Upload app.py

app.py

@@ -0,0 +1,96 @@
+import gradio as gr
+import torch
+from tavily import TavilyClient
+from diffusers import StableDiffusionPipeline
+from transformers import BlipProcessor, BlipForConditionalGeneration
+from PIL import Image
+import os, json
+
+# Detectar hardware y estado GPU
+device = "cuda" if torch.cuda.is_available() else "cpu"
+
+# Tavily API
+TAVILY_API_KEY = os.environ.get("TAVILY_API_KEY", "TU_API_KEY_AQUI")
+tavily_client = TavilyClient(api_key=TAVILY_API_KEY)
+
+# Imagen: modelos reales
+pipe_sd = StableDiffusionPipeline.from_pretrained(
+    "stabilityai/stable-diffusion-2-1",
+    torch_dtype=torch.float16 if device == "cuda" else torch.float32
+).to(device)
+blip_processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
+blip_model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base").to(device)
+
+# Historial de chat real
+def guardar_historial(historial, user_id="default"):
+    with open(f'/tmp/history_{user_id}.json', 'w') as f:
+        json.dump(historial, f)
+
+def cargar_historial(user_id="default"):
+    try:
+        with open(f'/tmp/history_{user_id}.json', 'r') as f:
+            return json.load(f)
+    except FileNotFoundError:
+        return []
+
+# Módulo de chat / integración básica Hugging Face
+def chat_respuesta(input_text, history):
+    # Integración con modelo de texto: reemplaza por tu modelo preferido
+    respuesta = f"Chatbot real para: {input_text}"  # Aquí puedes poner tu modelo Hugging Face
+    history.append((input_text, respuesta))
+    guardar_historial(history)
+    return "", history
+
+# Generación real de imágenes
+def generacion_imagenes(prompt):
+    image = pipe_sd(prompt).images[0]
+    path = "/tmp/generated_img.png"
+    image.save(path)
+    return Image.open(path)
+
+# Análisis real de imágenes (captioning)
+def analizar_imagen(image):
+    inputs = blip_processor(images=image, return_tensors="pt").to(device)
+    out = blip_model.generate(**inputs)
+    caption = blip_processor.decode(out[0], skip_special_tokens=True)
+    return caption
+
+# Búsqueda técnica Tavily real
+def busqueda_tecnica(query):
+    result = tavily_client.search(query, max_results=3)
+    resumen = "\n\n".join([f"{r['title']}: {r['content'][:200]}" for r in result.get('results', [])])
+    return resumen or "No se encontraron resultados."
+
+# Interfaz Gradio
+def pipeline(text, imagen, history):
+    response_text = ""
+    response_img = None
+    response_caption = ""
+
+    if text:
+        if text.lower().startswith("buscar:"):
+            response_text = busqueda_tecnica(text.replace("Buscar:", "").strip())
+        else:
+            _, history = chat_respuesta(text, history)
+            response_text = history[-1][1]
+    if imagen:
+        response_caption = analizar_imagen(imagen)
+        # Genera imagen a partir del caption como prompt si lo deseas
+        response_img = generacion_imagenes(response_caption)
+    return response_text, response_img, response_caption, history
+
+iface = gr.Interface(
+    fn=pipeline,
+    inputs=[gr.Textbox(label="Texto o consulta"), gr.Image(label="Imagen para análisis"), gr.State([])],
+    outputs=[
+        gr.Textbox(label="Respuesta o búsqueda"),
+        gr.Image(label="Imagen generada (si aplica)"),
+        gr.Textbox(label="Caption/Prompt auto-generado (si aplica)"),
+        gr.State()
+    ],
+    title="BATUTO_INFINITY"
+)
+
+if __name__ == "__main__":
+    iface.launch()
+