Upload app.py

app.py

@@ -21,7 +21,10 @@ Entrez.email = "[email protected]"  # Proporciona un correo válido
 @lru_cache(maxsize=100)
 def buscar_en_pubmed(pregunta):
     try:
-        handle = Entrez.esearch(db="pubmed", term=pregunta, retmax=1)  # Buscar solo 1 artículo
+        # Agregar palabras clave médicas a la pregunta
+        termino = f"{pregunta} AND (medical OR health OR disease)"
+        
+        handle = Entrez.esearch(db="pubmed", term=termino, retmax=1)  # Buscar solo 1 artículo
         record = Entrez.read(handle)
         handle.close()
         
@@ -42,7 +45,9 @@ def buscar_en_pubmed(pregunta):
 # Función para buscar en Internet con tiempo de espera
 def buscar_en_internet(pregunta):
     try:
-        url = f"https://api.duckduckgo.com/?q={pregunta}&format=json"
+        # Agregar palabras clave médicas a la pregunta
+        termino = f"{pregunta} medical"
+        url = f"https://api.duckduckgo.com/?q={termino}&format=json"
         respuesta = requests.get(url, timeout=10)  # Incrementa el tiempo de espera a 10 segundos
         datos = respuesta.json()
         
@@ -57,20 +62,31 @@ def buscar_en_internet(pregunta):
 # Función para generar respuestas del modelo (optimizada para CPU)
 def generar_respuesta(pregunta):
     try:
+        # Truncar la pregunta si es demasiado larga
+        pregunta = pregunta[:500]  # Limitar a 500 caracteres
+        
         inputs = tokenizer(
-            f"Eres un profesor médico con vasto conocimiento en fisiología, bioquímica, farmacología y otras áreas médicas. "
-            f"Explica de manera clara, sencilla y didáctica. Utiliza términos médicos y explícalos dentro de tus respuestas. "
-            f"Si no estás seguro de algo, di 'No tengo suficiente información para responder a eso'. Pregunta: {pregunta}",
-            return_tensors="pt"
+            f"Explica {pregunta} de forma clara y detallada. Usa términos médicos explicados.",
+            return_tensors="pt",
+            max_length=512,  # Limitar la longitud máxima de entrada
+            truncation=True
         ).to("cpu")
         
         with torch.no_grad():
             outputs = model.generate(
                 **inputs,
-                max_new_tokens=100  # Generar hasta 100 tokens adicionales
+                max_new_tokens=300,  # Aumentar el límite para respuestas más largas
+                do_sample=True,      # Usar muestreo para respuestas más naturales
+                temperature=0.7,     # Controlar la creatividad del modelo
+                num_beams=4          # Balancear calidad y velocidad
             )
         
-        return tokenizer.decode(outputs[0], skip_special_tokens=True)
+        respuesta = tokenizer.decode(outputs[0], skip_special_tokens=True)
+        
+        # Eliminar el prompt de la respuesta
+        respuesta = respuesta.replace(f"Explica {pregunta} de forma clara y detallada. Usa términos médicos explicados.", "").strip()
+        
+        return respuesta
 
     except Exception as e:
         logging.error(f"Error al generar respuesta del modelo: {e}")
@@ -111,7 +127,13 @@ def pregunta_medica_con_carga(pregunta):
 # Crear la interfaz web con Gradio
 css = """
 .gradio-container {
-    background-color: #f0f8ff;
+    background-color: #f9f9f9;
+    font-family: Arial, sans-serif;
+}
+.gr-button {
+    background-color: #007bff;
+    color: white;
+    border-radius: 5px;
 }
 """