updata readme

README.md

@@ -40,10 +40,41 @@ Qwen2.5-VL 从头开始训练了一个原生动态分辨率的 ViT，包括 CLIP
 
 推荐使用镜像: harbor.sourcefind.cn:5443/dcu/admin/base/vllm:0.9.2-ubuntu22.04-dtk25.04.2-1226-das1.7-py3.10-20251226
 
-- 挂载地址`-v`根据实际模型情况修改
+- 挂载地址`-v`，`{docker_name}`和 `{docker_image_name}`根据实际模型情况修改
 
 ```bash
-docker run -it --shm-size 60g --network=host --name minimax_m2 --privileged --device=/dev/kfd --device=/dev/dri --device=/dev/mkfd --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -u root -v /opt/hyhal/:/opt/hyhal/:ro -v /path/your_code_path/:/path/your_code_path/ harbor.sourcefind.cn:5443/dcu/admin/base/vllm:0.9.2-ubuntu22.04-dtk25.04.2-1226-das1.7-py3.10-20251226
+docker run -it \
+    --shm-size 60g \
+    --network=host \
+    --name {docker_name} \
+    --privileged \
+    --device=/dev/kfd \
+    --device=/dev/dri \
+    --device=/dev/mkfd \
+    --group-add video \
+    --cap-add=SYS_PTRACE \
+    --security-opt seccomp=unconfined \
+    -u root \
+    -v /opt/hyhal/:/opt/hyhal/:ro \
+    -v /path/your_code_data/:/path/your_code_data/ \
+    {docker_image_name} bash
+
+示例如下(展示到modelzoo上的内容，就是将上面的{docker_image_name}{docker_name}根据实际模型填写)：
+docker run -it \
+    --shm-size 60g \
+    --network=host \
+    --name qwen3 \
+    --privileged \
+    --device=/dev/kfd \
+    --device=/dev/dri \
+    --device=/dev/mkfd \
+    --group-add video \
+    --cap-add=SYS_PTRACE \
+    --security-opt seccomp=unconfined \
+    -u root \
+    -v /opt/hyhal/:/opt/hyhal/:ro \
+    -v /path/your_code_data/:/path/your_code_data/ \
+    image.sourcefind.cn:5000/dcu/admin/base/vllm:0.9.2-ubuntu22.04-dtk25.04.2-py3.10 bash
 ```
 
 更多镜像可前往[光源](https://sourcefind.cn/#/service-list)下载使用。
@@ -200,6 +231,10 @@ torchrun ./LLaMA-Factory/src/train.py  \
 
 ## 推理
 
+1. 推理框架有`transformers`、`vllm`、其他推理框架中任意一个即可，至少有一个；
+
+### transformers
+
 ### 单机单卡
 
 ```
@@ -233,10 +268,6 @@ CUDA_VISIBLE_DEVICES=0,1,2,3 python inference.py
 #### 单机推理
 
 ```
-## serve启动
-export ALLREDUCE_STREAM_WITH_COMPUTE=1
-export VLLM_MLA_DISABLE=0
-export VLLM_USE_FLASH_MLA=1
 
 # 启动命令
 vllm serve Qwen/Qwen2.5-VL-3B-Instruct \
@@ -251,7 +282,7 @@ vllm serve Qwen/Qwen2.5-VL-3B-Instruct \
 curl http://localhost:8000/v1/chat/completions   \
     -H "Content-Type: application/json"  \
     -d '{
-        "model": "minimax",
+        "model": "qwen-vl",
         "messages": [
             {
                 "role": "user",
@@ -272,23 +303,18 @@ curl http://localhost:8000/v1/chat/completions   \
 
 DCU与GPU精度一致，推理框架：vllm。
 
-
-
-## 应用场景
-### 算法类别
-`对话问答`
-### 热点应用行业
-`科研,教育,政府,金融`
-
 ## 预训练权重
-[ModelScope](https://modelscope.cn/)
-- [Qwen2.5-VL-3B-Instruct](https://modelscope.cn/models/Qwen/Qwen2.5-VL-3B-Instruct)
-- [Qwen2.5-VL-7B-Instruct](https://modelscope.cn/models/Qwen/Qwen2.5-VL-7B-Instruct)
-- [Qwen2.5-VL-72B-Instruct](https://modelscope.cn/models/Qwen/Qwen2.5-VL-72B-Instruct)
-
 
+| **模型名称**                | **参数量** | **推荐 DCU 型号** | **最低卡数需求** | **下载地址 (Hugging Face)**                                  |
+| --------------------------- | ---------- | ----------------- | ---------------- | ------------------------------------------------------------ |
+| **Qwen2.5-VL-3B-Instruct**  | 3B         | K100AI, BW1000 等 | 1                | [Hugging Face](https://huggingface.co/Qwen/Qwen2.5-VL-3B-Instruct) |
+| **Qwen2.5-VL-7B-Instruct**  | 7B         | K100AI, BW1000 等 | 1                | [Hugging Face](https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct) |
+| **Qwen2.5-VL-72B-Instruct** | 72B        | K100AI, BW1000 等 | 8                | [Hugging Face](https://huggingface.co/Qwen/Qwen2.5-VL-72B-Instruct) |
 
 ## 源码仓库及问题反馈
+
+源码仓库及问题反馈
+
 - https://developer.sourcefind.cn/codes/modelzoo/Qwen2.5-vl_pytorch
 ## 参考资料