| import json | |
| import torch | |
| from transformers import AutoModelForCausalLM, AutoTokenizer | |
| # Charger le modèle et le tokenizer | |
| model_name = "AIDC-AI/Ovis1.6-Gemma2-9B" # Remplacez par le nom de votre modèle | |
| tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True) | |
| model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True) | |
| # Fonction d'initialisation | |
| def init(): | |
| global tokenizer, model | |
| tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True) | |
| model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True) | |
| model.eval() # Définir le modèle en mode évaluation | |
| # Fonction de prédiction | |
| def predict(data): | |
| inputs = data.get("inputs") | |
| if isinstance(inputs, str): | |
| inputs = tokenizer(inputs, return_tensors="pt") | |
| outputs = model.generate(**inputs) | |
| result = tokenizer.decode(outputs[0], skip_special_tokens=True) | |
| return json.dumps({"result": result}) | |