Update README.md

README.md

@@ -21,7 +21,7 @@ The prompt has the following structure:
 Determine if the student's answer is correct or not. It only returns True if the student's answer is correct with respect to the expected answer or False otherwise.
 Add a brief comment explaining why the answer is correct or incorrect.\n\n
 Question: {question}\n
-Best Answer: {best_answer}\n
+Expected Answer: {best_answer}\n
 Student Answer: {student_answer}<end_of_turn><start_of_turn>model"
 ```
 
@@ -34,11 +34,11 @@ In Google Colab:
 !pip install -q -U git+https://github.com/huggingface/transformers.git
 !pip install -q -U git+https://github.com/huggingface/peft.git
 !pip install -q -U git+https://github.com/huggingface/accelerate.git
+!pip install -q -U gradio
 
 from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig, GemmaTokenizer
 from peft import AutoPeftModelForCausalLM
 import torch
-import re
 
 # Carga el modelo y el tokenizer
 model_id = "google/gemma-7b-it"
@@ -60,7 +60,7 @@ def predict(question, best_answer, student_answer, language):
     else:  # Asumimos que cualquier otra opción será Español
         system_message = "Analiza la pregunta, la respuesta esperada y la respuesta del estudiante. Determina si la respuesta del estudiante es conceptualmente correcta en relación con la respuesta esperada, independientemente de la redacción exacta. Devuelve Verdadero si la respuesta del estudiante es correcta o Falso en caso contrario. Añade un breve comentario explicando el razonamiento detrás de la corrección o incorrección de la respuesta."
 
-    prompt = f"{system_message}\n\nQuestion: {question}\nBest Answer: {best_answer}\nStudent Answer: {student_answer}"
+    prompt = f"{system_message}\n\nQuestion: {question}\nExpected Answer: {best_answer}\nStudent Answer: {student_answer}"
     prompt_template=f"<start_of_turn>user{prompt}<end_of_turn><start_of_turn>model"
 
     # Ajusta aquí para incluir attention_mask
@@ -75,7 +75,19 @@ def predict(question, best_answer, student_answer, language):
 
     return response
 
-print(response)    
+import gradio as gr
+
+iface = gr.Interface(
+    fn=predict,
+    inputs=[
+        gr.Textbox(lines=2, placeholder="Pregunta"),
+        gr.Textbox(lines=2, placeholder="Mejor Respuesta"),
+        gr.Textbox(lines=2, placeholder="Respuesta del Estudiante"),
+        gr.Radio(choices=["English", "Español"], label="Idioma")
+    ],
+    outputs=gr.Textbox(label="Respuesta del Modelo")
+)
+iface.launch(share=True,debug=True)   
 
 ```