!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft

# notebookでインタラクティブな表示を可能とする（ただし、うまく動かない場合あり）
!pip install ipywidgets --upgrade
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    BitsAndBytesConfig,
)
from peft import PeftModel
import torch
from tqdm import tqdm
import json

# Hugging Faceで取得したTokenをこちらに貼る。
HF_TOKEN = "" #@param {type:"string"}

# ベースとなるモデルと学習したLoRAのアダプタ。
# model_idの値はomnicampusの環境におけるモデルのパスを表しており、それ以外の環境で実行する場合は変更の必要があります。
model_id = "../models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a"
# omnicampus以外の環境をご利用の方は以下をご利用ください。
base_model_id = "llm-jp/llm-jp-3-13b"
adapter_id_pred = "ryukin/llm-jp-3-13b-it_v2_lora" # こちらにアップロードしたHugging FaceのIDを指定してください。
adapter_id_res = "ryukin/llm-jp-3-13b-it-res_lora"

# QLoRA config
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

# Load model
model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    quantization_config=bnb_config,
    device_map="auto",
    token = HF_TOKEN
)

# Load tokenizer
tokenizer = AutoTokenizer.from_pretrained(base_model_id, trust_remote_code=True, token = HF_TOKEN)

# 元のモデルにLoRAのアダプタを統合。
model_pred = PeftModel.from_pretrained(model, adapter_id_pred, token = HF_TOKEN)
# 元のモデルにLoRAのアダプタを統合。
model_res = PeftModel.from_pretrained(model, adapter_id_res, token = HF_TOKEN)

# データセットの読み込み。
# omnicampusの開発環境では、左にタスクのjsonlをドラッグアンドドロップしてから実行。
datasets = []
with open("../data/elyza-tasks-100-TV_0.jsonl", "r") as f:
    item = ""
    for line in f:
      line = line.strip()
      item += line
      if item.endswith("}"):
        datasets.append(json.loads(item))
        item = ""

# llmjp
results = []
for data in tqdm(datasets):

  input = data["input"]

  prompt = f"""### 指示
  {input}
  ### 回答
  """

  tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model_pred.device)
  attention_mask = torch.ones_like(tokenized_input)
  with torch.no_grad()
      outputs = model_pred.generate(
          tokenized_input,
          attention_mask=attention_mask,
          max_new_tokens=100,
          do_sample=False,
          repetition_penalty=1.2,
          pad_token_id=tokenizer.eos_token_id
      )[0]
  output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)

  results.append({"task_id": data["task_id"], "input": input, "output": output})


# llmjp
res = []
for data in tqdm(results):

  input = data["input"]
  pred = data['output']

  prompt = f"""以下の指示に対する回答を，全ての評価基準を満たすように慎重に修正してください．
### 指示\n{input}

### 回答\n{pred}

### 評価基準
1. 正確性：指示された要件を全て満たしているか
2. 網羅性：必要十分な情報が含まれており，過不足がないか
3. 整合性：内容が論理的に一貫しており，矛盾していないか
4. 適合性：指示の意図に完全に適合しているか

### 修正した回答
"""

  tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model_res.device)
  attention_mask = torch.ones_like(tokenized_input)
  with torch.no_grad()
      outputs = model_res.generate(
          tokenized_input,
          attention_mask=attention_mask,
          max_new_tokens=100,
          do_sample=False,
          repetition_penalty=1.2,
          pad_token_id=tokenizer.eos_token_id
      )[0]
  output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)

  res.append({"task_id": data["task_id"], "input": input, "output": output})


# こちらで生成されたjsolを提出してください。
# 本コードではinputとeval_aspectも含んでいますが、なくても問題ありません。
# 必須なのはtask_idとoutputとなります。
import re
jsonl_id = re.sub(".*/", "", adapter_id)
with open(f"../output/{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f:
    for result in res:
        json.dump(result, f, ensure_ascii=False)  # ensure_ascii=False for handling non-ASCII characters
        f.write('\n')