sau khi da tham khao huong dan tren github

app.py

@@ -1,40 +1,76 @@
-import gradio as gr
-from transformers import AutoTokenizer, AutoModelForCausalLM
+# app.py
+import torch # type: ignore
+import gradio as gr  # type: ignore
+from transformers import AutoConfig, AutoModelForCausalLM, AutoTokenizer # type: ignore
 
-# Load PhoGPT-4B-Chat model and tokenizer
-tokenizer = AutoTokenizer.from_pretrained("vinai/PhoGPT-4B-Chat", trust_remote_code=True)
-model = AutoModelForCausalLM.from_pretrained("vinai/PhoGPT-4B-Chat", trust_remote_code=True)
+# 1️⃣ Chuẩn bị model và tokenizer
+model_path = "vinai/PhoGPT-4B-Chat"
 
-def respond(message, history, system_message, max_tokens, temperature, top_p):
-    messages = f"{system_message}\n"
+# Load config, ép sang GPU và bfloat16
+config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
+config.init_device = "cuda"
+# Nếu bạn đã cài FlashAttention, có thể bật:
+# config.attn_config["attn_impl"] = "flash"
+
+model = AutoModelForCausalLM.from_pretrained(
+    model_path,
+    config=config,
+    torch_dtype=torch.bfloat16,
+    trust_remote_code=True,
+)
+model.eval()  # Chuyển model sang chế độ inference
+
+tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
+
+# 2️⃣ Hàm xử lý chat
+def respond(message, history: list[tuple[str, str]], system_message, max_tokens, temperature, top_p):
+    # 2.1 — Gom prompt theo chuẩn chat
+    messages = [{"role": "system", "content": system_message}]
     for user_msg, bot_msg in history:
         if user_msg:
-            messages += f"User: {user_msg}\n"
+            messages.append({"role": "user", "content": user_msg})
         if bot_msg:
-            messages += f"Bot: {bot_msg}\n"
-    messages += f"User: {message}\nBot:"
+            messages.append({"role": "assistant", "content": bot_msg})
+    messages.append({"role": "user", "content": message})
+
+    # 2.2 — Dùng apply_chat_template để có prompt chính xác
+    prompt = tokenizer.apply_chat_template(
+        messages,
+        tokenize=False,
+        add_generation_prompt=True,
+    )
+
+    # 2.3 — Tokenize và đưa lên GPU
+    inputs = tokenizer(prompt, return_tensors="pt")
+    input_ids = inputs["input_ids"].to(model.device)
+    attention_mask = inputs["attention_mask"].to(model.device)
 
-    inputs = tokenizer(messages, return_tensors="pt")
+    # 2.4 — Sinh văn bản
     outputs = model.generate(
-        **inputs,
+        input_ids=input_ids,
+        attention_mask=attention_mask,
         max_new_tokens=max_tokens,
         temperature=temperature,
         top_p=top_p,
+        top_k=50,              # theo hướng dẫn thêm top_k
         do_sample=True,
-        pad_token_id=tokenizer.eos_token_id
+        eos_token_id=tokenizer.eos_token_id,
+        pad_token_id=tokenizer.pad_token_id,
     )
-    full_output = tokenizer.decode(outputs[0], skip_special_tokens=True)
-    response = full_output.replace(messages, "").strip()
-    yield response
 
+    # 2.5 — Decode và tách phần chatbot trả lời
+    full = tokenizer.decode(outputs[0], skip_special_tokens=True)
+    answer = full.replace(prompt, "").strip()
+    yield answer
 
+# 3️⃣ Tạo giao diện Gradio
 demo = gr.ChatInterface(
-    respond,
+    fn=respond,
     additional_inputs=[
-        gr.Textbox(value="Bạn là một chatbot người Việt thân thiện.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, 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)"),
+        gr.Textbox(value="Bạn là một chatbot tiếng Việt thân thiện.", label="System message"),
+        gr.Slider(1, 2048, value=512, step=1, label="Max new tokens"),
+        gr.Slider(0.1, 4.0, value=1.0, step=0.1, label="Temperature"),
+        gr.Slider(0.1, 1.0, value=0.9, step=0.05, label="Top-p (nucleus sampling)"),
     ],
 )