Upload README_CN.md with huggingface_hub

README_CN.md

@@ -176,9 +176,9 @@ benchmark均分排名第⼀。在挑战性的竞赛数学数据集math上，同
 ## Chat模型
 
 ### 后训练数据
-360自有通用微调数据50w，该数据综合考虑各个技能及360垂直业务数据，生成方法如下：
+高质量微调数据50w，该数据综合考虑大模型通用技能及360垂直业务数据，生成方法如下：
    1. 数据多样性：根据360自有标签体系进行领域，意图，难度，长度的分层采样，确保指令多样性
-   2. 数据质量：使用开源数据以及自有的偏序数据训练了360gpt-pro-rm（reward bench得分92.59），使用该模型进行样本筛选，过滤response低质数据
+   2. 数据质量：使用偏序数据训练360gpt-pro-rm（reward bench得分92.59），用该模型进行样本筛选，过滤掉低质数据
    3. 复杂指令进化：使用进化方式做复杂指令优化，优化指令跟随能力
 
 ### 训练方法
@@ -196,10 +196,10 @@ benchmark均分排名第⼀。在挑战性的竞赛数学数据集math上，同
 
 4. 模型合并
     
-    在360公司白盒评测集合4上，针对上述3个模型做自动评测，发现不同模型各有其又是技能，考虑模型合并方案。基于sft模型为base做内插得到模型v1，然后仍以sft模型为base和v1模型进行外插，外插系数0.2 最终得到360Zhicao2-7B-Chat-4k.
+    在360公司白盒评测集合4上，针对上述3个模型做自动评测，发现不同模型各有其优势技能，考虑模型合并方案，得到最终的Chat模型.
 
 ### 模型效果
-   我们在一些经典任务上对 360Zhicao2-7B-Chat-4k 模型进行了评测。IFEval (prompt strict) 仅次于GLM4-9B,7b开源模型最高；MT-bench第3名略差于Qwen2.5-7B,7B模型排名第二；CF-Bench第3，在PSR上仅次于GLM4-9B,详细结果如下表:
+   我们在IFEval、MT-bench、CF-Bench三个经典任务上对 360Zhinao2-7B-Chat-4k 模型进行了评测，模型效果具备较强竞争力。IFEval (prompt strict) 仅次于GLM4-9B,在7B开源模型中得分最高，详细结果如下表:
 
 | Model                | MT-bench | IFEval(strict prompt) | CFBench(CSR,ISR,PSR) |      |      |
 |----------------------|----------|-----------------------|----------------------|------|------|
@@ -207,7 +207,7 @@ benchmark均分排名第⼀。在挑战性的竞赛数学数据集math上，同
 | Yi-9B-16k-Chat       | 7.44     | 0.455                 | 0.75                 | 0.4  | 0.52 |
 | GLM4-9B-Chat         | **8.08** | **0.634**             | **0.82**             | 0.48 | 0.61 |
 | InternLM2.5-7B-Chat  | 7.39     | 0.540                 | 0.78                 | 0.4  | 0.54 |
-| 360Zhicao2-7B-Chat-4k| 7.86     | **0.577**             | 0.8                  | 0.44 | 0.57 |
+| 360Zhinao2-7B-Chat-4k| 7.86     | **0.577**             | 0.8                  | 0.44 | 0.57 |