Upload ./README_zh.md with huggingface_hub

README_zh.md

@@ -3,7 +3,7 @@
 语言: [**English**](https://huggingface.co/Tencent-Hunyuan/TensorRT-libs/blob/main/README.md) | **中文**
 
 我们提供了将 [混元-DiT](https://github.com/Tencent/HunyuanDiT) 中的文生图模型转换为 TensorRT 的代码和相关依赖用于推理加速
-(比 Flash Attention 更快). 您可以使用以下步骤使用我们 TensorRT 模型, 基于 **TensorRT-9.2.0.5** 和 **cuda (11.7 或 11.8)**.
+(比 Flash Attention 更快). 您可以使用以下步骤使用我们 TensorRT 模型, 基于 **TensorRT-10.1.0.27** 和 **cuda (11.7 或 11.8)**.
 
 > ⚠️ **重要提醒 (关于TensorRT加速版本测试的建议)**:   
 > 我们建议用户在 Compute Capability>=8.0 的 NVIDIA 显卡上测试 TensorRT 版本, (例如, RTX4090, RTX3090, H800, A10/A100/A800 等)
@@ -55,11 +55,22 @@ ln -s ${REMOTE_PATH} ./ckpts/t2i/model_trt/engine/model_onnx.plan
 #### 方法2: 自行构建 engine
 如果您使用不同于上面表格中的 GPU, 可以使用以下命令构建适配于当前 GPU 的 engine.
 
+##### Hunyuan-DiT v1.2
+
 ```shell
-# 构建 TensorRT engine. 默认会读取当前目录下的 ckpts 文件夹
+# Build the TensorRT engine. By default, it will read the `ckpts` folder in the current directory.
 sh trt/build_engine.sh
 ```
 
+##### 使用旧版本模型,  Hunyuan-DiT <= v1.1
+```shell
+# v1.1 
+sh trt/build_engine.sh 1.1
+# v1.0 
+sh trt/build_engine.sh 1.0
+```
+
+如果你看到日志打印出 `&&&& PASSED TensorRT.trtexec [TensorRT v10100]`, 说明引擎文件已经成功生成了。
 ### 4. 使用 TensorRT 模型进行推理.
 
 ```shell