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

title = "Generador y clasificador de coloquialismos cubanos"

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)**
"""

HF_TOKEN = os.environ.get("HF_TOKEN", None)

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

def respond(message, history, system_message, max_tokens, temperature, top_p):
    """
    Función para generar respuestas usando el modelo de chat
    """
    client = InferenceClient(
        model="somosnlp-hackathon-2026/patriae-cuban-dialect-model", 
        token=HF_TOKEN
    )
    
    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."
    
    try:
        # Obtener resultados del modelo
        results = classifier(text)
        
        # DEBUG: Imprimir para ver la estructura (puedes eliminar después)
        print(f"Results: {results}")
        print(f"Type: {type(results)}")
        print(f"Length: {len(results)}")
        
        # Verificar que results no esté vacío
        if not results or len(results) == 0:
            return "❌ No se obtuvieron resultados del modelo."
        
        # Obtener el resultado con mayor confianza
        top_result = results[0]
        label = top_result['label']
        score = top_result['score']
        
        # Determinar si es coloquial (LABEL_1 = coloquial, LABEL_0 = no coloquial)
        if label == "LABEL_1":
            es_coloquial = True
            emoji = "🇨🇺"
            tipo = "**COLOQUIAL CUBANO**"
            descripcion = "✅ Este texto contiene expresiones típicas del dialecto cubano."
        elif label == "LABEL_0":
            es_coloquial = False
            emoji = "📚"
            tipo = "**NO COLOQUIAL / ESTÁNDAR**"
            descripcion = "ℹ️ Este texto usa lenguaje estándar, sin expresiones coloquiales cubanas."
        else:
            # Si la etiqueta no es LABEL_0 ni LABEL_1, mostrar la etiqueta original
            emoji = "🔍"
            tipo = f"**{label}**"
            descripcion = f"Etiqueta desconocida: {label}"
        
        # Construir la salida formateada
        output = f"""
### {emoji} Resultado: {tipo}

**Confianza:** {score:.2%}

{descripcion}

---
### 📊 Detalle de clasificación:

| Etiqueta | Probabilidad |
|----------|--------------|
"""
        # Mostrar todos los resultados disponibles
        for i, result in enumerate(results):
            if result['label'] == "LABEL_1":
                label_name = "🇨🇺 Coloquial"
            elif result['label'] == "LABEL_0":
                label_name = "📚 No coloquial"
            else:
                label_name = result['label']
            
            output += f"| {label_name} | {result['score']:.2%} |\n"
        
        output += """
---
💡 **Nota:** El modelo analiza si el texto contiene expresiones típicas del dialecto cubano.
        """
        return output
    except Exception as e:
        return f"❌ Error en clasificación: {str(e)}\n\nDetalles técnicos: El modelo devolvió: {results if 'results' in locals() else 'No hay resultados'}"

    
# 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="Chatbot con dialecto cubano" ,
    description="Genera texto con el dialecto cubano.", 
    examples=[
        ["¡Qué bolá, asere!"], 
        ["¿Cómo se dice 'amigo' en español cubano?"], 
        ]
)

# Interfaz de Clasificación
classifier_interface = gr.Interface(
    fn=classify_text,
    inputs=gr.Textbox(
        label="Texto a clasificar",
        placeholder="Escribe una frase en cubano...",
        lines=5
    ),
    outputs=gr.Markdown(label="Resultado"),
    title="Clasificador de coloquialismos cubanos",
    description="Detecta si un texto contiene expresiones coloquiales cubanas.",
    examples=[
        ["¡Qué bolá, asere!"], 
        ["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(title=title) as demo:
    gr.Markdown(f"# {title}")

    with gr.Tab("🔍 Clasificador"):
        classifier_interface.render()
    
    with gr.Tab("💬 Chat"):
    
        chat_interface.render()
    
    gr.Markdown(article)

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