diff --git a/generate_data/tutorial.md b/generate_data/tutorial.md
index 3d6fc8f..298e5e9 100644
--- a/generate_data/tutorial.md
+++ b/generate_data/tutorial.md
@@ -1,20 +1,22 @@
-# EMO 心理大模型 微调数据生成教程
+# EmoLLM 微调数据生成教程
 
 **一、目标与背景**
 
-    为了使我们的心理大模型有更好的表达效果，我们必须要有高质量的数据集。为了达到这一目标，我们决定利用四种强大的人工智能大模型：文心一言、通义千问、讯飞星火和智浦AI来生成对话数据。此外，我们还将增强数据集的认知深度，通过加入少量自我认知数据集来提高模型的泛化能力。
+为了使我们的心理大模型有更好的表达效果，我们必须要有高质量的数据集。为了达到这一目标，我们决定利用四种强大的中文大模型：文心一言、通义千问、讯飞星火 和 智谱GLM 来生成对话数据。此外，我们还将增强数据集的认知深度，通过加入少量自我认知数据集来提高模型的泛化能力。
 
 **二、数据集生成方法**
 
 1. **模型选择与数据准备**
 
-   选择文心一言、通义千问、讯飞星火和智浦这四种大语言模型，获取调用相应接口的API，并准备用于生成对话数据。
-2. **单轮与多轮对话数据生成**
+   选择文心一言、通义千问、讯飞星火和智谱GLM这四种大语言模型，获取调用相应接口的API，并准备用于生成对话数据。
+   
+3. **单轮与多轮对话数据生成**
 
    利用这四种模型，我们生成了10000条单轮和多轮对话数据。在这一过程中，我们确保了数据的多样性、复杂性和有效性。
 
    因为心理活动往往是复杂的，为了保证数据的多样性。我们选择了16 * 28 共 `448`个场景进行数据集生成，具体场景名称请参考config.yml中的 `emotions_list 和 areas_of_life`两个参数的配置。
-3. **自我认知数据集的加入**
+   
+5. **自我认知数据集的加入**
 
    为了增强模型的认知能力，我们特意加入了一部分自我认知数据集。这些数据集有助于模型更好地理解上下文，提高对话的自然度和连贯性。
 
@@ -22,40 +24,40 @@
 
 1. **初始化**
 
-* 安装所需的软件和库。
+* 安装所需的软件和库
 
   ```bash
   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   ```
-* 准备输入数据和配置参数。
+* 准备输入数据和配置参数
 
   可参见 `config.yml`均有注释
 
 2. **模型选择与配置**
 
-* 根据需求选择适合的模型。
+* 根据需求选择适合的模型
   为了使大家都能够玩上大模型，我们选用InterLLM2-7B作为我们的基线模型（消费级显卡也可部署微调的哦）
-* 对模型进行必要的配置和调整。
+* 对模型进行必要的配置和调整
   根据我们的数据集以及配置策略，使用XTuner进行微调
 
 3. **数据生成**
 
-* 使用通义千问大模型进行数据生成。
+* 使用通义千问大模型进行数据生成
   ```bash
   # 终端运行
   bash run_qwen.bash
   ```
-* 使用百度文心大模型进行数据生成。
+* 使用百度文心大模型进行数据生成
   ```bash
   # 终端运行
   python ernie_gen_data.py
   ```
-* 使用智浦AI大模型进行数据生成。
+* 使用智谱GLM大模型进行数据生成
   ```bash
   # 终端运行
   python zhipuai_gen_data.py
   ```
-* 使用讯飞星火大模型进行数据生成。
+* 使用讯飞星火大模型进行数据生成
   ```bash
   # 终端运行
   python ./xinghuo/gen_data.py
@@ -63,7 +65,7 @@
 
 4. **自我认知数据集的整合**
 
-* 自我认知数据集这个就需要按照格式手动生成的哈~，如下格式即可。
+* 自我认知数据集需要按照格式手动生成，如下格式即可
   ```json
   [
       {
@@ -85,16 +87,17 @@
   ]
   ```
 
-5. **数据集整合。**
+5. **数据集整合**
 
    在进行数据集整合之前，我们要检查生成的数据是否存在格式错误，类型不符合等情况。我们需要check.py进行检查数据。最后再使用merge_json.py将所有的json整合为一个总的json文件。
-6. **评估与优化**
+   
+7. **评估与优化**
 
-* 使用适当的评估指标对生成的数据集进行评估。
-* 根据评估结果进行必要的优化和调整。
+* 使用适当的评估指标对生成的数据集进行评估
+* 根据评估结果进行必要的优化和调整
 
 7. **测试与部署**
 
-* 使用独立测试集对训练好的模型进行评估。
-* 根据测试结果进行必要的调整和优化。
-* 将最终的模型部署到实际应用中。
+* 使用独立测试集对训练好的模型进行评估
+* 根据测试结果进行必要的调整和优化
+* 将最终的模型部署到实际应用中