diff --git a/README.md b/README.md
index b11d38e..9d61ddc 100644
--- a/README.md
+++ b/README.md
@@ -162,8 +162,8 @@ python 2-eval.py
   因为LLM体积非常小，为了避免模型头重脚轻（词嵌入embedding层参数占整个LLM比太高），所以词表长度需要选择比较小。
   强大的开源模型例如01万物、千问、chatglm、mistral、Llama3等，它们的tokenizer词表长度如下：
 
-  | Tokenizer 模型       | 词表大小    | 来源         |
-                                              |--------------------|---------|------------|
+  | Tokenizer 模型       | 词表大小    | 来源         | 
+  |--------------------|---------|------------|
   | yi tokenizer       | 64,000  | 01万物（中国）   |
   | qwen2 tokenizer    | 151,643 | 阿里云（中国）    |
   | glm tokenizer      | 151,329 | 智谱AI（中国）   |
diff --git a/README_en.md b/README_en.md
index 5371255..4c32a2f 100644
--- a/README_en.md
+++ b/README_en.md
@@ -192,7 +192,7 @@ git clone https://github.com/jingyaogong/minimind.git
   sizes:
 
   | Tokenizer Model      | Vocabulary Size | Source                |
-        |----------------------|------------------|-----------------------|
+  |----------------------|------------------|-----------------------|
   | yi tokenizer         | 64,000           | 01-AI (China)         |
   | qwen2 tokenizer      | 151,643          | Alibaba Cloud (China) |
   | glm tokenizer        | 151,329          | Zhipu AI (China)      |