Update README.md

README.md

@@ -3,6 +3,7 @@ BerryLM Wildberries & Russ
 Модели и данные
 Базовая модель
 Модель поддерживает генерацию с разделением на каналы (reasoning и final answer), что позволяет отделять процесс рассуждения от финального ответа, оптимизированная для работы с длинным контекстом рассуждения и генерации.
+---
 
 Датасет
 Обучение проводится на миксе закрытых и открытых датасетов, который содержит диалоговые примеры в формате сообщений (messages) и Ground Truth.
@@ -11,11 +12,10 @@ BerryLM Wildberries & Russ
 DAPO с Reward Hacking Prevention
 Применяется метод один из модификаций GRPO.
 
-Ключевая особенность реализации — система из 2 reward-функций, направленная на предотвращение reward hacking (эксплуатации слабостей reward-сигнала):
-
+Cистема из 2 reward-функций, направленная на предотвращение reward hacking (эксплуатации слабостей reward-сигнала):
 
-Reasoning Compression
-Languange Answer Correctenss
+- Reasoning Compression
+- Languange Answer Correctenss
 
 Архитектура обучения
 Обучение организовано в распределённом режиме:
@@ -28,7 +28,7 @@ Correction post training
 
 Авторы:
 
-Сапрыкин Матвей
-Софронов Юрий
-Костылев Александр
-Чанышев Дамир
+- Сапрыкин Матвей
+- Софронов Юрий
+- Костылев Александр
+- Чанышев Дамир