Replace text cases with png and gif

README.md

@@ -170,268 +170,44 @@ MiniCPM 模型权重对学术研究完全开放。如需将模型用于商业用
 
 #### 代码生成
 Case 1:
-```
-	<用户>: 给这段代码逐行加上注释\n#include <stdio.h>\nint rabbit(int n) {\nif (n == 1 || n == 2) {\nreturn 1;\n} else {\nreturn rabbit(n - 1) + rabbit(n - 2);\n}\n}\nint main() {\nint n;\nfor(n=1;n<41;n++){\n    printf(\"第%d个月时有%d对兔子\\n\", n, rabbit(n));\n}\nreturn 0;\n}
-	<AI>:
-	 以下是包含详细注释的代码：
-	
-	```c
-	// 引入标准输入输出库
-	#include <stdio.h>
-	
-	// 定义一个递归函数，计算第n个月有多少对兔子
-	int rabbit(int n) {
-	    // 如果n等于1或2，说明是第一个月或第二个月，此时有1对兔子
-	    if (n == 1 || n == 2) {
-	        return 1;
-	    }
-	    // 否则，递归调用自身，计算前一个月和上个月兔子数量之和
-	    else {
-	        return rabbit(n - 1) + rabbit(n - 2);
-	    }
-	}
-	
-	// 主函数
-	int main() {
-	    int n;
-	
-	    // 从1开始循环到第40个月
-	    for(n=1; n<41; n++) {
-	        // 输出当前月的编号和对应的兔子对数
-	        printf("第%d个月时有%d对兔子\n", n, rabbit(n));
-	    }
-	
-	    return 0;
-	}
-	```
-	
-	这段代码首先定义了一个名为`rabbit`的递归函数，用于计算第n个月有多少对兔子。在主函数中，我们使用一个for循环从1遍历到第40个月，并调用`rabbit`函数来计算每个月的兔子对数，并使用`printf`函数输出结果。
-```
+![代码生成-case1](./assets/code.case1.gif)
+
 Case 2:
-```
-	<用户>: 编写一个Python程序来实现一个MiniCPM模型（Transformer结构, 40层，每层维度为2304, 词表大小为122753）。
-	<AI>:
-	 Mini-CPM（Mini-Contrastive Pretraining）模型是一种基于Transformer结构的自然语言处理模型。它使用自注意力机制和多层编码器-解码器结构来学习序列到序列的转换任务。在实现Mini-CPM模型时，我们需要遵循以下步骤：
-	
-	1. 导入所需库
-	2. 定义模型结构
-	3. 训练模型
-	4. 测试模型
-	
-	以下是实现Mini-CPM模型的Python代码：
-	
-	```python
-	import torch
-	import torch.nn as nn
-	from torch.autograd import Variable
-	
-	class MiniCpmModel(nn.Module):
-	    def __init__(self, vocab_size, d_model, num_layers, dropout=0.1):
-	        super(MiniCpmModel, self).__init__()
-	        self.vocab_size = vocab_size
-	        self.d_model = d_model
-	        self.num_layers = num_layers
-	        self.dropout = dropout
-	
-	        # 自注意力层
-	        self.self_attn = nn.SelfAttention(d_model, dropout=dropout)
-	        self.attn_layer = nn.TransformerEncoderLayer(d_model, num_layers, dropout=dropout)
-	        self.transformer_encoder = nn.TransformerEncoder(self.attn_layer, num_layers)
-	
-	        # 全连接层
-	        self.fc = nn.Linear(d_model * 8, vocab_size)
-	
-	    def forward(self, x):
-	        x = self.self_attn(x)
-	        x = x.view(x.size(0), -1)
-	        x = self.transformer_encoder(x)
-	        x = self.fc(x)
-	        return x
-	
-	def train_mini_cpm(model, device, train_loader, optimizer, epochs):
-	    model.train()
-	    for epoch in range(epochs):
-	        for i, (text, target) in enumerate(train_loader):
-	            text = text.to(device)
-	            target = target.to(device)
-	
-	            optimizer.zero_grad()
-	            output = model(text)
-	            loss = nn.CrossEntropyLoss()(output, target)
-	            loss.backward()
-	            optimizer.step()
-	
-	def test_mini_cpm(model, device, test_loader):
-	    model.eval()
-	    correct = 0
-	    total = 0
-	    with torch.no_grad():
-	        for text, target in test_loader:
-	            text = text.to(device)
-	            target = target.to(device)
-	            output = model(text)
-	            _, predicted = torch.max(output, 1)
-	            total += target.size(0)
-	            correct += (predicted == target).sum().item()
-	
-	    print(f'Test Accuracy: {100 * correct / total}%')
-	
-	if __name__ == "__main__":
-	    # 参数设置
-	    vocab_size = 122753
-	    d_model = 2304
-	    num_layers = 40
-	    dropout = 0.1
-	
-	    # 初始化模型
-	    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-	    model = MiniCpmModel(vocab_size, d_model, num_layers, dropout).to(device)
-	
-	    # 训练模型
-	    optimizer = torch.optim.Adam(model.parameters(), lr=1e-5)
-	    epochs = 10
-	    train_mini_cpm(model, device, train_data, optimizer, epochs)
-	
-	    # 测试模型
-	    test_mini_cpm(model, device, test_data)
-	```
-	
-	请注意，您需要将`train_data`和`test_data`替换为您的训练和测试数据。同时，您需要准备包含文本和目标标签的数据集。
-```
+![代码生成-case2](./assets/code.case2.gif)
 
 #### 数理逻辑
 Case 1:
-```
-	<用户>: 直接给出以下算式的计算结果15 + 25 + 33 + 22 + 9=
-	<AI>:
-	 15 + 25 + 33 + 22 + 9 = 104
-	
-	结果是104。
-```
+![数理逻辑-case1](./assets/math.case1.png)
+
 Case 2:
-```
-	<用户>: 如果以下算式中减号均表示加号，而加号实际上是减号，给出算式的计算结果15 - 25 - 12 + 34=
-	<AI>:
-	 如果在算式中将减号表示为加号，并且加号实际上表示减号，那么算式将变为：
-	15 + 25 + 12 - 34
-	
-	按照数学运算的优先级（先乘除后加减），我们首先计算括号内的加法：
-	15 + 25 = 40
-	40 + 12 = 52
-	
-	然后，我们进行减法操作：
-	52 - 34 = 18
-	
-	所以，原算式的计算结果仍然是 18。
-```
+![数理逻辑-case1](./assets/math.case2.png)
+
 
 #### 知识推理
 Case 1:
-```
-	<用户>: 山东省最高的山是哪座山, 它比黄山高还是矮？差距多少？
-	<AI>:
-	山东省最高的山是泰山，海拔1545米。黄山位于中国安徽省，海拔1864米。从海拔上来看，黄山比泰山高。两者之间的差距为：
-	
-	黄山 - 泰山 = 319米
-	
-	请注意，这个数据可能随着气候变化和测量方法的变化而有所变化。
-```
-Case 2:
+![知识推理-case1](./assets/knowledge.case1.png)
 
 #### 内容创作
 Case 1:
-```
-	<用户>: 晚上睡不着，可以写哪些简短高级的朋友圈文案？
-	<AI>:
-	1. "夜深人静，思绪万千。愿此刻的宁静，能驱散心中的纷扰。"
-	2. "夜幕降临，星光闪烁。在这宁静的时刻，愿我的心灵得到片刻的慰藉。"
-	3. "月光如水，洒满窗台。此刻的我，只想静静聆听内心的声音。"
-	4. "繁星点点，照亮了黑暗。今晚的星空，让我感受到无尽的希望与力量。"
-	5. "夜深人静，独享这宁静的时光。愿所有的烦恼都能随风而逝，留下美好的回忆。"
-	6. "夜色渐浓，思念渐深。愿这份思念，能温暖我孤独的心房。"
-	7. "月光如水，洒满心间。在这宁静的夜晚，愿我能找到内心的安宁与平静。"
-	8. "夜深人静，独自品味生活的酸甜苦辣。愿每一个经历，都能成为成长的养分。"
-	9. "月光如诗，诗意如画。在这宁静的夜晚，愿我能感受到生活的美好与温馨。"
-	10. "夜深人静，倾听内心的呼唤。愿我能在这宁静的时刻，找到心灵的归宿。"
-```
-Case 2:
-```
-
-```
+![内容创作-case1](./assets/creation.case1.png)
 
 #### 文本翻译
 Case 1:
-```
-	<用户>: Translate this sentence into Russian: '如何用Python创建一个简单的网页爬虫？'.
-	<AI>:
-	 'Как создать простый скрипт для собирания страниц в скрипте Python?'
-```
+![文本翻译-case1](./assets/translation.case1.png)
+
 Case 2:
-```
-	<用户>: Translate this sentence into French: "I am a fresh man on Chinese, do you know how this sentence is translated: 如何用Python创建一个简单的网页爬虫？"
-	<AI>:
-	 Je suis un nouveau-né en chinois, sais-tu comment on crée un simple web scraper en Python ?
-	
-	Note : Voici la traduction en français de la phrase originale : "How to create a simple web crawler in Python".
-```
+![文本翻译-case1](./assets/translation.case2.png)
 
 #### 指令跟随
 Case 1:
-```
-	<用户>: 请帮小明写一份东京旅游的游记，要求每一句话以“哇太好玩了！”开头。
-	<AI>:
-	 哇太好玩了！第一天，我们抵达了东京的成田国际机场。哇太壮观了！机场内的设施和服务都让我惊叹不已。
-	
-	哇太兴奋了！我们搭乘高速列车前往东京站，准备开始我们的旅程。哇太刺激了！列车穿行在城市的上空，让我们感受到了日本的现代科技。
-	
-	哇太兴奋了！我们抵达了东京塔，这座标志性的建筑给我们留下了深刻的印象。哇太壮观了！从塔顶俯瞰整个城市，景色美不胜收。
-	
-	哇太好玩了！我们在浅草寺参观，感受到了日本传统文化的魅力。哇太神奇了！寺庙内的神像和佛像让我们感受到了宗教的力量。
-	
-	哇太好玩了！我们去了东京迪士尼乐园，这里充满了欢声笑语和快乐。哇太梦幻了！我们乘坐了各种游乐设施，体验了不同的游戏和表演。
-	
-	哇太好玩了！我们还去了东京迪士尼海洋，这里有更多的海洋主题景点和表演。哇太精彩了！我们欣赏了精彩的烟花表演，结束了这个美好的夜晚。
-	
-	哇太好玩了！我们的东京之旅结束了，但留下了许多美好的回忆。我们学到了很多关于日本文化和历史的知识，也体验了日本的美食和娱乐。这次旅行真是太棒了！
-```
+![指令跟随-case1](./assets/instruction_following.case1.png)
+
 Case 2:
-	```
-	<用户>: 给我一个藏头(“雪碧”)的春联, 分别按顺序给出上联（七个字），下联（七个字），横批。
-	<AI>:
-	 以下是符合要求的藏头春联：
-	
-	上联：雪消冰释瑞气来
-	下联：碧海青天春意浓
-	横批：瑞雪兆丰年
-```
+![指令跟随-case1](./assets/instruction_following.case2.png)
 
 #### 特殊字符
 Case 1:
-```
-	<用户>: 请给以下句子加上emoji让它更生动: 亲爱的妻子：今天是你的生日，请收下我的蛋糕和玫瑰。
-	<AI>:
-	 亲爱的妻子：🎉今天是你的生日，💖请收下我的蛋糕🎂和玫瑰花🌹。
-	
-	（注：emoji需要根据具体语言环境进行替换，以下仅作示例展示）
-```
-Case 2:
-```
-	<用户>: 请给我一个json, 每个key是一个emoji，每个value是这个emoji对应的意思，给出10个左右
-	<AI>:
-	 以下是一个包含10个emoji及其对应意义的JSON对象：
-	```json
-	{
-	  "😊": "表示满意和喜悦",
-	  "😡": "表示愤怒或不满",
-	  "🤣": "表示搞笑的跌倒动作，代表轻松和幽默",
-	  "🚀": "表示兴奋和期待，通常与太空探索相关",
-	  "💡": "表示光亮和智慧，代表新想法或创意",
-	  "💤": "表示休息和放松，通常用于结束对话",
-	  "🌟": "表示成就和优秀，代表成功和激励",
-	  "🌱": "表示成长和发展，代表进步和积极变化",
-	  "🦋": "表示自然和生命的循环，代表希望和重生",
-	  "👥": "表示人与人之间的联系和团结，代表友谊和支持"
-	}
-	```
-```
+![指令跟随-case1](./assets/instruction_following.case3.png)
 
+Case 2:
+![指令跟随-case1](./assets/instruction_following.case4.png)