Faust-1

from transformers import AutoTokenizer, AutoModelForCausalLM  
import torch  

model_id = "tabularisai/Faust-1"

tokenizer = AutoTokenizer.from_pretrained(model_id)  
model = AutoModelForCausalLM.from_pretrained(  
    model_id,  
    torch_dtype=torch.float16,  
    device_map="auto",  
)

messages = [  
    {"role": "user", "content": "Gib mir eine kurze Einführung in große Sprachmodelle (LLM)."}  
]

inputs = tokenizer.apply_chat_template(  
    messages,  
    add_generation_prompt=True,  
    return_tensors="pt",  
).to(model.device)

outputs = model.generate(  
    inputs,  
    max_new_tokens=256,  
    temperature=0.6,  
    do_sample=True,  
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

!pip install git+https://github.com/tabularis-ai/guidegen.git

import sys
import os
import json
import time

import guidegen as gg
from pydantic import BaseModel, Field
from typing import Literal, List

# Hugging Face access token - set via environment variable or .env file
# You can set it with: export HUGGINGFACE_HUB_TOKEN=your_token_here
# Or create a .env file with: HUGGINGFACE_HUB_TOKEN=your_token_here

MODEL_NAME = "tabularisai/Faust-1"


# --- Schema ---
class EmailSummary(BaseModel):
    """Structured summary of an email."""
    Absender: str = Field(description="Der Name des Absenders.")
    Betreff: str = Field(description="Worum geht es in der E-Mail? (max 5 Wörter)")
    Zusammenfassung: str = Field(description="Kurze Zusammenfassung (max 2 Sätze).")
    Prioritaet: Literal["hoch", "mittel", "niedrig"] = Field(description="Wie wichtig die E-Mail ist.")
    # AntwortNoetig: bool = Field(description="Muss man auf die E-Mail antworten?")


# --- Input ---
email_text = """Hallo Jens,

wir hatten uns bei CampusFounders im Rahmen unserer Pre-Seed-Runde kennengelernt.
Seitdem haben wir große Fortschritte gemacht und bereiten aktuell unsere Seed-Runde vor.

Wir entwickeln eine Infrastruktur für hocheffiziente, lokal trainierbare KI-Modelle – vollständig ohne Cloud.
Sehr gern würden wir uns mit dir austauschen und prüfen, ob ein Intro zu US-VCs oder ein Gespräch mit Crestlight möglich wäre.

Anbei ein kurzer OnePager zur Weiterleitung.

Beste Grüße  
Ricard"""





# --- Prompt ---
prompt = f"""
Du bist ein intelligenter Assistent, der E-Mails analysiert und als JSON zusammenfasst.
Halte die Zusammenfassung kurz (1-2 Sätze). Betreff maximal 5 Wörter.

--- Beispiel ---
E-Mail-Text:
Sehr geehrte Damen und Herren, ich wollte nur nachfragen, ob meine Bestellung #12345 schon versandt wurde. Vielen Dank, Max Mustermann
JSON-Antwort:
{{
  "Absender": "Max Mustermann",
  "Betreff": "Bestellstatus Anfrage",
  "Zusammenfassung": "Anfrage zum Versandstatus der Bestellung #12345.",
  "Prioritaet": "mittel",
}}
--- Ende Beispiel ---

Jetzt analysiere die folgende E-Mail und erstelle das JSON-Objekt.

E-Mail-Text:
{email_text}
"""


def main():
    print("=" * 60)
    print("EMAIL SUMMARIZATION WITH GUIDEGEN")
    print("=" * 60)

    print(f"\nLoading model: {MODEL_NAME}")
    load_start = time.time()

    gen = gg.GuideGen(
        MODEL_NAME,
        verbose=True,
        use_chat_template=True,
        enable_thinking=False,
    )

    load_time = time.time() - load_start
    print(f"Model loaded in {load_time:.2f}s")

    # --- Generate ---
    print("\nGenerating structured summary...")
    gen_start = time.time()

    options = gg.GuideGenOptions(
        temperature=0.6,
        max_tokens=400,
        do_sample=False,
    )

    summary = gen.generate(prompt, EmailSummary, options=options)

    gen_time = time.time() - gen_start
    print(f"Generation complete in {gen_time:.2f}s")

    # --- Output ---
    print("\n--- Email Summary (JSON) ---")
    print(json.dumps(summary.model_dump(), indent=2, ensure_ascii=False))
    print(f"\n  Model load: {load_time:.2f}s | Generation: {gen_time:.2f}s | Total: {load_time + gen_time:.2f}s")