add file

app.py

@@ -0,0 +1,40 @@
+import gradio as gr
+from transformers import AutoProcessor, AutoModelForVision2Seq
+from PIL import Image
+import torch
+
+device = "cuda" if torch.cuda.is_available() else "cpu"
+
+# Load model + processor
+model_id = "prithivMLmods/Doc-VLMs-v2-Localization"
+processor = AutoProcessor.from_pretrained(model_id)
+model = AutoModelForVision2Seq.from_pretrained(model_id).to(device)
+
+# Giao diện
+def predict(image, text_input, system_prompt="Trích thông tin, không cần diễn giải"):
+    image = image.convert("RGB")
+    inputs = processor(images=image, text=text_input, return_tensors="pt").to(device)
+    generated_ids = model.generate(
+        **inputs,
+        max_new_tokens=512,
+        do_sample=False,
+        eos_token_id=processor.tokenizer.eos_token_id,
+        pad_token_id=processor.tokenizer.pad_token_id
+    )
+    result = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
+    return result
+
+# Gradio app
+demo = gr.Interface(
+    fn=predict,
+    inputs=[
+        gr.Image(type="pil", label="Upload ảnh tài liệu"),
+        gr.Textbox(label="Câu hỏi muốn hỏi mô hình"),
+        gr.Textbox(label="System prompt (tuỳ chọn)", value="Trích thông tin, không cần diễn giải")
+    ],
+    outputs="text",
+    title="Doc-VLMs v2 - Vision Document QA"
+)
+
+if __name__ == "__main__":
+    demo.launch()

requirements.txt

@@ -0,0 +1,4 @@
+transformers>=4.39
+torch
+gradio
+Pillow