app.py

import gradio as gr
from huggingface_hub import InferenceClient
from transformers import pipeline

title = "Generador y clasificador de coloquialismos cubanos"
description = "Genera texto con el dialecto cubano y detecta expresiones coloquiales cubanas."

article = """
## Modelo:
Se usa el somosnlp-hackathon-2026/patriae-cuban-dialect-model.

## Fine-tuning:
Se utilizó el dataset somosnlp-hackathon-2026/patriae-cuba-literature-dataset para hacer fine-tuning del modelo gia-uh/cecilia-2b-instruct-v1.

## Participantes del equipo Patriae en SomosNLP 2026:
* **Carlos Luis Barnés Infante (https://huggingface.co/blacknoize404)**
* **Yisel Clavel Quintero (https://huggingface.co/clavel)**
* **Dionis Lopez (https://huggingface.co/inoid)**
"""

# Cargar el modelo para clasificación
classifier = pipeline(
    "text-classification", 
    model='somosnlp-hackathon-2026/patriae-cuban-dialect-model'
)

def respond(message, history, system_message, max_tokens, temperature, top_p):
    """
    Función para generar respuestas usando el modelo de chat
    """
    # Usar el mismo modelo para generación (si es compatible)
    # Nota: Si el modelo no soporta chat, necesitas usar un endpoint diferente
    client = InferenceClient(
        model="somosnlp-hackathon-2026/patriae-cuban-dialect-model"
    )
    
    messages = [{"role": "system", "content": system_message}]
    messages.extend(history)
    messages.append({"role": "user", "content": message})
    
    response = ""
    try:
        for message in client.chat_completion(
            messages,
            max_tokens=max_tokens,
            stream=True,
            temperature=temperature,
            top_p=top_p,
        ):
            if message.choices and message.choices[0].delta.content:
                token = message.choices[0].delta.content
                response += token
                yield response
    except Exception as e:
        yield f"Error: {str(e)}"

def classify_text(text):
    """
    Función para clasificar texto y detectar coloquialismos cubanos
    """
    if not text or text.strip() == "":
        return "Por favor, ingresa un texto para clasificar."
    
    results = classifier(text)
    # Ordenar por score (de mayor a menor)
    results.sort(key=lambda x: x['score'], reverse=True)
    
    # Mostrar el resultado más probable
    top_result = results[0]
    return f"**Clasificación:** {top_result['label']}\n**Confianza:** {top_result['score']:.2%}"

# Interfaz de Chat
chat_interface = gr.ChatInterface(
    respond,
    additional_inputs=[
        gr.Textbox(
            value="Eres un chatbot cubano que ayuda a entender y usar el dialecto cubano.",
            label="System message"
        ),
        gr.Slider(minimum=1, maximum=1024, value=150, step=1, label="Max new tokens"),
        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
        gr.Slider(
            minimum=0.1,
            maximum=1.0,
            value=0.95,
            step=0.05,
            label="Top-p (nucleus sampling)",
        ),
    ],
    title=title,
    description=description,
    article=article
)

# Interfaz de Clasificación
classifier_interface = gr.Interface(
    fn=classify_text,
    inputs=gr.Textbox(
        label="Texto a clasificar",
        placeholder="Escribe una frase en cubano...",
        lines=3
    ),
    outputs=gr.Markdown(label="Resultado"),
    title="Clasificador de coloquialismos cubanos",
    description="Detecta si un texto contiene expresiones coloquiales cubanas.",
    examples=[
        ["Nos marchábamos sin ti, creyendo que se te habían pegado las sábanas."],
        ["De Varadero venía para acá porque en su casa las broncas con el padre eran de ampanga."],
        ["Los pueblos que no se conocen han de darse prisa para conocerse, como quienes van a pelear juntos."],
    ]
)

# Combinar ambas interfaces en una sola app
with gr.Blocks() as demo:
    gr.Markdown(f"# {title}")
    gr.Markdown(description)
    
    with gr.Tab("💬 Chat"):
        chat_interface.render()
    
    with gr.Tab("🔍 Clasificador"):
        classifier_interface.render()
    
    gr.Markdown(article)

if __name__ == "__main__":
    demo.launch()