Files changed (1) hide show
  1. app.py +69 -1
app.py CHANGED
@@ -88,4 +88,72 @@ def create_arena_tab():
88
  inputs=[question_input, context_input, gen_length_slider],
89
  outputs=[output_text_gen, output_qa]
90
  )
91
- return arena_block
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
88
  inputs=[question_input, context_input, gen_length_slider],
89
  outputs=[output_text_gen, output_qa]
90
  )
91
+ return arena_block
92
+ # Report 选项卡内容创建函数 (30分)
93
+ # 报告内容直接嵌入到代码中
94
+ # def create_report_tab():
95
+ # report_content_markdown = """
96
+ # # 🚀 Hugging Face 模型对比实验报告
97
+
98
+ # ---
99
+
100
+ # ## 1. 模型及类别选择
101
+
102
+ # ### 1.1 所选模型的类型与背景说明
103
+ # 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**。
104
+ # * **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。
105
+ # * **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。
106
+ # 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。
107
+
108
+ # ### 1.2 模型用途对比简述
109
+ # 我们选择了以下 2 个模型进行对比:
110
+ # * **模型 1: GPT2-Large (文本生成模型)**
111
+ # * **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。
112
+ # * **模型 2: deepset/roberta-base-squad2 (抽取式问答模型)**
113
+ # * **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。
114
+
115
+ # ### 1.3 选取标准与模型异同点分析
116
+ # **选取标准**: 我们选择这两个模型主要基于以下标准:
117
+ # 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)。
118
+ # 2. **可用性**: 模型在 Hugging Face Model Hub 上易于加载和使用 `pipeline`。
119
+ # 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。
120
+
121
+ # **异同点分析**:
122
+ # * **相同点**:
123
+ # * 都基于 Transformer 架构。
124
+ # * 都处理自然语言文本作为输入。
125
+ # * 都可以在 Hugging Face `transformers` 库中通过 `pipeline` 方便地加载和使用。
126
+ # * **不同点**:
127
+ # * **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)。
128
+ # * **输入输出模式**:
129
+ # * GPT2-Large 接收一个提示词,输出一段新的、连贯的文本。
130
+ # * 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。
131
+ # * **“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。
132
+ # * **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。
133
+
134
+ # ---
135
+
136
+ # ## 2. 系统实现细节
137
+
138
+ # ### 2.1 Gradio 交互界面截图
139
+
140
+ # 以下是我们在 Hugging Face Space 中构建的 Gradio 交互界面截图。
141
+ # ![Gradio Arena 界面截图](https://your-space-link/file/path/to/arena_screenshot.png)
142
+ # *(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`)*
143
+ # *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。*
144
+
145
+ # ### 2.2 输入与输出流程图
146
+
147
+ # ```mermaid
148
+ # graph TD
149
+ # A[用户输入: 问题/提示词] --> B{Gradio 界面};
150
+ # A --> C[用户输入: 上下文];
151
+ # C --> B;
152
+ # B -- 将问题与上下文合并为Prompt --> D1[调用 GPT2-Large (文本生成模型)];
153
+ # B -- 将问题与上下文分离 --> D2[调用 RoBERTa-SQuAD2 (问答模型)];
154
+ # D1 -- 生成文本 --> E1[GPT2-Large 输出];
155
+ # D2 -- 抽取答案 --> E2[RoBERTa-SQuAD2 输出];
156
+ # E1 --> F[在 Gradio 界面显示];
157
+ # E2 --> F;
158
+ # ```
159
+ # *说明:此流程图展示了用户输入如何被 Gradio 界面捕获,问题和上下文分别传递给两个模型。文本生成模型将两者合并为提示词,问答模型则分别使用它们,最终将各自的结果展示在界面上。*