app.py

# app.py
import os
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from huggingface_hub import hf_hub_download
from llama_cpp import Llama # llama-cpp-python をインポート

# -----------------------------------------------------------------------------
# Hugging Face Hub の設定
# -----------------------------------------------------------------------------
HF_TOKEN = os.environ.get("HF_TOKEN")  # 必要に応じて Secrets にセット
REPO_ID  = "google/gemma-3-4b-it-qat-q4_0-gguf"
# 実際にリポジトリに置かれている GGUF ファイル名を確認してください。
# 例: "gemma-3-12b-it-qat-q4_0-gguf.gguf"
GGUF_FILENAME = "gemma-3-4b-it-q4_0.gguf"

# キャッシュ先のパス（リポジトリ直下に置く場合）
MODEL_PATH = os.path.join(os.getcwd(), GGUF_FILENAME)

# -----------------------------------------------------------------------------
# 起動時に一度だけダウンロード
# -----------------------------------------------------------------------------
if not os.path.exists(MODEL_PATH):
    print(f"Downloading {GGUF_FILENAME} from {REPO_ID} …")
    hf_hub_download(
        repo_id=REPO_ID,
        filename=GGUF_FILENAME,
        token=HF_TOKEN,
        repo_type="model",        # 明示的にモデルリポジトリを指定
        local_dir=os.getcwd(),    # カレントディレクトリに保存
        local_dir_use_symlinks=False
    )

# -----------------------------------------------------------------------------
# llama-cpp-python で 4bit GGUF モデルをロード
# -----------------------------------------------------------------------------
print(f"Loading model from {MODEL_PATH}...")
try:
    llm = Llama(
        model_path=MODEL_PATH,
        n_ctx=2048,      # コンテキストサイズ (モデルに合わせて調整してください)
        # n_gpu_layers=-1, # GPU を使う場合 (Hugging Face Spaces 無料枠では通常 0)
        n_gpu_layers=0,   # CPU のみ使用
        verbose=True     # 詳細ログを出力
    )
    print("Model loaded successfully.")
except Exception as e:
    print(f"Error loading model: {e}")
    # エラーが発生した場合、アプリケーションを終了させるか、エラーハンドリングを行う
    # ここでは簡単なエラーメッセージを出力して終了する例
    raise RuntimeError(f"Failed to load the LLM model: {e}")


# -----------------------------------------------------------------------------
# FastAPI 定義
# -----------------------------------------------------------------------------
app = FastAPI(title="Gemma3-4B-IT Q4_0 GGUF API")

class GenerationRequest(BaseModel):
    prompt: str
    max_new_tokens: int = 128
    temperature: float = 0.8
    top_p: float = 0.95
    # llama-cpp-python で利用可能な他のパラメータも追加可能
    # stop: list[str] | None = None
    # repeat_penalty: float = 1.1

@app.post("/generate")
async def generate(req: GenerationRequest):
    if not req.prompt:
        raise HTTPException(status_code=400, detail="`prompt` は必須です。")

    try:
        # llama-cpp-python の __call__ メソッドで生成
        output = llm(
            req.prompt,
            max_tokens=req.max_new_tokens,
            temperature=req.temperature,
            top_p=req.top_p,
            # stop=req.stop, # 必要なら追加
            # repeat_penalty=req.repeat_penalty, # 必要なら追加
        )
        # 生成されたテキストを取得
        generated_text = output["choices"][0]["text"]
        return {"generated_text": generated_text}
    except Exception as e:
        print(f"Error during generation: {e}")
        raise HTTPException(status_code=500, detail=f"生成中にエラーが発生しました: {e}")


# -----------------------------------------------------------------------------
# Uvicorn サーバーの起動 (Hugging Face Spaces 用)
# -----------------------------------------------------------------------------
# if __name__ == "__main__": ガードは付けずに直接実行
import uvicorn
# Hugging Face Spaces は通常 PORT 環境変数を設定する
port = int(os.environ.get("PORT", 8000))
# host="0.0.0.0" でコンテナ外からのアクセスを許可
uvicorn.run(app, host="0.0.0.0", port=port, log_level="info")