diff --git a/frontend/chat_page.py b/frontend/chat_page.py
index 7ab6806..736c470 100644
--- a/frontend/chat_page.py
+++ b/frontend/chat_page.py
@@ -10,91 +10,81 @@ from global_var import get_model, get_tokenizer # 假设这两个函数能正确
 
 def chat_page():
     with gr.Blocks() as demo:
-        gr.Markdown("## 聊天")
-        chatbot = gr.Chatbot(type="messages", label="聊天机器人") # 使用 messages 类型，label 可选
-        msg = gr.Textbox(label="输入消息")
-        clear = gr.Button("清除对话")
+        # 聊天框
+        gr.Markdown("## 对话")
+        with gr.Row():
+            with gr.Column(scale=4):
+                chatbot = gr.Chatbot(type="messages", label="聊天机器人")
+                msg = gr.Textbox(label="输入消息")          
+
+            with gr.Column(scale=1):
+                # 新增超参数输入框
+                max_new_tokens_input = gr.Textbox(label="最大生成长度", value="1024")
+                temperature_input = gr.Textbox(label="温度 (Temperature)", value="0.8")
+                top_p_input = gr.Textbox(label="Top-p 采样", value="0.95")
+                repetition_penalty_input = gr.Textbox(label="重复惩罚", value="1.1")
+                clear = gr.Button("清除对话")
 
         def user(user_message, history: list):
-            # 清空输入框，并将用户消息添加到 history
-            # 确保 history 是 list of lists 或者 list of tuples (根据 Gradio 版本和 Chatbot type)
-            # 对于 type="messages"，期望的格式是 [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]
             return "", history + [{"role": "user", "content": user_message}]
 
-        def bot(history: list):
+        def bot(history: list, max_new_tokens, temperature, top_p, repetition_penalty):
             model = get_model()
             tokenizer = get_tokenizer()
-            if not history: # 避免 history 为空时出错
+            if not history:
                 yield history
                 return
 
-            # 检查模型和分词器是否存在
             if model is None or tokenizer is None:
-                 history.append({"role": "assistant", "content": "错误：模型或分词器未加载。"})
-                 yield history
-                 return
+                history.append({"role": "assistant", "content": "错误：模型或分词器未加载。"})
+                yield history
+                return
 
             try:
-                # --- 关键改动点 ---
-                # 1. 使用完整的 history (或者根据需要裁剪) 来创建输入
-                #    apply_chat_template 通常能处理这种 [{"role": ..., "content": ...}] 格式
-                #    确保你的模型和 tokenizer 支持 chat template
                 inputs = tokenizer.apply_chat_template(
                     history,
                     tokenize=True,
-                    add_generation_prompt=True, # 对很多指令调优模型是必要的
+                    add_generation_prompt=True,
                     return_tensors="pt",
-                ).to(model.device) # 将输入张量移动到模型所在的设备
+                ).to(model.device)
 
-                # 2. 使用 TextIteratorStreamer
-                #    skip_prompt=True: 不在流中包含原始输入 prompt
-                #    skip_special_tokens=True: 不在流中包含特殊 token (如 <eos>)
                 streamer = TextIteratorStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)
 
-                # 3. 将 model.generate 放入单独的线程中运行
-                #    这样 Gradio 的主线程不会被阻塞，可以接收流式输出
+                # 将超参数转换为数值类型
                 generation_kwargs = dict(
                     input_ids=inputs,
                     streamer=streamer,
-                    max_new_tokens=1024,
-                    # temperature=1.5, # 1.5 通常太高，容易产生随机无意义内容，建议 0.7-1.0
-                    # min_p=0.1, # min_p 不常用，top_p 更常见
-                    do_sample=True, # 启用采样，让 temperature/top_p 生效
-                    temperature=0.8, # 稍微降低温度
-                    top_p=0.95,      # 使用 top_p 采样
-                    repetition_penalty=1.1, # 轻微惩罚重复
-                    use_cache=False # 通常可以开启以加速生成，除非有特殊原因
+                    max_new_tokens=int(max_new_tokens),
+                    temperature=float(temperature),
+                    top_p=float(top_p),
+                    repetition_penalty=float(repetition_penalty),
+                    do_sample=True,
+                    use_cache=False
                 )
                 thread = Thread(target=model.generate, kwargs=generation_kwargs)
                 thread.start()
 
-                # 4. 在 history 中添加一个空的 assistant 回复占位符
                 history.append({"role": "assistant", "content": ""})
 
-                # 5. 迭代 streamer，实时更新 history 中最后一条消息的内容
                 for new_text in streamer:
-                    if new_text: # 确保不是空字符串
+                    if new_text:
                         history[-1]["content"] += new_text
-                        yield history # yield 更新后的 history 给 Gradio Chatbot
+                        yield history
 
             except Exception as e:
-                 # 异常处理，将错误信息显示在聊天框
-                 import traceback
-                 error_message = f"生成回复时出错：\n{traceback.format_exc()}"
-                 # 如果最后一条消息是助手的空消息，覆盖它；否则追加
-                 if history and history[-1]["role"] == "assistant" and history[-1]["content"] == "":
+                import traceback
+                error_message = f"生成回复时出错：\n{traceback.format_exc()}"
+                if history and history[-1]["role"] == "assistant" and history[-1]["content"] == "":
                     history[-1]["content"] = error_message
-                 else:
+                else:
                     history.append({"role": "assistant", "content": error_message})
-                 yield history # 显示错误信息
+                yield history
 
-
-        # .then() 中 bot 函数的输出直接连接到 chatbot 组件
+        # 更新 .then() 调用，将超参数传递给 bot 函数
         msg.submit(user, [msg, chatbot], [msg, chatbot], queue=False).then(
-            bot, chatbot, chatbot
+            bot, [chatbot, max_new_tokens_input, temperature_input, top_p_input, repetition_penalty_input], chatbot
         )
 
-        # 清除按钮点击后，返回一个空列表来清空 chatbot
         clear.click(lambda: [], None, chatbot, queue=False)
 
     return demo