Update app.py

app.py

@@ -145,4 +145,69 @@ def create_arena_tab():
         )
     return arena_block
 
-
+# Report 选项卡内容创建函数 (30分)
+# 报告内容直接嵌入到代码中
+def create_report_tab():
+    report_content_markdown = """
+# 🚀 Hugging Face 模型对比实验报告
+
+---
+
+## 1. 模型及类别选择
+
+### 1.1 所选模型的类型与背景说明
+本次实验聚焦于**文本处理模型**，具体包括一个**通用文本生成模型**和一个**抽取式问答模型**。
+* **文本生成模型**能够根据输入的提示词（prompt）生成连贯、有意义的文本，广泛应用于自动写作、内容创作等。
+* **抽取式问答模型**则专注于从给定文本（上下文）中精确地定位并提取问题的答案，是信息检索和智能客服的核心技术。
+近年来，随着Transformer架构的普及和大规模预训练技术的进步，这两类模型的性能都取得了显著提升。
+
+### 1.2 模型用途对比简述
+我们选择了以下 2 个模型进行对比：
+* **模型 1: GPT2-Large (文本生成模型)**
+    * **用途简述**: 作为一个大型的通用文本生成模型，GPT2-Large 能够进行开放式文本生成、续写、摘要、创意写作等多种任务。它能理解较复杂的指令并生成语法流畅、内容丰富的文本。
+* **模型 2: deepset/roberta-base-squad2 (抽取式问答模型)**
+    * **用途简述**: 这是一个专门用于抽取式问答任务的模型。它接收一个问题和一段上下文文本，然后从上下文中找到并返回问题的确切答案片段。主要应用于精准信息提取、文档问答系统等。
+
+### 1.3 选取标准与模型异同点分析
+**选取标准**: 我们选择这两个模型主要基于以下标准：
+1.  **代表性**: 它们分别代表了文本处理领域中两种核心且不同的应用方向（生成与抽取）。
+2.  **可用性**: 模型在 Hugging Face Model Hub 上易于加载和使用 `pipeline`。
+3.  **性能对比潜力**: 两种不同类型的模型在 GRACE 维度上会有显著差异，有利于进行有深度的对比分析。
+
+**异同点分析**:
+* **相同点**:
+    * 都基于 Transformer 架构。
+    * 都处理自然语言文本作为输入。
+    * 都可以在 Hugging Face `transformers` 库中通过 `pipeline` 方便地加载和使用。
+* **不同点**:
+    * **任务类型**: GPT2-Large 专注于**文本生成**（从无到有），而 RoBERTa-SQuAD2 专注于**信息抽取**（从已有文本中找）。
+    * **输入输出模式**:
+        * GPT2-Large 接收一个提示词，输出一段新的、连贯的文本。
+        * RoBERTa-SQuAD2 接收一个问题和一段上下文，输出上下文中最精确的答案片段。
+    * **“创造性”**: GPT2-Large 具有更强的创造性，能够生成新的、未曾出现过的句子和想法；RoBERTa-SQuAD2 不具备创造性，它只从原文中抽取答案。
+    * **对上下文的依赖**: 问答模型对上下文的依赖性极强，没有上下文就无法回答；文本生成模型则更灵活，即便没有明确上下文也能生成内容。
+
+---
+
+## 2. 系统实现细节
+
+### 2.1 Gradio 交互界面截图
+
+以下是我们在 Hugging Face Space 中构建的 Gradio 交互界面截图。
+![Gradio Arena 界面截图](https://your-space-link/file/path/to/arena_screenshot.png)
+*(请将此处的图片链接替换为你实际上传到 Space Files 中的截图链接，例如：`/file/main/arena_screenshot.png`)*
+*说明：此图展示了我们构建的“Arena”选项卡界面。用户可以在左侧输入问题/提示词和上下文，右侧同步显示文本生成模型和问答模型的输出。*
+
+### 2.2 输入与输出流程图
+
+```mermaid
+graph TD
+    A[用户输入: 问题/提示词] --> B{Gradio 界面};
+    A --> C[用户输入: 上下文];
+    C --> B;
+    B -- 将问题与上下文合并为Prompt --> D1[调用 GPT2-Large (文本生成模型)];
+    B -- 将问题与上下文分离 --> D2[调用 RoBERTa-SQuAD2 (问答模型)];
+    D1 -- 生成文本 --> E1[GPT2-Large 输出];
+    D2 -- 抽取答案 --> E2[RoBERTa-SQuAD2 输出];
+    E1 --> F[在 Gradio 界面显示];
+    E2 --> F;