fix app

app.py

@@ -2,23 +2,39 @@ from fastapi import FastAPI
 from transformers import pipeline
 import json
 import os
+from huggingface_hub import HfApi
 
 app = FastAPI()
 
 # Carrega o arquivo questions.json
-with open("questions.json", "r", encoding="utf-8") as f:
-    examples = json.load(f)
+try:
+    with open("questions.json", "r", encoding="utf-8") as f:
+        examples = json.load(f)
+except FileNotFoundError:
+    examples = []
 
-# Configuração do modelo PTT5
-ptt5 = pipeline(
-    "text2text-generation",
-    model="unicamp-dl/ptt5-base-portuguese-vocab",
-    tokenizer="unicamp-dl/ptt5-base-portuguese-vocab",
-    device_map="auto" if os.getenv("HF_TOKEN") else None,
-    model_kwargs={"load_in_8bit": True if os.getenv("HF_TOKEN") else False}
-)
+# Função para verificar e carregar o modelo
+def load_model():
+    try:
+        return pipeline(
+            "text2text-generation",
+            model="unicamp-dl/ptt5-base-portuguese-vocab",
+            tokenizer="unicamp-dl/ptt5-base-portuguese-vocab",
+            device_map="auto" if os.getenv("HF_TOKEN") else None,
+            model_kwargs={"load_in_8bit": True if os.getenv("HF_TOKEN") else False},
+            trust_remote_code=True  # Permite carregar código remoto, se necessário
+        )
+    except Exception as e:
+        print(f"Erro ao carregar o modelo: {e}")
+        return None
+
+# Inicializa o modelo
+ptt5 = load_model()
 
 def generate_question_from_prompt(theme, difficulty, example_question=None):
+    if not ptt5:
+        return {"question": "Erro: Modelo não carregado.", "options": [], "answer": "", "explanation": "Por favor, verifique os logs."}
+
     if example_question:
         example_text = (
             f"Enunciado clínico: {example_question['question'].split('Considerando')[-1].strip()} "
@@ -41,27 +57,29 @@ def generate_question_from_prompt(theme, difficulty, example_question=None):
             "Alternativas: A) [opção], B) [opção], C) [opção], D) [opção]. Gabarito: [letra]. "
             "Explicação: [texto].'"
         )
-    response = ptt5(prompt, max_new_tokens=512, temperature=0.7, top_p=0.9)[0]['generated_text']
-    # Parseia a resposta para extrair os componentes
-    parts = response.split("Alternativas:")
-    if len(parts) > 1:
-        question_part = parts[0].replace("Enunciado clínico:", "").strip()
-        options_part = parts[1].split("Gabarito:")[0].strip()
-        answer_part = parts[1].split("Gabarito:")[1].split("Explicação:")[0].strip()
-        explanation_part = parts[1].split("Explicação:")[1].strip() if "Explicação:" in parts[1] else "Explicação padrão"
-        options = [opt.strip() for opt in options_part.split(",")]
-        if len(options) >= 4:
-            return {
-                "question": f"Enunciado clínico: {question_part}",
-                "options": [f"A) {options[0]}", f"B) {options[1]}", f"C) {options[2]}", f"D) {options[3]}"],
-                "answer": answer_part,
-                "explanation": explanation_part
-            }
-    return {"question": response, "options": [], "answer": "", "explanation": "Explicação padrão"}
+    try:
+        response = ptt5(prompt, max_new_tokens=512, temperature=0.7, top_p=0.9)[0]['generated_text']
+        # Parseia a resposta para extrair os componentes
+        parts = response.split("Alternativas:")
+        if len(parts) > 1:
+            question_part = parts[0].replace("Enunciado clínico:", "").strip()
+            options_part = parts[1].split("Gabarito:")[0].strip()
+            answer_part = parts[1].split("Gabarito:")[1].split("Explicação:")[0].strip()
+            explanation_part = parts[1].split("Explicação:")[1].strip() if "Explicação:" in parts[1] else "Explicação padrão"
+            options = [opt.strip() for opt in options_part.split(",")]
+            if len(options) >= 4:
+                return {
+                    "question": f"Enunciado clínico: {question_part}",
+                    "options": [f"A) {options[0]}", f"B) {options[1]}", f"C) {options[2]}", f"D) {options[3]}"],
+                    "answer": answer_part,
+                    "explanation": explanation_part
+                }
+        return {"question": response, "options": [], "answer": "", "explanation": "Explicação padrão"}
+    except Exception as e:
+        return {"question": f"Erro na geração: {e}", "options": [], "answer": "", "explanation": "Tente novamente."}
 
 @app.get("/generate")
 async def generate_question(theme: str, difficulty: str):
-    # Usa o primeiro exemplo como base
     example = examples[0] if examples else None
     return generate_question_from_prompt(theme, difficulty, example)
 
@@ -69,7 +87,6 @@ async def generate_question(theme: str, difficulty: str):
 async def get_simulado(num_questions: int = 5):
     simulado = []
     for _ in range(num_questions):
-        # Alterna entre exemplos para diversificar
         example = examples[_ % len(examples)] if examples else None
         question_data = generate_question_from_prompt("clinica medica", "medio", example)
         simulado.append(question_data)

requirements.txt

@@ -1,4 +1,5 @@
 fastapi==0.103.2
 uvicorn==0.23.2
 transformers==4.35.0
-accelerate==0.21.0
+accelerate==0.21.0
+huggingface_hub==0.19.0