Error fix

app.py

@@ -1,24 +1,18 @@
 import os
 import sys
+import json
+import tempfile
+import pandas as pd
+import gradio as gr
 
-# 1) Ajuste de path antes de qualquer import de smi_ted_light
+# 1) Ajuste de path ANTES de importar smi_ted_light
 BASE_DIR = os.path.dirname(os.path.abspath(__file__))
 INFERENCE_PATH = os.path.join(BASE_DIR, "smi-ted", "inference")
-
-if not os.path.isdir(INFERENCE_PATH):
-    raise RuntimeError(f"Caminho de inference não encontrado: {INFERENCE_PATH}")
-
-# Insere no início do sys.path para ter precedência
 sys.path.insert(0, INFERENCE_PATH)
 
-# 2) Agora sim importamos o loader do modelo
 from smi_ted_light.load import load_smi_ted
 
-import tempfile
-import pandas as pd
-import gradio as gr
-
-# 3) Carrega o modelo SMI-TED Light
+# 2) Carrega o modelo
 MODEL_DIR = os.path.join(INFERENCE_PATH, "smi_ted_light")
 model = load_smi_ted(
     folder=MODEL_DIR,
@@ -26,43 +20,53 @@ model = load_smi_ted(
     vocab_filename="bert_vocab_curated.txt",
 )
 
-# 4) Função que gera embedding e disponibiliza CSV
+# 3) Função que retorna STRING JSON + gr.update para o CSV
 def gerar_embedding_e_csv(smiles: str):
     smiles = smiles.strip()
     if not smiles:
-        return {"erro": "digite uma sequência SMILES primeiro"}, gr.update(visible=False)
+        erro = {"erro": "digite uma sequência SMILES primeiro"}
+        return json.dumps(erro), gr.update(visible=False)
 
     try:
         vetor = model.encode(smiles, return_torch=True)[0].tolist()
+        # monta CSV
         df = pd.DataFrame([vetor])
         tmp = tempfile.NamedTemporaryFile(suffix=".csv", delete=False)
         df.to_csv(tmp.name, index=False)
         tmp.close()
-        return vetor, gr.update(value=tmp.name, visible=True)
+        # retorna JSON-string e torna o link visível
+        return json.dumps(vetor), gr.update(value=tmp.name, visible=True)
     except Exception as e:
-        return {"erro": str(e)}, gr.update(visible=False)
+        erro = {"erro": str(e)}
+        return json.dumps(erro), gr.update(visible=False)
 
-# 5) Montagem da interface Gradio Blocks
+# 4) Interface Blocks
 with gr.Blocks() as demo:
     gr.Markdown(
         """
         ## SMI-TED Embedding Generator  
         Cole uma sequência SMILES e receba:
-        1. O vetor embedding (768 floats) em JSON  
-        2. Um botão para baixar esse vetor em CSV  
+        1. Uma **string JSON** com o vetor (Textbox)  
+        2. Um link para **baixar o CSV** (File)  
         """
     )
+
     with gr.Row():
         inp_smiles = gr.Textbox(label="SMILES", placeholder="Ex.: CCO")
         btn = gr.Button("Gerar Embedding")
     with gr.Row():
-        out_json = gr.JSON(label="Embedding (lista de floats)")
+        out_text = gr.Textbox(
+            label="Embedding (JSON)", 
+            interactive=False, 
+            lines=4, 
+            placeholder='Vai aparecer aqui o vetor como JSON...'
+        )
         out_file = gr.File(label="Download do CSV", visible=False)
 
     btn.click(
         fn=gerar_embedding_e_csv,
         inputs=inp_smiles,
-        outputs=[out_json, out_file]
+        outputs=[out_text, out_file]
     )
 
 if __name__ == "__main__":