app.py

import spaces
import gradio as gr
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
import os

# Titre et description
Title = """# 🙋🏻‍♂️Welcome to 🌟Tonic's 🇫🇷🏆 Legml-1-Instruct : L'Excellence Française de l'Instruction-Tuning 🏆🇫🇷"""

description = """
[legml-v1.0-instruct](https://huggingface.co/legmlai/legml-v1.0-instruct) est un modèle LLM francophone, affiné sur près de 800 000 paires instruction/réponse en français (Open-Hermes-FR). Il excelle dans le dialogue, le raisonnement et la QA, avec une rigueur et une bienveillance typiquement françaises.
"""

training = """
## Détails d'entraînement

- **Base** : legmlai/legml-v1.0-base (Qwen-3 · 8B)
- **Corpus** : Open-Hermes-FR (799 875 paires, 100% français)
- **Méthode** : SFT multi-tour + DPO léger
- **Licence** : Apache-2.0
- **Sponsor GPU** : 24 × H100 80 Go (Nebius)
"""

# Suivez Legml
legml_info = """
## Suivez Legml :
Retrouvez la communauté legml.ai sur [https://legml.ai](https://legml.ai) et suivez les nouveautés sur [Hugging Face](https://huggingface.co/legmlai).
"""

# Join TeamTonic
teamtonic_info = """
## Join us:
🌟TeamTonic🌟 is always making cool demos! Join our active builder's 🛠️community 👻 
[![Join us on Discord](https://img.shields.io/discord/1109943800132010065?label=Discord&logo=discord&style=flat-square)](https://discord.gg/qdfnvSPcqP) 
On 🤗Huggingface: [MultiTransformer](https://huggingface.co/MultiTransformer) 
On 🌐Github: [Tonic-AI](https://github.com/tonic-ai) & contribute to🌟 [Build Tonic](https://git.tonic-ai.com/contribute)
🤗Big thanks to Yuvi Sharma and all the folks at huggingface for the community grant 🤗
"""

# Initialisation du modèle et du tokenizer
model_id = "legmlai/legml-v1.0-instruct"
device = "cuda" if torch.cuda.is_available() else "cpu"

# Récupérer le token Hugging Face si besoin
hf_token = os.getenv('READTOKEN')

# Initialisation du tokenizer et du modèle
if hf_token:
    tokenizer = AutoTokenizer.from_pretrained(model_id, token=hf_token)
    model = AutoModelForCausalLM.from_pretrained(
        model_id,
        token=hf_token,
        device_map="auto",
        torch_dtype="auto"
    )
else:
    tokenizer = AutoTokenizer.from_pretrained(model_id)
    model = AutoModelForCausalLM.from_pretrained(
        model_id,
        device_map="auto",
        torch_dtype="auto"
    )

config_json = model.config.to_dict()

def format_model_info(config):
    info = []
    important_keys = [
        "model_type", "vocab_size", "hidden_size", "num_attention_heads",
        "num_hidden_layers", "max_position_embeddings", "torch_dtype"
    ]
    for key in important_keys:
        if key in config:
            value = config[key]
            if key == "torch_dtype" and hasattr(value, "name"):
                value = value.name
            info.append(f"**{key}:** {value}")
    return "\n".join(info)

@spaces.GPU
def generate_response(system_prompt, user_prompt, temperature, max_new_tokens, top_p, repetition_penalty, top_k):
    # Préparer le prompt au format chat LEGML
    messages = [
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": user_prompt}
    ]
    prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
    inputs = tokenizer(prompt, return_tensors="pt").to(device)
    outputs = model.generate(
        **inputs,
        max_new_tokens=max_new_tokens,
        temperature=temperature,
        top_p=top_p,
        top_k=top_k,
        repetition_penalty=repetition_penalty,
        do_sample=True,
        pad_token_id=tokenizer.eos_token_id
    )
    response = tokenizer.decode(outputs[0, inputs["input_ids"].shape[-1]:], skip_special_tokens=True)
    return response.strip()

# Interface Gradio
with gr.Blocks() as demo:
    gr.Markdown(Title)
    with gr.Row():

        gr.Markdown(description)

    # Configuration dans un accordéon
    with gr.Row():
        with gr.Accordion("⚙️ Infos et Configuration", open=False):
            with gr.Row():
                with gr.Column():
                    with gr.Blocks():
                        gr.Markdown("### Détails d'entraînement")
                        gr.Markdown(training)
                with gr.Column():
                    with gr.Blocks():
                        gr.Markdown("### Configuration du modèle")
                        gr.Markdown(format_model_info(config_json))
                with gr.Column():
                    with gr.Blocks():
                        gr.Markdown("### Configuration du tokenizer")
                        gr.Markdown(f"""
                            **Taille du vocabulaire :** {tokenizer.vocab_size}
                            **Longueur max du modèle :** {tokenizer.model_max_length}
                            **Token de padding :** {tokenizer.pad_token}
                            **Token EOS :** {tokenizer.eos_token}
                            """)

    # Legml & TeamTonic côte à côte
    with gr.Row():
        with gr.Column():
            gr.Markdown(legml_info)
        with gr.Column():
            gr.Markdown(teamtonic_info)
    with gr.Row():
        with gr.Column():
            system_prompt = gr.Textbox(
                label="Message Système",
                value="Tu es un assistant francophone rigoureux et bienveillant. Tu réponds toujours en français de façon précise et utile.",
                lines=3
            )
            user_prompt = gr.Textbox(
                label="🗣️Votre message",
                placeholder="Entrez votre texte ici...",
                lines=5
            )
            with gr.Accordion("🧪Paramètres avancés", open=False):
                temperature = gr.Slider(
                    minimum=0.1,
                    maximum=2.0,
                    value=0.4,
                    step=0.05,
                    label="🌡️Température"
                )
                max_new_tokens = gr.Slider(
                    minimum=1,
                    maximum=2048,
                    value=512,
                    step=1,
                    label="💶Longueur maximale"
                )
                top_p = gr.Slider(
                    minimum=0.1,
                    maximum=1.0,
                    value=0.9,
                    step=0.05,
                    label="🏅Top-p"
                )
                top_k = gr.Slider(
                    minimum=1,
                    maximum=100,
                    value=50,
                    step=1,
                    label="🏆Top-k"
                )
                repetition_penalty = gr.Slider(
                    minimum=1.0,
                    maximum=2.0,
                    value=1.05,
                    step=0.05,
                    label="🦜Pénalité de répétition"
                )
            generate_btn = gr.Button("🏆 Générer")
        with gr.Column():
            output = gr.Textbox(
                label="🏆 Legml-1-Instruct",
                lines=10
            )
    gr.Examples(
        examples=[
            [
                "Tu es un assistant francophone rigoureux et bienveillant.",
                "Explique-moi la relativité restreinte en trois points.",
                0.4, 512, 0.9, 1.05, 50
            ],
            [
                "Tu es un expert en histoire de France.",
                "Quels sont les événements majeurs de la Révolution française?",
                0.5, 768, 0.9, 1.1, 40
            ],
            [
                "Tu es un professeur de mathématiques.",
                "Explique le théorème de Pythagore simplement.",
                0.3, 256, 0.85, 1.05, 30
            ],
            [
                "Tu es un expert en gastronomie française.",
                "Quels sont les plats traditionnels français les plus connus?",
                0.4, 512, 0.9, 1.05, 50
            ],
            [
                "Tu es un poète français.",
                "Écris un court poème sur Paris.",
                0.7, 256, 0.95, 1.2, 60
            ]
        ],
        inputs=[system_prompt, user_prompt, temperature, max_new_tokens, top_p, repetition_penalty, top_k],
        outputs=output,
        label="Exemples"
    )
    generate_btn.click(
        fn=generate_response,
        inputs=[system_prompt, user_prompt, temperature, max_new_tokens, top_p, repetition_penalty, top_k],
        outputs=output
    )

if __name__ == "__main__":
    demo.launch(ssr_mode=False, mcp_server=True)