Исправлен путь к модели

app.py

@@ -60,34 +60,34 @@ def predict(title, summary, model, tokenizer, id2label, max_length=MAX_LEN, top_
     return [(id2label[i], round(probs[i], 3)) for i in top_indices]
 
 # Интерфейс Streamlit
-st.title("🧠 ArXiv Tag Predictor")
+st.title("ArXiv Tag Predictor")
 
-with st.expander("ℹ️ Описание модели"):
+with st.expander("Описание модели"):
     st.markdown("""
-    Данная модель обучена на основе [SciBERT](https://huggingface.co/allenai/scibert_scivocab_uncased) для классификации научных статей с сайта [arXiv.org](https://arxiv.org).
+    Данная модель обучена на основе [SciBERT](https://huggingface.co/allenai/scibert_scivocab_uncased) для предсказаня первого тега статьей с сайта [arXiv.org](https://arxiv.org).
     
-    - Использует **65 различных тегов** из тематик arXiv (например: `cs.CL`, `math.CO`, `stat.ML`, и т.д.), включая категорию other для менее популярных или редких направлений.
+    - Использует **65 различных тегов** из тематик arXiv (например: `cs.CL`, `math.CO`, `stat.ML`, и т.д.), включая категорию other, которая объединяет редкие теги.
     - Модель обучена на **заголовках и аннотациях** научных публикаций
     - На вход принимает **англоязычный текст**
     - Предсказывает **топ-3 наиболее вероятных тега** для каждой статьи
     
-    Ниже вы можете посмотреть полный список возможных тегов 👇
+    Ниже вы можете посмотреть полный список возможных тегов
     """)
 
 with st.expander("📄 Список всех тегов"):
     tag_list = sorted(label2id.keys())
     st.markdown("\n".join([f"- `{tag}`" for tag in tag_list]))
 
-st.write("Введите заголовок и аннотацию научной статьи (на английском):ввв")
+st.write("Введите заголовок и аннотацию научной статьи (на английском):")
 
 title = st.text_input("**Title**")
 summary = st.text_area("**Summary**", height=200)
 
-if st.button("📌 Предсказать теги"):
+if st.button("Предсказать теги"):
     if not title or not summary:
         st.warning("Пожалуйста, введите и заголовок, и аннотацию!")
     else:
         preds = predict(title, summary, model, tokenizer, id2label)
-        st.subheader("📚 Предсказанные теги:")
+        st.subheader("Предсказанные теги:")
         for tag, prob in preds:
             st.write(f"**{tag}** — вероятность: `{prob:.3f}`")