更新README.md，调整示例命令以去除多余的参数，并优化模型精度表格的格式以提高可读性。

README.md

@@ -100,7 +100,7 @@ export VLLM_RANK7_NUMA=7
 ### 离线批量推理
 
 ```bash
- python examples/offline_inference/basic/basic.py -tp 8 --model_path xxx
+ python examples/offline_inference/basic/basic.py --tp 8 --model_path xxx
 ```
 
 其中，本示例脚本在代码中直接定义了 `prompts`，并设置 `temperature=0.8`、`top_p=0.95`、`max_tokens=16`；如需调整请修改脚本中的参数。`model_path` 在脚本中指定为本地模型路径；`tensor_parallel_size=1` 表示使用 1 卡；`dtype="float16"` 为推理数据类型（若权重为 bfloat16，请相应调整）。本示例未使用 `quantization` 参数，量化推理请参考下文性能测试示例。
@@ -130,7 +130,7 @@ export VLLM_RANK7_NUMA=7
 1.启动服务：
 
 ```bash
- vllm serve --model /your/model/path --enforce-eager --dtype float16 --trust-remote-code --tensor-parallel-size 8 --gpu-memory-utilization 0.98
+ vllm serve  /your/model/path --enforce-eager --dtype float16 --trust-remote-code --tensor-parallel-size 8 --gpu-memory-utilization 0.98
 ```
 
 2.启动客户端
@@ -200,6 +200,7 @@ chmod +x frpc_linux_amd64_v0.*
 ```
 ssh -L 8000:计算节点IP:8000 -L 8001:计算节点IP:8001 用户名@登录节点 -p 登录节点端口
 ```
+通过跳板机（登录节点）转发端口，让你在本地访问内网计算节点上的服务（如 vLLM API）。
 
 3.启动OpenAI兼容服务
 
@@ -225,11 +226,26 @@ Prompt: 'What is deep learning?', Generated text: ' Deep learning is a subset of
 
 ## 精度
 
-| 模型            | 数据集    | 得分  |
-| --------------- | --------- | ----- |
-|                 | gsm8k     | 95.83 |
-| Qwen3-235B-A22B | math500   | 94.2  |
-|                 | humameval | 95.73 |
+<table>
+  <tr>
+    <th>模型</th>
+    <th>数据集</th>
+    <th>得分</th>
+  </tr>
+  <tr>
+    <td rowspan="3" align="center">Qwen3-235B-A22B</td>
+    <td>gsm8k</td>
+    <td>95.83</td>
+  </tr>
+  <tr>
+    <td>math500</td>
+    <td>94.2</td>
+  </tr>
+  <tr>
+    <td>humameval</td>
+    <td>95.73</td>
+  </tr>
+</table>
 
 ## 应用场景