add base_llm.py

app/base_llm.py

@@ -0,0 +1,72 @@
+import gradio as gr
+from transformers import AutoModelForCausalLM, AutoTokenizer, TextIteratorStreamer
+import torch
+import threading
+
+# Пути к модели
+model_name = "/models/Qwen3-8B"
+
+# Загрузка токенизатора и модели (один раз при старте)
+tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
+model = AutoModelForCausalLM.from_pretrained(
+    model_name,
+    torch_dtype=torch.float16,
+    device_map="cuda",
+    trust_remote_code=True
+)
+
+# Отключим кэширование в истории, чтобы каждый запрос был независимым
+def generate_response(message, history):
+    # Форматируем диалог: используем только текущую историю
+    prompt = ""
+    for human, assistant in history:
+        prompt += f"<|im_start|>user\n{human}<|im_end|>\n<|im_start|>assistant\n{assistant}<|im_end|>\n"
+    prompt += f"<|im_start|>user\n{message}<|im_end|>\n<|im_start|>assistant\n"
+
+    # Токенизация
+    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
+
+    # Создаём уникальный streamer для каждого запроса
+    streamer = TextIteratorStreamer(
+        tokenizer,
+        skip_prompt=True,
+        skip_special_tokens=True
+    )
+
+    # Параметры генерации
+    generation_kwargs = {
+        "input_ids": inputs["input_ids"],
+        "max_new_tokens": 1024,
+        "temperature": 0.6,
+        "top_p": 0.9,
+        "do_sample": True,
+        "pad_token_id": tokenizer.eos_token_id,
+        "streamer": streamer,
+    }
+
+    # Запускаем генерацию в отдельном потоке
+    thread = threading.Thread(target=model.generate, kwargs=generation_kwargs)
+    thread.start()
+
+    # Постепенно возвращаем результат
+    buffer = ""
+    for new_text in streamer:
+        buffer += new_text
+        yield buffer.strip()
+
+# Создаем интерфейс
+demo = gr.ChatInterface(
+    fn=generate_response,
+    title="Qwen3 Chat",
+    description="Общайтесь с моделью Qwen3 в режиме реального времени с потоковой генерацией",
+    theme="soft",
+)
+
+if __name__ == "__main__":
+    # ВАЖНО: используем .queue() для поддержки асинхронной обработки
+    demo.queue(max_size=20, default_concurrency_limit=10).launch(
+        server_port=8080,
+        server_name="0.0.0.0",
+        share=False,
+        # Можно добавить: max_batch_size=1, concurrency_count=4
+    )