Update README.md

README.md

@@ -37,11 +37,11 @@ Additionally, the model also demonstrates excellent generalization capabilities,
 Longbench Chinese
 
 |model|Multi-doc QA（%）| Synthetic task(%) | Summarization |
-|:---|---|---|---｜
+|:---:|:---:|:---:|:---:｜
 |gpt3.5-turbo-16k | 28.7 | 77.5 ｜16.0 ｜
-｜Longchat-v1.5-7B-32k |19.5|7.6|9.9|
+|Longchat-v1.5-7B-32k |19.5|7.6|9.9|
 |Xgen-7B-8k| 11.0| 3.5| 2.2 |
-|InternlM-7B-8k| 16.3|0.9|12.4|
+|InternlM-7B-8k | 16.3|0.9|12.4|
 |ChatGLM2-6B-32k|37.6|64.5|16.2|
 |Vicuna-v1.5-7B-16k|19.3|5.0|15.1|
 |Ziya-Reader-13B-v1.0| **42.8**| **66.0**|**15.3**|
@@ -59,11 +59,16 @@ Longbench Chinese
 |  :----:  | :----:  | :----:  | :----:  | :----:  | :----:  |
 | 问答QA，阅读理解MRC| AGI模型 | 姜子牙 Ziya | Llama2 |     13B    |     Chinese     |
 
+## 模型信息 Model Information
+我们使用了位置插值（PI）的方式，在精选的长文档语料上进行微调，扩展上下文到8k大小。其次，模型靠数据喂养，我们从近千万数据中筛选高质量数据，仅用层层过滤的10万量级的数据即可将一个平平无奇的模型培养成知识问答小钢炮。另外，我们为搜索任务量身定做了特殊的任务，精心制作了数据，让模型学会从中寻找相关文档并回答问题。
+
+
+
 ## Usage
 ### 环境
   pip install transformers=4.31.0
 ### example
-多个检索结果时，每个检索结果用”<eod>\n“分隔，开头使用方括号标识序号。结果从“我的答案是”后开始，解码时请截断前面语句。
+多个检索结果时，每个检索结果用”<eod>\n“分隔，开头使用方括号标识序号。结果偶尔会有“根据上面编号为xx的信息”，真正答案从“我的答案是”后开始，解码时请截断前面语句。
 dtype：Bfloat16
 ```python
 prompt='<human>: 给定问题：交强险过期不上路会不会被罚？\n 检索结果：[1] 交强险过期不上路会不会
@@ -86,7 +91,7 @@ model = AutoModelForCausalLM.from_pretrained(model_path,torch_dtype=torch.bfloat
 
 如果您在您的工作中使用了我们的模型，可以引用我们的[论文](https://arxiv.org/abs/2210.08590)：
 
-If you are using the resource for your work, please cite the our [paper](https://arxiv.org/abs/2210.08590):
+If you are using the resource for your work, please cite our [paper](https://arxiv.org/abs/2210.08590):
 
 ```text
 @article{fengshenbang,