fix errors

app.py

@@ -23,54 +23,56 @@ from datasets import load_dataset
 from peft import LoraConfig, get_peft_model
 import time
 
-# ---------------------------- Cấu Hình ---------------------------- #
+# ---------------------------- Configuration ---------------------------- #
 
 DESCRIPTION = """\
-# Llama 3.2 3B Instruct với Chức Năng Nâng Cao
+# Llama 3.2 3B Instruct with Advanced Features
 
-Llama 3.2 3B là phiên bản mới nhất của Meta về các mô hình ngôn ngữ mở.
-Demo này giới thiệu [`meta-llama/Llama-3.2-3B-Instruct`](https://huggingface.co/meta-llama/Llama-3.2-3B-Instruct), được tinh chỉnh để theo dõi hướng dẫn.
-Để biết thêm chi tiết, vui lòng xem [bài viết của chúng tôi](https://huggingface.co/blog/llama32).
+Llama 3.2 3B is the latest version from Meta for open language models.
+This demo showcases [`meta-llama/Llama-3.2-3B-Instruct`](https://huggingface.co/meta-llama/Llama-3.2-3B-Instruct), fine-tuned for instruction-following.
+For more details, please see [our blog post](https://huggingface.co/blog/llama32).
 """
 
-MAX_MAX_NEW_TOKENS = 2048  # Số token tối đa có thể tạo ra
-DEFAULT_MAX_NEW_TOKENS = 1024  # Số token tạo ra mặc định
-MAX_INPUT_TOKEN_LENGTH = int(os.getenv("MAX_INPUT_TOKEN_LENGTH", "128000"))  # Độ dài token tối đa cho đầu vào
+MAX_MAX_NEW_TOKENS = 2048  # Maximum tokens to generate
+DEFAULT_MAX_NEW_TOKENS = 1024  # Default tokens to generate
+MAX_INPUT_TOKEN_LENGTH = int(os.getenv("MAX_INPUT_TOKEN_LENGTH", "128000"))  # Max input token length
 
-# Xác định thiết bị sử dụng (GPU nếu có, ngược lại CPU)
+# Determine device (GPU if available, else CPU)
 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
 
-model_id = "meta-llama/Llama-3.2-3B-Instruct"  # ID mô hình, đảm bảo đây là ID mô hình đúng
-tokenizer = AutoTokenizer.from_pretrained(model_id)  # Tải tokenizer từ Hugging Face
+model_id = "meta-llama/Llama-3.2-3B-Instruct"  # Model ID
+tokenizer = AutoTokenizer.from_pretrained(model_id)
 model = AutoModelForCausalLM.from_pretrained(
     model_id,
     device_map="auto",
-    torch_dtype=torch.bfloat16,  # Sử dụng dtype phù hợp để tiết kiệm bộ nhớ
+    torch_dtype=torch.float16,  # Use float16 for compatibility with fp16=True
+)
+model.to(device)
+model.eval()
+
+# Initialize sentiment analysis pipeline on GPU if available
+sentiment_pipeline = pipeline(
+    "sentiment-analysis",
+    model="nlptown/bert-base-multilingual-uncased-sentiment",
+    device=0 if torch.cuda.is_available() else -1
 )
-model.to(device)  # Di chuyển mô hình tới thiết bị đã chọn
-model.eval()  # Đặt mô hình ở chế độ đánh giá
-
-# Khởi tạo pipeline phân tích tâm lý
-sentiment_pipeline = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")
 
-# ---------------------------- Định Nghĩa Hàm ---------------------------- #
+# ---------------------------- Function Definitions ---------------------------- #
 
 @lru_cache(maxsize=128)
 def extract_text_from_webpage(html_content: str) -> str:
-    """Trích xuất văn bản hiển thị từ nội dung HTML sử dụng BeautifulSoup."""
+    """Extract visible text from HTML content using BeautifulSoup."""
     soup = BeautifulSoup(html_content, "html.parser")
-    # Loại bỏ các thẻ không hiển thị như script, style, header, footer, nav, form, svg
     for tag in soup(["script", "style", "header", "footer", "nav", "form", "svg"]):
         tag.extract()
-    # Trích xuất văn bản hiển thị, tách bằng dấu cách và loại bỏ khoảng trắng thừa
     visible_text = soup.get_text(separator=' ', strip=True)
     return visible_text
 
 def search(query: str) -> List[Dict[str, Any]]:
-    """Thực hiện tìm kiếm trên Google và trả về kết quả."""
+    """Perform a Google search and return results."""
     term = query
     all_results = []
-    max_chars_per_page = 8000  # Số ký tự tối đa mỗi trang
+    max_chars_per_page = 8000  # Max characters per page
     headers = {
         "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/111.0"
     }
@@ -79,15 +81,15 @@ def search(query: str) -> List[Dict[str, Any]]:
             resp = session.get(
                 url="https://www.google.com/search",
                 headers=headers,
-                params={"q": term, "num": 4},  # Tìm kiếm với 4 kết quả mỗi trang
+                params={"q": term, "num": 4},  # 4 results per page
                 timeout=5,
-                verify=False,  # Bỏ qua xác minh SSL
+                verify=False,  # Skip SSL verification
             )
-            resp.raise_for_status()  # Kiểm tra phản hồi HTTP
+            resp.raise_for_status()
             soup = BeautifulSoup(resp.text, "html.parser")
-            result_blocks = soup.find_all("div", attrs={"class": "g"})  # Tìm tất cả các khối kết quả
+            result_blocks = soup.find_all("div", attrs={"class": "g"})
             for result in result_blocks:
-                link_tag = result.find("a", href=True)  # Tìm thẻ liên kết
+                link_tag = result.find("a", href=True)
                 if link_tag and 'href' in link_tag.attrs:
                     link = link_tag["href"]
                     try:
@@ -100,22 +102,22 @@ def search(query: str) -> List[Dict[str, Any]]:
                         webpage.raise_for_status()
                         visible_text = extract_text_from_webpage(webpage.text)
                         if len(visible_text) > max_chars_per_page:
-                            visible_text = visible_text[:max_chars_per_page]  # Cắt văn bản nếu quá dài
+                            visible_text = visible_text[:max_chars_per_page]
                         all_results.append({"link": link, "text": visible_text})
                     except requests.exceptions.RequestException:
-                        all_results.append({"link": link, "text": "Không thể lấy nội dung."})
+                        all_results.append({"link": link, "text": "Could not retrieve content."})
         except requests.exceptions.RequestException as e:
-            all_results.append({"link": "N/A", "text": "Không thể thực hiện tìm kiếm."})
+            all_results.append({"link": "N/A", "text": "Could not perform search."})
     return all_results
 
 def summarize_text(text: str, max_length: int = 150) -> str:
-    """Tóm tắt văn bản sử dụng mô hình Llama."""
+    """Summarize text using the Llama model."""
     conversation = [
-        {"role": "user", "content": f"Hãy tóm tắt đoạn văn sau: {text}"}
+        {"role": "user", "content": f"Please summarize the following text: {text}"}
     ]
     input_ids = tokenizer.apply_chat_template(conversation, add_generation_prompt=True, return_tensors="pt")
     input_ids = input_ids.to(device)
-    
+
     summary_streamer = TextIteratorStreamer(tokenizer, timeout=20.0, skip_prompt=True, skip_special_tokens=True)
     summary_kwargs = {
         "input_ids": input_ids,
@@ -127,40 +129,40 @@ def summarize_text(text: str, max_length: int = 150) -> str:
     }
     t = Thread(target=model.generate, kwargs=summary_kwargs)
     t.start()
-    
+
     summary = ""
     for new_text in summary_streamer:
         summary += new_text
     return summary
 
 def analyze_sentiment(text: str) -> str:
-    """Phân tích tâm lý của văn bản sử dụng mô hình."""
+    """Analyze sentiment of the text using a sentiment analysis model."""
     result = sentiment_pipeline(text)
     sentiment = result[0]['label']
     score = result[0]['score']
-    return f"🟢 **Tâm lý**: {sentiment} (Điểm: {score:.2f})"
+    return f"🟢 **Sentiment**: {sentiment} (Score: {score:.2f})"
 
 def generate_response(prompt: str, chat_history: List[Tuple[str, str]], max_new_tokens: int, temperature: float, top_p: float, top_k: int, repetition_penalty: float) -> Iterator[str]:
     """
-    Tạo phản hồi sử dụng mô hình Llama cục bộ theo chế độ streaming.
+    Generate a response using the Llama model in streaming mode.
     """
-    # Xây dựng lịch sử cuộc trò chuyện
+    # Build conversation history
     conversation = []
     for user, assistant in chat_history:
         conversation.extend([
             {"role": "user", "content": user},
             {"role": "assistant", "content": assistant},
         ])
-    conversation.append({"role": "user", "content": prompt})  # Thêm tin nhắn của người dùng
-    
-    # Chuẩn bị input_ids từ tokenizer
+    conversation.append({"role": "user", "content": prompt})  # Add user's message
+
+    # Prepare input_ids from tokenizer
     input_ids = tokenizer.apply_chat_template(conversation, add_generation_prompt=True, return_tensors="pt")
     if input_ids.shape[1] > MAX_INPUT_TOKEN_LENGTH:
-        input_ids = input_ids[:, -MAX_INPUT_TOKEN_LENGTH:]  # Cắt input nếu quá dài
-        gr.Warning(f"Đã cắt bỏ phần cuộc trò chuyện vì vượt quá {MAX_INPUT_TOKEN_LENGTH} token.")
-    input_ids = input_ids.to(device)  # Di chuyển input tới thiết bị
-    
-    # Khởi tạo streamer để nhận văn bản được tạo ra theo thời gian thực
+        input_ids = input_ids[:, -MAX_INPUT_TOKEN_LENGTH:]  # Truncate input if too long
+        gr.Warning(f"Truncated conversation due to exceeding {MAX_INPUT_TOKEN_LENGTH} tokens.")
+    input_ids = input_ids.to(device)
+
+    # Initialize streamer for real-time text generation
     streamer = TextIteratorStreamer(tokenizer, timeout=20.0, skip_prompt=True, skip_special_tokens=True)
     generate_kwargs = {
         "input_ids": input_ids,
@@ -173,10 +175,10 @@ def generate_response(prompt: str, chat_history: List[Tuple[str, str]], max_new_
         "num_beams": 1,
         "repetition_penalty": repetition_penalty,
     }
-    t = Thread(target=model.generate, kwargs=generate_kwargs)  # Tạo luồng để sinh văn bản
+    t = Thread(target=model.generate, kwargs=generate_kwargs)  # Create thread for text generation
     t.start()
-    
-    # Stream văn bản được tạo ra
+
+    # Stream generated text
     outputs = []
     for text in streamer:
         outputs.append(text)
@@ -185,17 +187,17 @@ def generate_response(prompt: str, chat_history: List[Tuple[str, str]], max_new_
 @lru_cache(maxsize=128)
 def process_query(query: str) -> Dict[str, Any]:
     """
-    Xác định hàm nào sẽ được gọi dựa trên truy vấn của người dùng.
+    Determine which function to call based on the user's query.
     """
-    # Định nghĩa các từ khóa hoặc mẫu để xác định hàm
-    web_search_keywords = ["tìm kiếm", "tìm", "tra cứu", "google", "lookup"]
-    general_query_keywords = ["giải thích", "mô tả", "nói cho tôi biết về", "cái gì là", "cách nào"]
-    summarize_keywords = ["tóm tắt", "tóm lại", "khái quát", "ngắn gọn"]
-    sentiment_keywords = ["cảm xúc", "tâm trạng", "tâm lý", "phân tích cảm xúc"]
-    train_keywords = ["huấn luyện"]
-    
-    query_lower = query.lower()  # Chuyển truy vấn thành chữ thường để so sánh
-    
+    # Define keywords or patterns to identify functions
+    web_search_keywords = ["search", "find", "lookup", "google"]
+    general_query_keywords = ["explain", "describe", "tell me about", "what is", "how to"]
+    summarize_keywords = ["summarize", "summarise", "brief", "short"]
+    sentiment_keywords = ["emotion", "mood", "sentiment", "analyze sentiment"]
+    train_keywords = ["train"]
+
+    query_lower = query.lower()
+
     if any(keyword in query_lower for keyword in web_search_keywords):
         function_name = "web_search"
         arguments = {"query": query}
@@ -214,7 +216,7 @@ def process_query(query: str) -> Dict[str, Any]:
     else:
         function_name = "hard_query"
         arguments = {"prompt": query}
-    
+
     return {
         "name": function_name,
         "arguments": arguments
@@ -222,60 +224,60 @@ def process_query(query: str) -> Dict[str, Any]:
 
 def handle_functions(function_call: Dict[str, Any], prompt: str, chat_history: List[Tuple[str, str]], max_new_tokens: int, temperature: float, top_p: float, top_k: int, repetition_penalty: float) -> Iterator[str]:
     """
-    Thực thi hàm phù hợp dựa trên lời gọi hàm.
+    Execute the appropriate function based on the function call.
     """
     function_name = function_call["name"]
     arguments = function_call["arguments"]
-    
+
     if function_name == "web_search":
         query = arguments["query"]
-        yield "🔍 Đang thực hiện tìm kiếm trên web..."
+        yield "🔍 Performing web search..."
         web_results = search(query)
         if not web_results:
-            yield "⚠️ Không tìm thấy kết quả."
+            yield "⚠️ No results found."
             return
-        # Tóm tắt kết quả tìm kiếm
-        web_summary = '\n\n'.join([f"🔗 **Liên kết**: {res['link']}\n📝 **Mô tả**: {res['text']}" for res in web_results if res["text"] != "Không thể lấy nội dung."])
+        # Summarize search results
+        web_summary = '\n\n'.join([f"🔗 **Link**: {res['link']}\n📝 **Description**: {res['text']}" for res in web_results if res["text"] != "Could not retrieve content."])
         if not web_summary:
-            web_summary = "⚠️ Không thể lấy nội dung từ kết quả tìm kiếm."
-        
-        # Trả về kết quả tìm kiếm cho người dùng
-        yield "📄 **Kết quả tìm kiếm:**\n" + web_summary
-    
+            web_summary = "⚠️ Could not retrieve content from search results."
+
+        # Return search results to user
+        yield "📄 **Search Results:**\n" + web_summary
+
     elif function_name == "summarize_query":
-        # Khi người dùng yêu cầu tóm tắt, hệ thống sẽ thực hiện tìm kiếm và sau đó tóm tắt kết quả
+        # When user requests summarization, perform search and then summarize
         query = arguments["prompt"]
-        yield "🔍 Đang thực hiện tìm kiếm để tóm tắt..."
+        yield "🔍 Performing search for summarization..."
         web_results = search(query)
         if not web_results:
-            yield "⚠️ Không tìm thấy kết quả để tóm tắt."
+            yield "⚠️ No results found to summarize."
             return
-        # Lấy nội dung từ kết quả tìm kiếm để tóm tắt
-        combined_text = ' '.join([res['text'] for res in web_results if res['text'] != "Không thể lấy nội dung."])
+        # Combine content from search results for summarization
+        combined_text = ' '.join([res['text'] for res in web_results if res['text'] != "Could not retrieve content."])
         if not combined_text:
-            yield "⚠️ Không có nội dung để tóm tắt."
+            yield "⚠️ No content available to summarize."
             return
-        # Tóm tắt nội dung đã lấy
-        yield "📝 Đang tóm tắt thông tin..."
+        # Summarize the combined content
+        yield "📝 Summarizing information..."
         summary = summarize_text(combined_text)
-        yield "📄 **Tóm tắt:**\n" + summary
-    
+        yield "📄 **Summary:**\n" + summary
+
     elif function_name == "sentiment_analysis":
         prompt_text = arguments["prompt"]
-        yield "📊 Đang phân tích tâm lý..."
+        yield "📊 Analyzing sentiment..."
         sentiment = analyze_sentiment(prompt_text)
         yield sentiment
-    
+
     elif function_name == "train_model":
         prompt_text = arguments["prompt"]
-        yield "📊 Đang huấn luyện mô hình..."
+        yield "📊 Training the model..."
         training_result = run_training()
         yield training_result
-    
+
     elif function_name in ["general_query", "hard_query"]:
         prompt_text = arguments["prompt"]
-        yield "🤖 Đang tạo phản hồi..."
-        # Tạo phản hồi sử dụng mô hình Llama
+        yield "🤖 Generating response..."
+        # Generate response using the Llama model
         response_generator = generate_response(
             prompt=prompt_text,
             chat_history=chat_history,
@@ -287,26 +289,26 @@ def handle_functions(function_call: Dict[str, Any], prompt: str, chat_history: L
         )
         for response in response_generator:
             yield response
-    
+
     else:
-        yield "⚠️ Lời gọi hàm không được nhận dạng."
+        yield "⚠️ Unrecognized function call."
 
-# ---------------------------- Huấn luyện ---------------------------- #
+# ---------------------------- Training Setup ---------------------------- #
 
-# Đường dẫn lưu checkpoint
+# Checkpoint directory
 CHECKPOINT_DIR = "./checkpoints"
 if not os.path.exists(CHECKPOINT_DIR):
     os.makedirs(CHECKPOINT_DIR)
 
-# Tải Dataset (CPU)
+# Load Dataset (CPU)
 dataset = load_dataset('vntc/wiki-mini-corpus')
 
-# Chia Dataset thành train và validation (CPU)
+# Split Dataset into train and validation (CPU)
 split_dataset = dataset['train'].train_test_split(test_size=0.1, seed=42)
 train_dataset = split_dataset['train']
 validation_dataset = split_dataset['test']
 
-# Tiền Xử Lý Văn Bản (CPU)
+# Text Preprocessing (CPU)
 def preprocess_function(examples):
     passages = [passage.lower().strip() for passage in examples['passage']]
     return {'passage': passages}
@@ -314,7 +316,7 @@ def preprocess_function(examples):
 processed_train = train_dataset.map(preprocess_function, batched=True, remove_columns=['id', 'metadata'])
 processed_validation = validation_dataset.map(preprocess_function, batched=True, remove_columns=['id', 'metadata'])
 
-# Đảm bảo tokenizer có pad_token
+# Ensure tokenizer has pad_token
 if tokenizer.pad_token is None:
     tokenizer.pad_token = tokenizer.eos_token
 
@@ -324,12 +326,13 @@ def tokenize_function(examples):
         padding='max_length',
         truncation=True,
         max_length=512,
+        return_tensors="pt"
     )
 
 tokenized_train = processed_train.map(tokenize_function, batched=True)
 tokenized_validation = processed_validation.map(tokenize_function, batched=True)
 
-# Thêm trường 'labels' (CPU)
+# Add 'labels' field (CPU)
 def add_labels(examples):
     examples['labels'] = examples['input_ids'].copy()
     return examples
@@ -337,31 +340,31 @@ def add_labels(examples):
 tokenized_train = tokenized_train.map(add_labels, batched=True)
 tokenized_validation = tokenized_validation.map(add_labels, batched=True)
 
-# Loại bỏ các cột không cần thiết (CPU)
+# Remove unnecessary columns (CPU)
 tokenized_train = tokenized_train.remove_columns(['passage'])
 tokenized_validation = tokenized_validation.remove_columns(['passage'])
 
-# Định dạng dữ liệu cho PyTorch (CPU)
+# Set format for PyTorch (CPU)
 tokenized_train.set_format('torch')
 tokenized_validation.set_format('torch')
 
-# Tạo DatasetDict (CPU)
+# Create DatasetDict (CPU)
 final_dataset = {
     'train': tokenized_train,
     'validation': tokenized_validation
 }
 
-# Định Nghĩa TrainerCallback để Lưu Checkpoint Nhanh Hơn
+# Define TrainerCallback to Save Checkpoints Faster
 class SaveCheckpointCallback(TrainerCallback):
     def on_step_end(self, args, state, control, **kwargs):
         if state.global_step % args.save_steps == 0 and state.global_step != 0:
             checkpoint_path = os.path.join(args.output_dir, f"checkpoint-{state.global_step}")
-            print(f"Lưu checkpoint tại: {checkpoint_path}")
-            trainer = kwargs['trainer']  # Truy cập trainer từ kwargs
+            print(f"Saving checkpoint at: {checkpoint_path}")
+            trainer = kwargs['trainer']  # Access trainer from kwargs
             trainer.save_model(checkpoint_path)
-        return control  # Trả về đối tượng control hiện tại
+        return control  # Return current control object
 
-# Tải mô hình đã được pretrained
+# Load pretrained model with LoRA
 pretrained = AutoModelForCausalLM.from_pretrained(
     model_id,
     device_map="auto",
@@ -371,31 +374,30 @@ pretrained = AutoModelForCausalLM.from_pretrained(
 
 data_collator = DataCollatorForLanguageModeling(
     tokenizer=tokenizer, 
-    mlm=False,  # Vì bạn đang thực hiện Causal LM
+    mlm=False,  # Causal LM
     pad_to_multiple_of=8
 )
 
 def get_step_done() -> int:
     """
-    Lấy số bước huấn luyện đã hoàn thành từ checkpoint mới nhất trong thư mục lưu trữ.
+    Get the number of training steps completed from the latest checkpoint.
     
     Returns:
-        int: Số bước đã hoàn thành. Trả về 0 nếu không tìm thấy checkpoint.
+        int: Number of steps completed. Returns 0 if no checkpoint is found.
     """
     checkpoints = [d for d in os.listdir(CHECKPOINT_DIR) if d.startswith('checkpoint-')]
     if not checkpoints:
         return 0
     try:
-        # Tìm checkpoint mới nhất dựa trên số bước
+        # Find the latest checkpoint based on step number
         latest_checkpoint = max(checkpoints, key=lambda x: int(x.split('-')[1]))
         step_done = int(latest_checkpoint.split('-')[1])
         return step_done
     except (IndexError, ValueError) as e:
-        print(f"Lỗi khi phân tích tên checkpoint: {e}")
+        print(f"Error parsing checkpoint name: {e}")
         return 0
 
-
-# Tải và Cấu Hình Mô Hình với LoRA (GPU)
+# Load and Configure LoRA (GPU)
 lora_config = LoraConfig(
     r=8,
     lora_alpha=32,
@@ -410,34 +412,34 @@ print(pretrained_model)
 @spaces.GPU(duration=30, queue=False)
 def run_training() -> str:
     """
-    Hàm huấn luyện mô hình sử dụng GPU với thời gian hạn chế.
+    Train the model using GPU with time constraints.
     
     Returns:
-        str: Thông báo kết quả huấn luyện.
+        str: Training result message.
     """
     
-    # Cấu Hình TrainingArguments (GPU)
+    # TrainingArguments Configuration (GPU)
     training_args = TrainingArguments(
         output_dir=CHECKPOINT_DIR,
         per_device_train_batch_size=4,
         per_device_eval_batch_size=4,
         gradient_accumulation_steps=8,
         num_train_epochs=3,
-        max_steps=300,  # Đặt tổng số bước huấn luyện
+        max_steps=300,  # Total training steps
         learning_rate=3e-4,
         weight_decay=0.01,
-        logging_steps=1,  # Ghi log sau mỗi 10 bước
-        eval_strategy="steps",  # Đánh giá sau mỗi vài bước
-        eval_steps=5,  # Đánh giá sau mỗi 50 bước
-        save_strategy="steps",  # Lưu checkpoint sau mỗi vài bước
-        save_steps=5,  # Lưu checkpoint sau mỗi 50 bước
-        save_total_limit=5,  # Giới hạn số lượng checkpoint lưu trữ
+        logging_steps=1,  # Log every step
+        eval_strategy="steps",  # Evaluate every few steps
+        eval_steps=5,  # Evaluate every 5 steps
+        save_strategy="steps",  # Save checkpoint every few steps
+        save_steps=5,  # Save every 5 steps
+        save_total_limit=5,  # Limit number of saved checkpoints
         fp16=True,
         report_to="none",
         load_best_model_at_end=True,
     )
     
-    # Tạo Trainer (GPU)
+    # Initialize Trainer (GPU)
     trainer = Trainer(
         model=pretrained_model,
         args=training_args,
@@ -445,50 +447,50 @@ def run_training() -> str:
         eval_dataset=final_dataset['validation'],
         tokenizer=tokenizer,
         data_collator=data_collator,
-        callbacks=[SaveCheckpointCallback()],  # Thêm callback
+        callbacks=[SaveCheckpointCallback()],  # Add callback
     )
     
-    # Kiểm tra nếu có checkpoint
+    # Check for existing checkpoint
     steps_done = get_step_done()
     if steps_done > 0:
-        # Xác định checkpoint mới nhất dựa trên số bước
+        # Determine the latest checkpoint based on step number
         latest_checkpoint = os.path.join(CHECKPOINT_DIR, f"checkpoint-{steps_done}")
         if os.path.exists(latest_checkpoint):
-            print(f"Đang tiếp tục huấn luyện từ checkpoint: {latest_checkpoint}")
+            print(f"Resuming training from checkpoint: {latest_checkpoint}")
             trainer.train(resume_from_checkpoint=latest_checkpoint)
         else:
-            print(f"Checkpoint {latest_checkpoint} không tồn tại. Bắt đầu huấn luyện từ đầu.")
+            print(f"Checkpoint {latest_checkpoint} does not exist. Starting training from scratch.")
             trainer.train()
     else:
         trainer.train()
     
-    # Lưu checkpoint sau khi huấn luyện
+    # Save checkpoint after training
     trainer.save_model(CHECKPOINT_DIR)
-    return "Huấn luyện hoàn tất hoặc đã tiếp tục từ checkpoint."
+    return "Training completed or resumed from checkpoint."
 
-# Hàm Tự Động Hóa Việc Gọi Lặp Lại Hàm Huấn Luyện
+# Automatic Function to Call Training Repeatedly
 @spaces.GPU(duration=30, queue=False)
 def continuous_training(total_steps=300, steps_per_call=50):
     """
-    Hàm tự động gọi lại `run_training` để hoàn thành quá trình huấn luyện.
+    Automatically call `run_training` to complete the training process.
     
     Args:
-        total_steps (int): Tổng số bước huấn luyện mong muốn.
-        steps_per_call (int): Số bước huấn luyện mỗi lần gọi hàm.
+        total_steps (int): Desired total training steps.
+        steps_per_call (int): Training steps per function call.
     """
     steps_done = get_step_done()
     while steps_done < total_steps:
         remaining_steps = total_steps - steps_done
         current_steps = min(steps_per_call, remaining_steps)
-        print(f"Bắt đầu huấn luyện cho {current_steps} bước.")
+        print(f"Starting training for {current_steps} steps.")
         
-        # Cập nhật TrainingArguments để huấn luyện cho current_steps bước
+        # Update TrainingArguments for current_steps
         training_args = TrainingArguments(
             output_dir=CHECKPOINT_DIR,
             per_device_train_batch_size=4,
             per_device_eval_batch_size=4,
             gradient_accumulation_steps=8,
-            num_train_epochs=1,  # Huấn luyện trong một epoch
+            num_train_epochs=1,  # Train for one epoch
             max_steps=current_steps,
             learning_rate=3e-4,
             weight_decay=0.01,
@@ -503,7 +505,7 @@ def continuous_training(total_steps=300, steps_per_call=50):
             load_best_model_at_end=True,
         )
         
-        # Tạo Trainer với TrainingArguments mới
+        # Initialize Trainer with updated TrainingArguments
         trainer = Trainer(
             model=pretrained_model,
             args=training_args,
@@ -514,30 +516,30 @@ def continuous_training(total_steps=300, steps_per_call=50):
             callbacks=[SaveCheckpointCallback()],
         )
         
-        # Tiếp tục huấn luyện từ checkpoint hiện tại
+        # Resume training from latest checkpoint
         if steps_done > 0:
             latest_checkpoint = os.path.join(CHECKPOINT_DIR, f"checkpoint-{steps_done}")
             if os.path.exists(latest_checkpoint):
-                print(f"Đang tiếp tục huấn luyện từ checkpoint: {latest_checkpoint}")
+                print(f"Resuming training from checkpoint: {latest_checkpoint}")
                 trainer.train(resume_from_checkpoint=latest_checkpoint)
             else:
-                print(f"Checkpoint {latest_checkpoint} không tồn tại. Bắt đầu huấn luyện từ đầu.")
+                print(f"Checkpoint {latest_checkpoint} does not exist. Starting training from scratch.")
                 trainer.train()
         else:
             trainer.train()
         
         steps_done = get_step_done()
-        print(f"Đã huấn luyện {steps_done} / {total_steps} bước.")
+        print(f"Trained {steps_done} / {total_steps} steps.")
         
-        # Kiểm tra nếu đã đạt số bước mong muốn
+        # Check if desired steps are achieved
         if steps_done >= total_steps:
-            print("Đã hoàn thành toàn bộ quá trình huấn luyện.")
+            print("Completed the entire training process.")
             break
         
-        # Chờ một khoảng thời gian trước khi gọi lại (tùy thuộc vào yêu cầu của hệ thống)
-        time.sleep(2)  # Thời gian chờ có thể điều chỉnh
+        # Wait before the next training call
+        time.sleep(2)  # Adjust wait time as needed
 
-# ---------------------------- Giao Diện Gradio ---------------------------- #
+# ---------------------------- Gradio Interface ---------------------------- #
 
 @spaces.GPU(duration=30, queue=False)
 def generate(
@@ -550,29 +552,29 @@ def generate(
     repetition_penalty: float = 1.2,
 ) -> Iterator[str]:
     """
-    Hàm chính để xử lý đầu vào của người dùng và tạo phản hồi.
+    Main function to handle user input and generate responses.
     """
-    # Thông báo về việc phân tích đầu vào
-    yield "🔍 Đang phân tích truy vấn của bạn..."
+    # Notify about query analysis
+    yield "🔍 Analyzing your query..."
     
-    # Xác định hàm nào sẽ được gọi dựa trên tin nhắn của người dùng
+    # Determine which function to call based on user's message
     function_call = process_query(message)
     
-    # Thông báo về hàm được chọn
+    # Notify about the selected function
     if function_call["name"] == "web_search":
-        yield "🛠️ Đã chọn chức năng: Tìm kiếm trên web."
+        yield "🛠️ Selected function: Web Search."
     elif function_call["name"] == "summarize_query":
-        yield "🛠️ Đã chọn chức năng: Tóm tắt văn bản."
+        yield "🛠️ Selected function: Text Summarization."
     elif function_call["name"] == "sentiment_analysis":
-        yield "🛠️ Đã chọn chức năng: Phân tích tâm lý."
+        yield "🛠️ Selected function: Sentiment Analysis."
     elif function_call["name"] in ["general_query", "hard_query"]:
-        yield "🛠️ Đã chọn chức năng: Trả lời câu hỏi."
+        yield "🛠️ Selected function: Answering Questions."
     elif function_call["name"] == "train_model":
-        yield "🛠️ Đã chọn chức năng: Huấn luyện mô hình."
+        yield "🛠️ Selected function: Model Training."
     else:
-        yield "⚠️ Không thể xác định chức năng phù hợp."
+        yield "⚠️ Could not determine an appropriate function."
     
-    # Xử lý lời gọi hàm và sinh phản hồi tương ứng
+    # Execute the function call and generate responses
     response_iterator = handle_functions(
         function_call=function_call,
         prompt=message,
@@ -587,40 +589,40 @@ def generate(
     for response in response_iterator:
         yield response
 
-# Định nghĩa các ví dụ để hướng dẫn người dùng
+# Define examples to guide users
 EXAMPLES = [
-    ["Xin chào! Bạn khỏe không?"],
-    ["Bạn có thể giải thích ngắn gọn về ngôn ngữ lập trình Python không?"],
-    ["Giải thích cốt truyện của Cô bé Lọ Lem trong một câu."],
-    ["Một người đàn ông cần bao nhiêu giờ để ăn một chiếc máy bay trực thăng?"],
-    ["Viết một bài báo 100 từ về 'Lợi ích của mã nguồn mở trong nghiên cứu AI'"],
-    ["Tìm và cung cấp cho tôi tin tức mới nhất về năng lượng tái tạo."],
-    ["Tìm thông tin về Rạn san hô Great Barrier Reef."],
-    ["Tóm tắt nội dung về trí tuệ nhân tạo."],
-    ["Phân tích tâm lý của đoạn văn sau: Tôi rất vui khi được gặp bạn hôm nay!"],
-    ["Huấn luyện mô hình!"],
+    ["Hello! How are you?"],
+    ["Can you briefly explain the Python programming language?"],
+    ["Explain the plot of Cinderella in one sentence."],
+    ["How many hours does a man need to eat a helicopter?"],
+    ["Write a 100-word article on 'Benefits of Open Source in AI Research'"],
+    ["Search and provide me with the latest news on renewable energy."],
+    ["Find information about the Great Barrier Reef coral reefs."],
+    ["Summarize information about artificial intelligence."],
+    ["Analyze the sentiment of the following text: I am very happy to meet you today!"],
+    ["Train the model!"],
 ]
 
-# Cấu hình giao diện trò chuyện của Gradio với giao diện đẹp mắt
+# Configure Gradio chat interface with enhanced UI
 chat_interface = gr.ChatInterface(
-    fn=generate,  # Hàm được gọi khi có tương tác từ người dùng
+    fn=generate,  # Function called on user interaction
     additional_inputs=[
         gr.Slider(
-            label="Số token mới tối đa",
+            label="Max New Tokens",
             minimum=1,
             maximum=MAX_MAX_NEW_TOKENS,
             step=1,
             value=DEFAULT_MAX_NEW_TOKENS,
         ),
         gr.Slider(
-            label="Nhiệt độ",
+            label="Temperature",
             minimum=0.1,
             maximum=4.0,
             step=0.1,
             value=0.6,
         ),
         gr.Slider(
-            label="Top-p (nucleus sampling)",
+            label="Top-p (Nucleus Sampling)",
             minimum=0.05,
             maximum=1.0,
             step=0.05,
@@ -634,47 +636,45 @@ chat_interface = gr.ChatInterface(
             value=50,
         ),
         gr.Slider(
-            label="Hình phạt sự lặp lại",
+            label="Repetition Penalty",
             minimum=1.0,
             maximum=2.0,
             step=0.05,
             value=1.2,
         ),
     ],
-    stop_btn=None,  # Không có nút dừng
-    examples=EXAMPLES,  # Các ví dụ được hiển thị cho người dùng
-    cache_examples=False,  # Không lưu bộ nhớ cache cho các ví dụ
+    stop_btn=None,  # No stop button
+    examples=EXAMPLES,  # Display examples to users
+    cache_examples=False,  # Do not cache examples
     title="🤖 OpenGPT-4o Chatbot",
-    description="Một trợ lý AI mạnh mẽ sử dụng mô hình Llama-3.2 cục bộ với các chức năng tìm kiếm web, tóm tắt văn bản và phân tích tâm lý.",
-    theme="default",  # Có thể thay đổi theme để giao diện đẹp hơn
+    description="A powerful AI assistant using the local Llama-3.2 model with web search, text summarization, and sentiment analysis functionalities.",
+    theme="default",  # Customize theme as needed
 )
 
-# Tạo giao diện chính của Gradio với CSS tùy chỉnh
+# Create the main Gradio interface with custom CSS
 with gr.Blocks(css="""
     .gradio-container {
-        background-color: #f0f2f5;  /* Màu nền nhẹ nhàng */
+        background-color: #f0f2f5;  /* Light background color */
     }
     .gradio-container h1 {
-        color: #4a90e2;  /* Màu xanh dương cho tiêu đề */
+        color: #4a90e2;  /* Blue color for title */
     }
     .gradio-container .gr-button {
-        background-color: #4a90e2;  /* Màu xanh dương cho nút */
-        color: white;  /* Màu chữ trắng trên nút */
+        background-color: #4a90e2;  /* Blue color for buttons */
+        color: white;  /* White text on buttons */
     }
     .gradio-container .gr-slider__label {
-        color: #333333;  /* Màu chữ đen cho nhãn slider */
+        color: #333333;  /* Dark text for slider labels */
     }
     .gradio-container .gr-chatbot {
-        border: 2px solid #4a90e2;  /* Viền xanh dương cho chatbot */
-        border-radius: 10px;  /* Bo góc viền chatbot */
-        padding: 10px;  /* Khoảng cách bên trong chatbot */
-        background-color: #ffffff;  /* Màu nền trắng cho chatbot */
+        border: 2px solid #4a90e2;  /* Blue border for chatbot */
+        border-radius: 10px;  /* Rounded corners for chatbot */
+        padding: 10px;  /* Inner padding for chatbot */
+        background-color: #ffffff;  /* White background for chatbot */
     }
 """, fill_height=True) as demo:
-    gr.Markdown(DESCRIPTION)  # Hiển thị mô tả
-    # Nút nhân bản không gian (nếu cần thiết)
-    # gr.DuplicateButton(value="Nhân bản Không gian để sử dụng riêng tư", elem_id="duplicate-button")  # Uncomment if gr.DuplicateButton is needed
-    chat_interface.render()  # Hiển thị giao diện trò chuyện
+    gr.Markdown(DESCRIPTION)  # Display description
+    chat_interface.render()  # Render chat interface
 
 if __name__ == "__main__":
-    demo.queue(max_size=30).launch()  # Khởi chạy ứng dụng Gradio với hàng đợi kích thước tối đa là 30
+    demo.queue(max_size=30).launch()  # Launch Gradio app with a queue size of 30