Update README.md

README.md

@@ -3,13 +3,13 @@
 [Qwen3-Coder-Next](https://github.com/QwenLM/Qwen3-Coder/blob/main/qwen3_coder_next_tech_report.pdf)
 ## 模型简介
 
-**Qwen3-Coder-Next** 是 Qwen 团队最新发布的开源（Open-weight）语言模型，专为**代码智能体（Coding Agents）和本地开发**场景设计 。该模型采用了**稀疏混合专家（MoE）**架构，在保持极高推理效率的同时，展现出了强大的代码推理和软件工程能力。其核心设计理念是通过大规模的“智能体训练”（Agentic Training），在较小的激活参数下实现顶尖的性能 。核心技术特点:
+Qwen3-Coder-Next 是 Qwen 团队最新发布的开源（Open-weight）语言模型，专为代码智能体（Coding Agents）和本地开发场景设计 。该模型采用了稀疏混合专家（MoE）架构，在保持极高推理效率的同时，展现出了强大的代码推理和软件工程能力。其核心设计理念是通过大规模的“智能体训练”（Agentic Training），在较小的激活参数下实现顶尖的性能 。核心技术特点:
 
-**训练理念与技术：** 其核心设计理念是通过大规模的“智能体训练”（Agentic Training），在较小的激活参数下实现顶尖的性能 。团队构建了名为 MegaFlow 的基础设施，通过挖掘 GitHub PR 并结合 Docker 容器，合成了数百万个可执行、可验证的真实软件工程任务 。同时，引入了基于执行反馈的强化学习（Reinforcement Learning），使模型不仅学习代码生成，还能通过环境反馈（如单元测试、运行时错误）来优化多步推理、工具使用和自我修正能力 。
+训练理念与技术： 其核心设计理念是通过大规模的“智能体训练”（Agentic Training），在较小的激活参数下实现顶尖的性能 。团队构建了名为 MegaFlow 的基础设施，通过挖掘 GitHub PR 并结合 Docker 容器，合成了数百万个可执行、可验证的真实软件工程任务 。同时，引入了基于执行反馈的强化学习（Reinforcement Learning），使模型不仅学习代码生成，还能通过环境反馈（如单元测试、运行时错误）来优化多步推理、工具使用和自我修正能力 。
 
-**核心能力与工具支持：** 不同于传统的代码补全模型，Qwen3-Coder-Next 专注于解决长周期的软件工程任务、复杂的指令跟随以及与执行环境的交互 。训练阶段支持 262,144 token 的上下文窗口，能够处理整个代码仓库（Repository-level）的信息，理解跨文件依赖，适合解决复杂的 Bug 修复和功能开发任务 。此外，模型在训练中接触了多种工具调用格式（JSON, XML, Pythonic 等），能够适应不同的 IDE 和 Agent 框架（如 OpenHands, SWE-Agent），具备极强的格式鲁棒性 。
+核心能力与工具支持： 不同于传统的代码补全模型，Qwen3-Coder-Next 专注于解决长周期的软件工程任务、复杂的指令跟随以及与执行环境的交互 。训练阶段支持 262,144 token 的上下文窗口，能够处理整个代码仓库（Repository-level）的信息，理解跨文件依赖，适合解决复杂的 Bug 修复和功能开发任务 。此外，模型在训练中接触了多种工具调用格式（JSON, XML, Pythonic 等），能够适应不同的 IDE 和 Agent 框架（如 OpenHands, SWE-Agent），具备极强的格式鲁棒性 。
 
-**基准测试表现：** 尽管激活参数仅为 3B，Qwen3-Coder-Next 在多个权威基准测试中表现出了越级挑战的能力。在 SWE-Bench Verified 中，于 SWE-Agent 框架下达到 70.6%，在 OpenHands 下达到 71.3%，性能与 32B-671B 参数级别的开源模型（如 DeepSeek-V3.2, GLM-4.7）相当，甚至在某些指标上超越了闭源模型 。在更具挑战性的长周期基准测试 SWE-Bench Pro 中，得分为 44.3%，优于 DeepSeek-V3.2 (40.9%) 和 GLM-4.7 (40.6%) 。此外，在 Python、Java、C++ 等多语言编程任务以及数学推理（如 AIME 2025）上均表现优异，证明了其广泛的泛化能力 。
+基准测试表现： 尽管激活参数仅为 3B，Qwen3-Coder-Next 在多个权威基准测试中表现出了越级挑战的能力。在 SWE-Bench Verified 中，于 SWE-Agent 框架下达到 70.6%，在 OpenHands 下达到 71.3%，性能与 32B-671B 参数级别的开源模型（如 DeepSeek-V3.2, GLM-4.7）相当，甚至在某些指标上超越了闭源模型 。在更具挑战性的长周期基准测试 SWE-Bench Pro 中，得分为 44.3%，优于 DeepSeek-V3.2 (40.9%) 和 GLM-4.7 (40.6%) 。此外，在 Python、Java、C++ 等多语言编程任务以及数学推理（如 AIME 2025）上均表现优异，证明了其广泛的泛化能力 。
 
 <div align=center>
     <img src="./doc/1.png"/>