Update README.md

README.md

@@ -8,13 +8,13 @@ library_name: transformers
 ---
 
 ## 介绍
-1. ✅ 对`bloom-560m`模型做了sft，在这个数量级和模型规模下，效果非常好
+1. ✅ 对`bloom-560m`模型做了sft，在这个数量级和模型规模下，效果非常好！
 2. 🚀 训练代码和推理代码全部分享，可以查看链接[https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_bloom](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_bloom)
 
 ## 个人感受
-1. `bloom`系列的模型，在中文领域，具有极大的潜力，在经过有监督微调训练之后，效果非常惊人！
-2. `bloom`系列的模型，覆盖中文、英文、代码、法语、西班牙语等。即使拿来做翻译、拿来做代码生成，也都没问题！（后期将会分享相关教程）
-
+1. 🎯 `bloom`系列的模型，在中文领域，具有极大的潜力，在经过有监督微调训练之后，效果非常惊人！
+2. 🔄 `bloom`系列的模型，覆盖中文、英文、代码、法语、西班牙语等。即使拿来做翻译、拿来做代码生成，也都没问题！（后期将会分享相关教程）
+3. 😛 当前的这个`bloom-560m`模型，也只是为了跑通整个训练流程，可以无缝切换模型到不同尺寸，如`3b`、`7b`等！
 
 ## 如何使用
 
@@ -22,7 +22,7 @@ library_name: transformers
 from transformers import AutoModelForCausalLM, AutoTokenizer
 
 
-checkpoint = "small_model/checkpoint-8260"#"bigscience/bloomz-3b" #"bigscience/bloom-7b1"#  "output_dir/checkpoint-8260"#
+checkpoint = "yuanzhoulvpi/chinese_bloom_560m"#"bigscience/bloomz-3b" #"bigscience/bloom-7b1"#  "output_dir/checkpoint-8260"#
 tokenizer = AutoTokenizer.from_pretrained(checkpoint)
 model = AutoModelForCausalLM.from_pretrained(checkpoint)