Update app.py

app.py

@@ -15,13 +15,13 @@ hf_token = os.getenv("HF_API_TOKEN")
 # تعریف مترجم
 translator = GoogleTranslator(source='en', target='fa')
 
-# تنظیم کوانت‌سازی
+# تنظیم کوانت‌سازی برای کاهش مصرف حافظه
 quantization_config = BitsAndBytesConfig(load_in_4bit=True)
 
 # بارگذاری توکنایزر و مدل
-tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b", token=hf_token)
+tokenizer = AutoTokenizer.from_pretrained("google/gemma-3-27b-it", token=hf_token)
 model = AutoModelForCausalLM.from_pretrained(
-    "google/gemma-7b",
+    "google/gemma-3-27b-it",
     token=hf_token,
     quantization_config=quantization_config,
     device_map="auto",
@@ -50,7 +50,7 @@ def get_importers(hs_code: str, year: str, month: str):
     return result
 
 # تابع ارائه مشاوره با استفاده از GPU
-@spaces.GPU(duration=120)
+@spaces.GPU(duration=180)  # افزایش مدت زمان برای مدل سنگین
 def provide_advice(table_data: pd.DataFrame, hs_code: str, year: str, month: str):
     if table_data is None or table_data.empty:
         return "ابتدا باید اطلاعات واردات را نمایش دهید."
@@ -73,8 +73,8 @@ def provide_advice(table_data: pd.DataFrame, hs_code: str, year: str, month: str
             **input_ids,
             max_new_tokens=1024,
             do_sample=True,
-            temperature=0.6,  # کاهش برای پاسخ‌های منسجم‌تر
-            top_p=0.85,      # تنظیم برای کیفیت بهتر
+            temperature=0.6,  # برای پاسخ‌های منسجم
+            top_p=0.85,      # برای کیفیت بهتر
             pad_token_id=tokenizer.eos_token_id  # جلوگیری از خطای pad token
         )
         # دیکد کردن خروجی و حذف پرامپت