update readme

README.md

@@ -1,5 +1,3 @@
-
-
 <div align="center">
 
 ![logo](./images/logo.png)
@@ -36,13 +34,12 @@
 
 <div align="center">
 
-  https://github.com/user-attachments/assets/88b98128-636e-43bc-a419-b1b1403c2055
+https://github.com/user-attachments/assets/88b98128-636e-43bc-a419-b1b1403c2055
 
-  [Bilibili视频链接](https://www.bilibili.com/video/BV12dHPeqE72/?share_source=copy_web&vd_source=670c2504f88726f8cf4a21ef6147c0e8)
+[Bilibili视频链接](https://www.bilibili.com/video/BV12dHPeqE72/?share_source=copy_web&vd_source=670c2504f88726f8cf4a21ef6147c0e8)
 
 </div>
 
-
 # 📌 Introduction
 
 大语言模型（LLM）领域，如 GPT、LLaMA、GLM 等，虽然它们效果惊艳，
@@ -132,11 +129,14 @@ git clone https://huggingface.co/jingyaogong/minimind-v1
 # step 2
 python 2-eval.py
 ```
+
 或者启动streamlit，启动网页聊天界面
+
 ```bash
 # or step 3, use streamlit
 streamlit run fast_inference.py
 ```
+
 ![](./images/streamlit.png)
 
 <div align="center">
@@ -230,7 +230,8 @@ streamlit run fast_inference.py
 
 ---
 
-- 📙【Pretrain数据】：[seq-monkey通用文本数据集](https://github.com/mobvoi/seq-monkey-data/blob/main/docs/pretrain_open_corpus.md)
+-
+📙【Pretrain数据】：[seq-monkey通用文本数据集](https://github.com/mobvoi/seq-monkey-data/blob/main/docs/pretrain_open_corpus.md)
 是由多种公开来源的数据（如网页、百科、博客、开源代码、书籍等）汇总清洗而成。
 整理成统一的JSONL格式，并经过了严格的筛选和去重，确保数据的全面性、规模、可信性和高质量。
 总量大约在10B token，适合中文大语言模型的预训练。
@@ -554,7 +555,8 @@ MobileLLM提出架构的深度比宽度更重要，「深而窄」的「瘦长
     * minimind-MoE(0.16B)表现很差，甚至不如它同配置的dense模型minimind(0.05B)
       ，其实这并非MoE的锅。同样是因为偷懒提前kill腾出资源给小模型，但是MoE模型多专家模式需要的训练轮次本来就需要酌情更高，在epochs设置为2时训练的极其不充分。minimind不久前实验阶段在Yi
       tokenizer上试验过MoE的充分训练版本，可以做到比dense表现肉眼可见的好。现在先这样了hh，日后腾出服务器再训练更新v2 v3版本。
-* F模型的回答看起来是这里最完美的，尽管存在些许幻觉瞎编的情况。但GPT-4o和kimi的评分都一致认为它“信息过度冗长，且有重复内容，存在幻觉”。其实这种评价太严格了，100个字中有10个字是幻觉，就很容易把它归到0分。由于F模型训练文本默认长度更长，数据集大得多，所以回答的看起来很完备，在体积近似的情况下，数据比模型更重要得多。
+*
+F模型的回答看起来是这里最完美的，尽管存在些许幻觉瞎编的情况。但GPT-4o和kimi的评分都一致认为它“信息过度冗长，且有重复内容，存在幻觉”。其实这种评价太严格了，100个字中有10个字是幻觉，就很容易把它归到0分。由于F模型训练文本默认长度更长，数据集大得多，所以回答的看起来很完备，在体积近似的情况下，数据比模型更重要得多。
 
 > 🙋‍♂️个人主观评价：F>D>A≈B>C>E
 
@@ -673,7 +675,8 @@ minimind模型本身没有使用较大的数据集训练，也没有针对回答
 
 * [./export_model.py](./export_model.py)可以导出模型到transformers格式，推送到huggingface
 
-* MiniMind的huggingface集合地址：[MiniMind](https://huggingface.co/collections/jingyaogong/minimind-66caf8d999f5c7fa64f399e5)
+*
+MiniMind的huggingface集合地址：[MiniMind](https://huggingface.co/collections/jingyaogong/minimind-66caf8d999f5c7fa64f399e5)
 
 ---
 
@@ -725,24 +728,18 @@ minimind模型本身没有使用较大的数据集训练，也没有针对回答
 
 ![images](./images/fastgpt.png)
 
-
-
-
-
 # 📌 Acknowledge
 
 > [!NOTE]
 > 如果您觉得 `MiniMind`对您有所帮助，请在 GitHub 上给一个⭐<br/>
 > 您的支持是我们持续改进项目的动力！篇幅不短水平有限难免纰漏，欢迎在issue交流和指正。
 
-
-
 ## 🤝贡献者
 
 <br/>
 
 <a href="https://github.com/jingyaogong/minimind/graphs/contributors">
-  <img src="https://contrib.rocks/image?repo=jingyaogong/minimind" />
+  <img src="https://contrib.rocks/image?repo=jingyaogong/minimind&v=2" />
 </a>
 
 ## 🫶感谢支持！
@@ -751,11 +748,8 @@ minimind模型本身没有使用较大的数据集训练，也没有针对回答
 
 [![Forkers repo roster for @jingyaogong/minimind](https://reporoster.com/forks/jingyaogong/minimind)](https://github.com/jingyaogong/minimind/network/members)
 
-
 ![Star History Chart](https://api.star-history.com/svg?repos=jingyaogong/minimind&type=Date)
 
-
-
 # License
 
 This repository is licensed under the [Apache-2.0 License](LICENSE).

README_en.md

@@ -816,8 +816,9 @@ This suggests that the model performs well in logical reasoning, foundational sc
 
 ## 🤝Contributors
 <br/>
+
 <a href="https://github.com/jingyaogong/minimind/graphs/contributors">
-  <img src="https://contrib.rocks/image?repo=jingyaogong/minimind" />
+  <img src="https://contrib.rocks/image?repo=jingyaogong/minimind&v=2" />
 </a>