Back withou csv

app.py

@@ -1,46 +1,54 @@
-import os
-import sys
+import os, sys
 
-# 1) Ajusta o path para o inference do SMI-TED **antes** de importar anything
 BASE_DIR = os.path.dirname(__file__)
 INFERENCE_DIR = os.path.join(BASE_DIR, "smi-ted", "inference")
-sys.path.append(INFERENCE_DIR)
+sys.path.append(INFERENCE_DIR) 
 
-# Agora o python já sabe onde achar smi_ted_light
-import tempfile
-import pandas as pd
 import gradio as gr
-from smi_ted_light.load import load_smi_ted
+from smi_ted_light.load import load_smi_ted  
+
 
 # 2) Caminho onde estão pesos e vocabulário
 MODEL_DIR = os.path.join("smi-ted", "inference", "smi_ted_light")
 
+# 3) Carrega o modelo SMI‑TED (Light)
+#    Se você renomeou o .pt ou o vocab, ajuste aqui.
 model = load_smi_ted(
     folder=MODEL_DIR,
     ckpt_filename="smi-ted-Light_40.pt",
     vocab_filename="bert_vocab_curated.txt",
 )
 
+# 4) Função utilizada pela interface
 def gerar_embedding(smiles: str):
+    """
+    Recebe uma string SMILES e devolve o embedding (lista de 768 floats).
+    Em caso de erro, devolve um dicionário com a mensagem.
+    """
     smiles = smiles.strip()
     if not smiles:
-        return {"erro": "digite uma sequência SMILES primeiro"}, None
+        return {"erro": "digite uma sequência SMILES primeiro"}
+
     try:
-        vetor = model.encode(smiles, return_torch=True)[0]
-        emb = vetor.tolist()
-        df = pd.DataFrame([emb])
-        tmp = tempfile.NamedTemporaryFile(delete=False, suffix=".csv", prefix="emb_")
-        df.to_csv(tmp.name, index=False)
-        tmp.close()
-        return emb, tmp.name
+        # model.encode devolve tensor shape (1, 768) quando return_torch=True
+        vetor_torch = model.encode(smiles, return_torch=True)[0]
+        return vetor_torch.tolist()  # JSON‑serializável
     except Exception as e:
-        return {"erro": str(e)}, None
+        return {"erro": str(e)}
 
+
+# 5) Define a interface Gradio
 demo = gr.Interface(
     fn=gerar_embedding,
     inputs=gr.Textbox(label="SMILES", placeholder="Ex.: CCO"),
-    outputs=[gr.JSON(), gr.File(label="Baixar CSV")],
-    title="SMI-TED Embedding Generator",
+    outputs=gr.JSON(label="Embedding (lista de floats)"),
+    title="SMI‑TED Embedding Generator",
+    description=(
+        "Cole uma sequência SMILES e receba o embedding gerado pelo modelo "
+        "SMI‑TED Light treinado pela IBM Research."
+    ),
 )
+
+# 6) Roda localmente ou no Hugging Face Space
 if __name__ == "__main__":
-    demo.launch(show_api=False)
+    demo.launch()