upload init setting(app.py, Dockerfile)

Dockerfile

@@ -0,0 +1,17 @@
+FROM python:3.11-slim
+
+RUN apt-get update && \
+    apt-get install -y --no-install-recommends build-essential cmake && \
+    rm -rf /var/lib/apt/lists/*
+
+ENV CMAKE_BUILD_PARALLEL_LEVEL=4
+ENV CMAKE_ARGS="-DLLAMA_NATIVE=OFF"
+
+RUN pip install --no-cache-dir "llama-cpp-python==0.3.16" && \
+    pip install --no-cache-dir gradio huggingface_hub
+
+WORKDIR /app
+COPY app.py .
+
+EXPOSE 7860
+CMD ["python", "app.py"]

app.py

@@ -0,0 +1,73 @@
+import gradio as gr
+from llama_cpp import Llama
+
+# ✏️ 아래 두 줄을 본인의 모델 정보로 변경하세요
+# 파인튜닝 모델: "YOUR_USERNAME/qwen3-4b-ft-gguf"
+# 공개 모델 예시: "unsloth/Qwen3-0.6B-GGUF" (테스트용)
+REPO_ID = "unsloth/Qwen3-4B-GGUF"   # ✏️ HF Hub 리포지토리 ID
+FILENAME = "Qwen3-4B-Q4_K_M.gguf"     # ✏️ 파일명 (.gguf 확장자 필수)
+
+# ✏️ 시스템 프롬프트 — 챗봇의 역할과 말투를 정의합니다
+SYSTEM_PROMPT = "당신은 친절한 한국어 AI 어시스턴트입니다."
+
+# ⚠️ 모델을 앱 시작 시 바로 로딩하면 HF Spaces 헬스체크(30분) 타임아웃 발생
+# → 해결: 모델 로딩을 첫 번째 사용자 메시지 시점으로 지연 (Lazy Loading)
+llm = None
+
+def get_model():
+    """
+    첫 호출 시에만 모델을 다운로드 + 로딩합니다.
+    이후 호출에서는 이미 로딩된 모델을 재사용합니다.
+    - from_pretrained: hf_hub_download + Llama 초기화를 한 줄로 처리
+    - n_ctx: 컨텍스트 길이 (메모리 확보를 위해 작게 설정)
+    - n_threads: CPU Basic = 2 vCPU에 맞춤
+    """
+    global llm
+    if llm is None:
+        llm = Llama.from_pretrained(
+            repo_id=REPO_ID,
+            filename=FILENAME,
+            n_ctx=2048,       # ✏️ 컨텍스트 길이 (모델 최대: 40960, 메모리 절약 위해 2048)
+            n_threads=2,      # ✏️ CPU Basic = 2 vCPU
+            verbose=False,    # 로딩 시 상세 로그 숨김
+        )
+    return llm
+
+def respond(message, history):
+    """
+    사용자 메시지를 받아 스트리밍 방식으로 응답을 생성합니다.
+    - message: 현재 사용자 입력
+    - history: 이전 대화 내역 (Gradio ChatInterface가 자동 관리)
+    """
+    # 첫 호출 시 모델 로딩 (1~2분 소요될 수 있음)
+    model = get_model()
+
+    # 대화 메시지 구성: 시스템 프롬프트 + 이전 대화 + 현재 입력
+    messages = [{"role": "system", "content": SYSTEM_PROMPT}]
+    for msg in history:
+        messages.append(msg)
+    messages.append({"role": "user", "content": message})
+
+    # 스트리밍 방식으로 토큰을 하나씩 생성하여 실시간 출력
+    response = ""
+    for chunk in model.create_chat_completion(
+        messages=messages,
+        temperature=0.7,   # ✏️ 창의성 조절 (0.0=결정적, 1.0=창의적)
+        max_tokens=512,    # ✏️ 최대 응답 길이
+        stream=True,       # 스트리밍 활성화
+    ):
+        delta = chunk["choices"][0]["delta"].get("content", "")
+        response += delta
+        yield response     # Gradio에 실시간으로 전달
+
+# ✏️ Gradio ChatInterface: 챗봇 UI를 자동으로 생성합니다
+demo = gr.ChatInterface(
+    fn=respond,
+    title="Qwen3 GGUF 챗봇",                          # ✏️ 제목
+    description="첫 응답 시 모델을 로딩합니다 (1~2분 소요)",   # ✏️ 설명
+    examples=["안녕하세요!", "파이썬이란 무엇인가요?"],         # ✏️ 예시 질문
+)
+
+# server_name="0.0.0.0": 외부 접속 허용 (Docker 필수)
+# server_port=7860: HF Spaces 기본 포트
+demo.launch(server_name="0.0.0.0", server_port=7860)