import os
import torch
import gradio as gr
from transformers import AutoModelForCausalLM, AutoTokenizer, TextIteratorStreamer

# وصف التطبيق
DESCRIPTION = """\
# Llama 3.2 3B Instruct (CPU-Only)
هذا نموذج توضيحي لـ [`meta-llama/Llama-3.2-3B-Instruct`](https://huggingface.co/meta-llama/Llama-3.2-3B-Instruct) يعمل باستخدام الـ CPU فقط.
"""

# إعداد الثوابت
MAX_MAX_NEW_TOKENS = 2048
DEFAULT_MAX_NEW_TOKENS = 512
MAX_INPUT_TOKEN_LENGTH = 4096  # الحد الأقصى لعدد التوكنات في المدخلات

# تحديد الجهاز: استخدام CPU فقط
device = torch.device("cpu")

# تحديد معرف النموذج وتحميله
model_id = "meta-llama/Llama-3.2-3B-Instruct"

# تحميل التوكن الخاص بالنموذج
tokenizer = AutoTokenizer.from_pretrained(model_id)

# تحميل النموذج على CPU مع استخدام torch.float32
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map=None,         # عدم استخدام GPU
    torch_dtype=torch.float32
)
model.eval()
model.to(device)

def generate(
    message: str,
    chat_history: list[dict],
    max_new_tokens: int = DEFAULT_MAX_NEW_TOKENS,
    temperature: float = 0.6,
    top_p: float = 0.9,
    top_k: int = 50,
    repetition_penalty: float = 1.2,
):
    # دمج سجل المحادثة مع الرسالة الجديدة
    conversation = [*chat_history, {"role": "user", "content": message}]
    
    # تحويل المحادثة إلى مدخلات للنموذج
    inputs = tokenizer.apply_chat_template(
        conversation, 
        add_generation_prompt=True, 
        return_tensors="pt"
    )
    input_ids = inputs["input_ids"]
    
    # قص التوكنز إذا تجاوز طولها الحد المسموح
    if input_ids.shape[1] > MAX_INPUT_TOKEN_LENGTH:
        input_ids = input_ids[:, -MAX_INPUT_TOKEN_LENGTH:]
    
    input_ids = input_ids.to(device)

    # إعداد البث التدريجي للنص باستخدام TextIteratorStreamer
    streamer = TextIteratorStreamer(tokenizer, timeout=20.0, skip_prompt=True, skip_special_tokens=True)
    generate_kwargs = dict(
        input_ids=input_ids,
        streamer=streamer,
        max_new_tokens=max_new_tokens,
        do_sample=True,
        top_p=top_p,
        top_k=top_k,
        temperature=temperature,
        num_beams=1,
        repetition_penalty=repetition_penalty,
    )
    
    # تشغيل عملية التوليد على نفس الخيط (CPU)
    model.generate(**generate_kwargs)
    
    outputs = []
    # بث النص تدريجيًا أثناء توليد النموذج
    for text in streamer:
        outputs.append(text)
        yield "".join(outputs)

# إنشاء واجهة الدردشة باستخدام Gradio
demo = gr.ChatInterface(
    fn=generate,
    additional_inputs=[
        gr.Slider(
            label="Max new tokens",
            minimum=1,
            maximum=MAX_MAX_NEW_TOKENS,
            step=1,
            value=DEFAULT_MAX_NEW_TOKENS,
        ),
        gr.Slider(
            label="Temperature",
            minimum=0.1,
            maximum=4.0,
            step=0.1,
            value=0.6,
        ),
        gr.Slider(
            label="Top-p (nucleus sampling)",
            minimum=0.05,
            maximum=1.0,
            step=0.05,
            value=0.9,
        ),
        gr.Slider(
            label="Top-k",
            minimum=1,
            maximum=1000,
            step=1,
            value=50,
        ),
        gr.Slider(
            label="Repetition penalty",
            minimum=1.0,
            maximum=2.0,
            step=0.05,
            value=1.2,
        ),
    ],
    stop_btn=None,
    examples=[
        ["Hello there! How are you doing?"],
        ["Can you explain briefly to me what is the Python programming language?"],
        ["Explain the plot of Cinderella in a sentence."],
        ["How many hours does it take a man to eat a Helicopter?"],
        ["Write a 100-word article on 'Benefits of Open-Source in AI research'"],
    ],
    cache_examples=False,
    type="messages",
    description=DESCRIPTION,
    css_paths="style.css",   # تأكدي من رفع ملف style.css إذا كان موجوداً
    fill_height=True,
)

if __name__ == "__main__":
    # استخدام queue() لإدارة الطلبات المتزامنة
    demo.queue(max_size=20).launch()