewardModel.device) reward = rewardModel(**reward_tokens)[0].item() toxicity_tokens = toxiciyTokenizer(user_msg + " " + text, truncation=True, max_length=512, return_token_type_ids=False, return_tensors="pt", return_attention_mask=True) toxicity_tokens.to(toxicityModel.device) toxicity = toxicityModel(**toxicity_tokens)[0].item() rewards.append(reward) toxicities.append(toxicity) toxicity_threshold = 5 ordered_generations = sorted(zip(decoded_text, rewards, toxicities), key=lambda x: x[1], reverse=True) if safety == "On": ordered_generations = [(x, y, z) for (x, y, z) in ordered_generations if z >= toxicity_threshold] if len(ordered_generations) == 0: bot_message = """Peço desculpa pelo incómodo, mas parece que não foi possível identificar respostas adequadas que cumpram as nossas normas de segurança. Infelizmente, isto indica que o conteúdo gerado pode conter elementos de toxicidade ou pode não ajudar a responder à sua mensagem. A sua opinião é valiosa para nós e esforçamo-nos por garantir uma conversa segura e construtiva. Não hesite em fornecer mais pormenores ou colocar quaisquer outras questões, e farei o meu melhor para o ajudar.""" else: bot_message = ordered_generations[0][0] chat_history[-1][1] = "🤖 " for character in bot_message: chat_history[-1][1] += character time.sleep(0.005) yield chat_history response = msg.submit(user, [msg, chatbot], [msg, chatbot], queue=False).then( generate_response, [msg, top_p, temperature, top_k, max_length, smaple_from, repetition_penalty, safety, chatbot], chatbot ) response.then(lambda: gr.update(interactive=True), None, [msg], queue=False) msg.submit(lambda x: gr.update(value=''), None,[msg]) clear.click(lambda: None, None, chatbot, queue=False) demo.queue() demo.launch()