diff --git a/docs/about_model/convert_model/index.html b/docs/about_model/convert_model/index.html
index 5ca7ee22..f5afc075 100644
--- a/docs/about_model/convert_model/index.html
+++ b/docs/about_model/convert_model/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1541,7 +1541,7 @@ <h3 id="离线转换httpsgithubcomrapidaipaddleocrmodelconverter"><a href="https
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/about_model/index.html b/docs/about_model/index.html
index 59983462..d8f365d3 100644
--- a/docs/about_model/index.html
+++ b/docs/about_model/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -663,7 +663,7 @@ <h1 class="content-title mb-0">
                         
                     </span>
                     <div class="card-body p-0 content">
-                        <p class="fs-5 fw-semibold card-title mb-1">不同版本模型之间比较</p>
+                        <p class="fs-5 fw-semibold card-title mb-1">Benchmark: 不同版本模型之间比较</p>
                         <p class="para card-text mb-0"></p>
                     </div>
                     
@@ -1459,7 +1459,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/about_model/index.xml b/docs/about_model/index.xml
index f6459759..d31ec4b8 100644
--- a/docs/about_model/index.xml
+++ b/docs/about_model/index.xml
@@ -8,7 +8,7 @@
     <language>en-us</language>
     <lastBuildDate>Tue, 22 Nov 2022 12:36:15 +0000</lastBuildDate><atom:link href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/index.xml" rel="self" type="application/rss+xml" />
     <item>
-      <title>不同版本模型之间比较</title>
+      <title>Benchmark: 不同版本模型之间比较</title>
       <link>https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/</link>
       <pubDate>Thu, 29 Sep 2022 00:00:00 +0000</pubDate>
       
diff --git a/docs/about_model/model_summary/index.html b/docs/about_model/model_summary/index.html
index 022e0da6..fc3ce7f1 100644
--- a/docs/about_model/model_summary/index.html
+++ b/docs/about_model/model_summary/index.html
@@ -18,7 +18,7 @@
 
 <html lang="en-us"><head>
     <meta charset="utf-8" />
-    <title>不同版本模型之间比较 | RapidOCR Documentation</title>
+    <title>Benchmark: 不同版本模型之间比较 | RapidOCR Documentation</title>
     <meta name="viewport" content="width=device-width, initial-scale=1.0">
     <meta name="keywords" content="Documentation, Hugo, Hugo Theme, Bootstrap" />
     <meta name="author" content="Colin Wilson - Lotus Labs" />
@@ -32,16 +32,16 @@
 <link rel="icon" type="image/png" sizes="32x32" href="https://rapidai.github.io/RapidOCRDocs/favicon-32x32.png">
 <link rel="icon" type="image/png" sizes="16x16" href="https://rapidai.github.io/RapidOCRDocs/favicon-16x16.png">
 <link rel="manifest" crossorigin="use-credentials" href="https://rapidai.github.io/RapidOCRDocs/site.webmanifest">
-<meta property="og:title" content="不同版本模型之间比较" />
+<meta property="og:title" content="Benchmark: 不同版本模型之间比较" />
 <meta property="og:description" content="各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 &#43; text_det_test_dataset，详情可以移步AI Studio运行查看。
 指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。
 模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer." />
 <meta property="og:type" content="article" />
-<meta property="og:url" content="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/" /><meta property="og:image" content="https://rapidai.github.io/RapidOCRDocs/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_7835501747438213800.png"/><meta property="article:section" content="docs" />
+<meta property="og:url" content="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/" /><meta property="og:image" content="https://rapidai.github.io/RapidOCRDocs/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_18385201140982992681.png"/><meta property="article:section" content="docs" />
 
-<meta property="article:modified_time" content="2024-04-09T15:18:34+08:00" /><meta name="twitter:card" content="summary_large_image"/>
-<meta name="twitter:image" content="https://rapidai.github.io/RapidOCRDocs/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_7835501747438213800.png"/>
-<meta name="twitter:title" content="不同版本模型之间比较"/>
+<meta property="article:modified_time" content="2024-04-09T15:22:41+08:00" /><meta name="twitter:card" content="summary_large_image"/>
+<meta name="twitter:image" content="https://rapidai.github.io/RapidOCRDocs/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_18385201140982992681.png"/>
+<meta name="twitter:title" content="Benchmark: 不同版本模型之间比较"/>
 <meta name="twitter:description" content="各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 &#43; text_det_test_dataset，详情可以移步AI Studio运行查看。
 指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。
 模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer."/>
@@ -343,7 +343,7 @@
                                     
                                         
                                         
-                                            <li class="current "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class="current "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -654,7 +654,7 @@
             
         
             <li class="breadcrumb-item text-capitalize active" itemprop="itemListElement" itemscope itemtype="https://schema.org/ListItem">
-                <span itemprop="name">不同版本模型之间比较</span>
+                <span itemprop="name">Benchmark: 不同版本模型之间比较</span>
                 <meta itemprop="position" content='3' />
             </li>
         
@@ -714,7 +714,7 @@
                                             <div class="mb-0 d-flex">
                                                 
                                                 <h1 class="content-title mb-0">
-                                                    不同版本模型之间比较
+                                                    Benchmark: 不同版本模型之间比较
                                                     
                                                 </h1>
                                             </div>
@@ -940,20 +940,20 @@ <h4 id="指标说明">指标说明 <a href="#%e6%8c%87%e6%a0%87%e8%af%b4%e6%98%8
 		
 
 		<a class="nav-link  active"
-		   id="facdebTab" data-bs-toggle="tab" data-bs-target="#facdeb"
-		   type="button" role="tab" aria-controls="facdeb" aria-selected="true">Exact Match (精确匹配准确率)</a>
+		   id="bcdafeTab" data-bs-toggle="tab" data-bs-target="#bcdafe"
+		   type="button" role="tab" aria-controls="bcdafe" aria-selected="true">Exact Match (精确匹配准确率)</a>
 
 		
 
 		<a class="nav-link "
-		   id="cfbdeaTab" data-bs-toggle="tab" data-bs-target="#cfbdea"
-		   type="button" role="tab" aria-controls="cfbdea" aria-selected="true">Char Match (字符级准确率)</a>
+		   id="dfbaceTab" data-bs-toggle="tab" data-bs-target="#dfbace"
+		   type="button" role="tab" aria-controls="dfbace" aria-selected="true">Char Match (字符级准确率)</a>
 
 		
 
 		<a class="nav-link "
-		   id="bdafceTab" data-bs-toggle="tab" data-bs-target="#bdafce"
-		   type="button" role="tab" aria-controls="bdafce" aria-selected="true">Score(两者综合)</a>
+		   id="bfcadeTab" data-bs-toggle="tab" data-bs-target="#bfcade"
+		   type="button" role="tab" aria-controls="bfcade" aria-selected="true">Score(两者综合)</a>
 
 		
 
@@ -969,7 +969,7 @@ <h4 id="指标说明">指标说明 <a href="#%e6%8c%87%e6%a0%87%e8%af%b4%e6%98%8
 
 
 
-<div class="tab-pane fade show active" id="facdeb" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="bcdafe" role="tabpanel" aria-labelledby="nav-1">
 
 	<p>$$
 Exact\ Match = \frac{1}{N}\sum_{i=0}^{N} s(p_{i}, g_{i})
@@ -994,7 +994,7 @@ <h4 id="指标说明">指标说明 <a href="#%e6%8c%87%e6%a0%87%e8%af%b4%e6%98%8
 
 
 
-<div class="tab-pane fade" id="cfbdea" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="dfbace" role="tabpanel" aria-labelledby="nav-1">
 
 	<p>$$
 Char\ Match = 1 - \frac{1}{N} \sum_{i=0}^{N} s(p_{i}, g_{i})
@@ -1022,7 +1022,7 @@ <h4 id="指标说明">指标说明 <a href="#%e6%8c%87%e6%a0%87%e8%af%b4%e6%98%8
 
 
 
-<div class="tab-pane fade" id="bdafce" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="bfcade" role="tabpanel" aria-labelledby="nav-1">
 
 	<p>$$
 Score = \frac{1}{2}(Exact\ Match + Char\ Match)
@@ -1052,7 +1052,7 @@ <h4 id="指标说明">指标说明 <a href="#%e6%8c%87%e6%a0%87%e8%af%b4%e6%98%8
 
 <div class="gitinfo d-flex flex-wrap justify-content-between align-items-center opacity-85 pt-3">
     <div id="edit-this-page" class="mt-1">
-        <a href="https://github.com/RapidAI/RapidOCR/blob/main/content/docs/about_model/model_summary.md" alt="不同版本模型之间比较" rel="noopener noreferrer" target="_blank">
+        <a href="https://github.com/RapidAI/RapidOCR/blob/main/content/docs/about_model/model_summary.md" alt="Benchmark: 不同版本模型之间比较" rel="noopener noreferrer" target="_blank">
             
             <span class="me-1 align-text-bottom">
                 
@@ -1070,9 +1070,9 @@ <h4 id="指标说明">指标说明 <a href="#%e6%8c%87%e6%a0%87%e8%af%b4%e6%98%8
     <div id="last-modified" class="mt-1">
         <p class="mb-0 fw-semibold">Last updated <span
             id="relativetime"
-            data-authdate="2024-04-09T15:18:34&#43;0800"
-            title="09 Apr 2024, 15:18 &#43;0800">
-            09 Apr 2024, 15:18 &#43;0800
+            data-authdate="2024-04-09T15:22:41&#43;0800"
+            title="09 Apr 2024, 15:22 &#43;0800">
+            09 Apr 2024, 15:22 &#43;0800
         </span>. <span class="material-icons size-20 align-text-bottom opacity-75">history</span>
         </p>
     </div>
@@ -1859,7 +1859,7 @@ <h4 id="指标说明">指标说明 <a href="#%e6%8c%87%e6%a0%87%e8%af%b4%e6%98%8
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/about_model/support_language/index.html b/docs/about_model/support_language/index.html
index b8b5d9a2..a2664ad7 100644
--- a/docs/about_model/support_language/index.html
+++ b/docs/about_model/support_language/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -763,7 +763,7 @@ <h3 id="转换教程convert_modelmd"><a data-bs-delay="{&#34;hide&#34;:300,&#34;
 		<a href="/RapidOCRDocs/docs/about_model/model_summary/">
 			<div class="card h-100 my-1">
 				<div class="card-body py-2">
-                    <p class="card-title fs-5 fw-semibold lh-base mb-0"><i class="material-icons align-middle">navigate_before</i> 不同版本模型之间比较</p>
+                    <p class="card-title fs-5 fw-semibold lh-base mb-0"><i class="material-icons align-middle">navigate_before</i> Benchmark: 不同版本模型之间比较</p>
 					<p class="card-text ms-2"></p>
 					
 				</div>
@@ -1531,7 +1531,7 @@ <h3 id="转换教程convert_modelmd"><a data-bs-delay="{&#34;hide&#34;:300,&#34;
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/blog/01_optim_tutorial/index.html b/docs/blog/01_optim_tutorial/index.html
index bd7cafb5..e950ac5c 100644
--- a/docs/blog/01_optim_tutorial/index.html
+++ b/docs/blog/01_optim_tutorial/index.html
@@ -324,7 +324,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1686,7 +1686,7 @@ <h4 id="情况二轻量中英文模型对个别英文或数字识别错误">情
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/blog/02_config_parameter/index.html b/docs/blog/02_config_parameter/index.html
index bd6b1ec5..9fd56395 100644
--- a/docs/blog/02_config_parameter/index.html
+++ b/docs/blog/02_config_parameter/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1822,7 +1822,7 @@ <h4 id="rec部分"><code>Rec</code>部分 <a href="#rec%e9%83%a8%e5%88%86" class
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/blog/03_which_inference/index.html b/docs/blog/03_which_inference/index.html
index 737afe09..4a4c86fa 100644
--- a/docs/blog/03_which_inference/index.html
+++ b/docs/blog/03_which_inference/index.html
@@ -320,7 +320,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1524,7 +1524,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/blog/04_inference_summary/index.html b/docs/blog/04_inference_summary/index.html
index 2df2f84c..8623b166 100644
--- a/docs/blog/04_inference_summary/index.html
+++ b/docs/blog/04_inference_summary/index.html
@@ -320,7 +320,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1592,7 +1592,7 @@ <h3 id="paddlexhttpsaibaiducomai-docaistudiozlisojzjs"><a href="https://ai.baidu
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/blog/05_rec_dict_onnx/index.html b/docs/blog/05_rec_dict_onnx/index.html
index b53d710d..fa3f03b5 100644
--- a/docs/blog/05_rec_dict_onnx/index.html
+++ b/docs/blog/05_rec_dict_onnx/index.html
@@ -328,7 +328,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1621,7 +1621,7 @@ <h3 id="获取字典内容">获取字典内容 <a href="#%e8%8e%b7%e5%8f%96%e5%a
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/blog/06_custom_different_model/index.html b/docs/blog/06_custom_different_model/index.html
index 77b93782..205a637f 100644
--- a/docs/blog/06_custom_different_model/index.html
+++ b/docs/blog/06_custom_different_model/index.html
@@ -334,7 +334,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1604,7 +1604,7 @@ <h4 id="3-使用该模型">3. 使用该模型 <a href="#3-%e4%bd%bf%e7%94%a8%e8%
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/blog/index.html b/docs/blog/index.html
index 66cf9e41..6cb2fd4c 100644
--- a/docs/blog/index.html
+++ b/docs/blog/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1510,7 +1510,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/business_support/index.html b/docs/business_support/index.html
index 6465f0a6..bd7b3f34 100644
--- a/docs/business_support/index.html
+++ b/docs/business_support/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1531,7 +1531,7 @@ <h4 id="服务三国产操作系统ocr-docker部署">服务三：国产操作系
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/changelog/index.html b/docs/changelog/index.html
index 81351c2c..2b07dd22 100644
--- a/docs/changelog/index.html
+++ b/docs/changelog/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1476,7 +1476,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/changelog/rapidocr/index.html b/docs/changelog/rapidocr/index.html
index 2c6b8f01..c3b91026 100644
--- a/docs/changelog/rapidocr/index.html
+++ b/docs/changelog/rapidocr/index.html
@@ -326,7 +326,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1835,7 +1835,7 @@ <h4 id="2021-03-24-udpate">2021-03-24 udpate: <a href="#2021-03-24-udpate" class
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/changelog/rapidocr_api/index.html b/docs/changelog/rapidocr_api/index.html
index 59f5a995..ec9d2495 100644
--- a/docs/changelog/rapidocr_api/index.html
+++ b/docs/changelog/rapidocr_api/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1527,7 +1527,7 @@ <h4 id="2023-05-22-api-update">🍜2023-05-22 api update: <a href="#2023-05-22-a
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/changelog/rapidocr_paddle/index.html b/docs/changelog/rapidocr_paddle/index.html
index 1d3c1287..1e011e48 100644
--- a/docs/changelog/rapidocr_paddle/index.html
+++ b/docs/changelog/rapidocr_paddle/index.html
@@ -334,7 +334,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1563,7 +1563,7 @@ <h4 id="2023-10-23-v139-update">2023-10-23 v1.3.9 update: <a href="#2023-10-23-v
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/changelog/rapidocr_web/index.html b/docs/changelog/rapidocr_web/index.html
index b35196e6..2fc1af50 100644
--- a/docs/changelog/rapidocr_web/index.html
+++ b/docs/changelog/rapidocr_web/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1546,7 +1546,7 @@ <h4 id="2023-04-16-ocrweb-v011-update">🏸2023-04-16 ocrweb v0.1.1 update: <a h
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/communicate/index.html b/docs/communicate/index.html
index 9cc502ae..a34b46a6 100644
--- a/docs/communicate/index.html
+++ b/docs/communicate/index.html
@@ -326,7 +326,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1536,7 +1536,7 @@ <h3 id="推荐-加入qq频道">(推荐) 加入QQ频道 <a href="#%e6%8e%a8%e8%8d
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/faq/index.html b/docs/faq/index.html
index d583b9e2..7603b5f2 100644
--- a/docs/faq/index.html
+++ b/docs/faq/index.html
@@ -334,7 +334,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1584,7 +1584,7 @@ <h4 id="q-边缘总有一行文字无法识别怎么办">Q: 边缘总有一行
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/index.html b/docs/index.html
index f4327f00..a236f437 100644
--- a/docs/index.html
+++ b/docs/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1638,7 +1638,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/inference_engine/index.html b/docs/inference_engine/index.html
index a7bf9987..c1ecd6bf 100644
--- a/docs/inference_engine/index.html
+++ b/docs/inference_engine/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1442,7 +1442,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/inference_engine/onnxruntime/index.html b/docs/inference_engine/onnxruntime/index.html
index af4864c1..e075a652 100644
--- a/docs/inference_engine/onnxruntime/index.html
+++ b/docs/inference_engine/onnxruntime/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1450,7 +1450,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/inference_engine/onnxruntime/infer_optim/index.html b/docs/inference_engine/onnxruntime/infer_optim/index.html
index 22956c9b..359e2306 100644
--- a/docs/inference_engine/onnxruntime/infer_optim/index.html
+++ b/docs/inference_engine/onnxruntime/infer_optim/index.html
@@ -326,7 +326,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1867,7 +1867,7 @@ <h4 id="参考资料">参考资料 <a href="#%e5%8f%82%e8%80%83%e8%b5%84%e6%96%9
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/inference_engine/onnxruntime/onnxruntime-gpu/index.html b/docs/inference_engine/onnxruntime/onnxruntime-gpu/index.html
index aa2312d7..822a202f 100644
--- a/docs/inference_engine/onnxruntime/onnxruntime-gpu/index.html
+++ b/docs/inference_engine/onnxruntime/onnxruntime-gpu/index.html
@@ -324,7 +324,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1591,7 +1591,7 @@ <h3 id="相关对比表格">相关对比表格 <a href="#%e7%9b%b8%e5%85%b3%e5%a
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/inference_engine/openvino/index.html b/docs/inference_engine/openvino/index.html
index d8f1b35c..3f4dcf78 100644
--- a/docs/inference_engine/openvino/index.html
+++ b/docs/inference_engine/openvino/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1450,7 +1450,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/inference_engine/openvino/infer-gpu/index.html b/docs/inference_engine/openvino/infer-gpu/index.html
index cfd2a3f9..e8550e6f 100644
--- a/docs/inference_engine/openvino/infer-gpu/index.html
+++ b/docs/inference_engine/openvino/infer-gpu/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -745,7 +745,7 @@ <h1 class="content-title mb-0">
 		<a class="ms-auto" href="/RapidOCRDocs/docs/about_model/model_summary/">
 			<div class="card h-100 my-1 text-end">
 				<div class="card-body py-2">
-                    <p class="card-title fs-5 fw-semibold lh-base mb-0">不同版本模型之间比较 <i class="material-icons align-middle">navigate_next</i></p>
+                    <p class="card-title fs-5 fw-semibold lh-base mb-0">Benchmark: 不同版本模型之间比较 <i class="material-icons align-middle">navigate_next</i></p>
 					<p class="card-text me-2"></p>
 					
 				</div>
@@ -1502,7 +1502,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/inference_engine/openvino/infer/index.html b/docs/inference_engine/openvino/infer/index.html
index 4a43effe..70f8c36b 100644
--- a/docs/inference_engine/openvino/infer/index.html
+++ b/docs/inference_engine/openvino/infer/index.html
@@ -326,7 +326,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1754,7 +1754,7 @@ <h3 id="openvino与onnxruntime推理代码写法对比">OpenVINO与ONNXRuntime
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/index.html b/docs/install_usage/index.html
index 81e110a3..0c3e9fa7 100644
--- a/docs/install_usage/index.html
+++ b/docs/install_usage/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1476,7 +1476,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr/cli/index.html b/docs/install_usage/rapidocr/cli/index.html
index dbd2b218..798095c6 100644
--- a/docs/install_usage/rapidocr/cli/index.html
+++ b/docs/install_usage/rapidocr/cli/index.html
@@ -320,7 +320,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -813,26 +813,26 @@ <h3 id="使用示例">使用示例 <a href="#%e4%bd%bf%e7%94%a8%e7%a4%ba%e4%be%8
 		
 
 		<a class="nav-link  active"
-		   id="fbdceaTab" data-bs-toggle="tab" data-bs-target="#fbdcea"
-		   type="button" role="tab" aria-controls="fbdcea" aria-selected="true">图像预测</a>
+		   id="cfabdeTab" data-bs-toggle="tab" data-bs-target="#cfabde"
+		   type="button" role="tab" aria-controls="cfabde" aria-selected="true">图像预测</a>
 
 		
 
 		<a class="nav-link "
-		   id="dabefcTab" data-bs-toggle="tab" data-bs-target="#dabefc"
-		   type="button" role="tab" aria-controls="dabefc" aria-selected="true">只使用检测</a>
+		   id="dbeacfTab" data-bs-toggle="tab" data-bs-target="#dbeacf"
+		   type="button" role="tab" aria-controls="dbeacf" aria-selected="true">只使用检测</a>
 
 		
 
 		<a class="nav-link "
-		   id="cadfbeTab" data-bs-toggle="tab" data-bs-target="#cadfbe"
-		   type="button" role="tab" aria-controls="cadfbe" aria-selected="true">只使用识别</a>
+		   id="aebfcdTab" data-bs-toggle="tab" data-bs-target="#aebfcd"
+		   type="button" role="tab" aria-controls="aebfcd" aria-selected="true">只使用识别</a>
 
 		
 
 		<a class="nav-link "
-		   id="adecfbTab" data-bs-toggle="tab" data-bs-target="#adecfb"
-		   type="button" role="tab" aria-controls="adecfb" aria-selected="true">可视化查看</a>
+		   id="cdeabfTab" data-bs-toggle="tab" data-bs-target="#cdeabf"
+		   type="button" role="tab" aria-controls="cdeabf" aria-selected="true">可视化查看</a>
 
 		
 
@@ -848,7 +848,7 @@ <h3 id="使用示例">使用示例 <a href="#%e4%bd%bf%e7%94%a8%e7%a4%ba%e4%be%8
 
 
 
-<div class="tab-pane fade show active" id="fbdcea" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="cfabde" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -881,7 +881,7 @@ <h3 id="使用示例">使用示例 <a href="#%e4%bd%bf%e7%94%a8%e7%a4%ba%e4%be%8
 
 
 
-<div class="tab-pane fade" id="dabefc" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="dbeacf" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -914,7 +914,7 @@ <h3 id="使用示例">使用示例 <a href="#%e4%bd%bf%e7%94%a8%e7%a4%ba%e4%be%8
 
 
 
-<div class="tab-pane fade" id="cadfbe" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="aebfcd" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -947,7 +947,7 @@ <h3 id="使用示例">使用示例 <a href="#%e4%bd%bf%e7%94%a8%e7%a4%ba%e4%be%8
 
 
 
-<div class="tab-pane fade" id="adecfb" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="cdeabf" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1803,7 +1803,7 @@ <h3 id="使用示例">使用示例 <a href="#%e4%bd%bf%e7%94%a8%e7%a4%ba%e4%be%8
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr/index.html b/docs/install_usage/rapidocr/index.html
index 9fd39ceb..b962db3f 100644
--- a/docs/install_usage/rapidocr/index.html
+++ b/docs/install_usage/rapidocr/index.html
@@ -317,7 +317,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1468,7 +1468,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr/install/index.html b/docs/install_usage/rapidocr/install/index.html
index 2c086efc..f7e2fc09 100644
--- a/docs/install_usage/rapidocr/install/index.html
+++ b/docs/install_usage/rapidocr/install/index.html
@@ -336,7 +336,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1703,7 +1703,7 @@ <h4 id="安装">安装 <a href="#%e5%ae%89%e8%a3%85" class="anchor" aria-hidden=
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr/usage/index.html b/docs/install_usage/rapidocr/usage/index.html
index d18f9ccb..b77a482e 100644
--- a/docs/install_usage/rapidocr/usage/index.html
+++ b/docs/install_usage/rapidocr/usage/index.html
@@ -326,7 +326,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -860,32 +860,32 @@ <h3 id="输入">输入 <a href="#%e8%be%93%e5%85%a5" class="anchor" aria-hidden=
 		
 
 		<a class="nav-link  active"
-		   id="fedcbaTab" data-bs-toggle="tab" data-bs-target="#fedcba"
-		   type="button" role="tab" aria-controls="fedcba" aria-selected="true">str</a>
+		   id="bfcaedTab" data-bs-toggle="tab" data-bs-target="#bfcaed"
+		   type="button" role="tab" aria-controls="bfcaed" aria-selected="true">str</a>
 
 		
 
 		<a class="nav-link "
-		   id="bdacfeTab" data-bs-toggle="tab" data-bs-target="#bdacfe"
-		   type="button" role="tab" aria-controls="bdacfe" aria-selected="true">np.ndarray</a>
+		   id="fdecabTab" data-bs-toggle="tab" data-bs-target="#fdecab"
+		   type="button" role="tab" aria-controls="fdecab" aria-selected="true">np.ndarray</a>
 
 		
 
 		<a class="nav-link "
-		   id="bfdcaeTab" data-bs-toggle="tab" data-bs-target="#bfdcae"
-		   type="button" role="tab" aria-controls="bfdcae" aria-selected="true">PIL.Image.Image</a>
+		   id="dcbefaTab" data-bs-toggle="tab" data-bs-target="#dcbefa"
+		   type="button" role="tab" aria-controls="dcbefa" aria-selected="true">PIL.Image.Image</a>
 
 		
 
 		<a class="nav-link "
-		   id="deafbcTab" data-bs-toggle="tab" data-bs-target="#deafbc"
-		   type="button" role="tab" aria-controls="deafbc" aria-selected="true">Bytes</a>
+		   id="bdafecTab" data-bs-toggle="tab" data-bs-target="#bdafec"
+		   type="button" role="tab" aria-controls="bdafec" aria-selected="true">Bytes</a>
 
 		
 
 		<a class="nav-link "
-		   id="ceabfdTab" data-bs-toggle="tab" data-bs-target="#ceabfd"
-		   type="button" role="tab" aria-controls="ceabfd" aria-selected="true">Path</a>
+		   id="bcfdeaTab" data-bs-toggle="tab" data-bs-target="#bcfdea"
+		   type="button" role="tab" aria-controls="bcfdea" aria-selected="true">Path</a>
 
 		
 
@@ -901,7 +901,7 @@ <h3 id="输入">输入 <a href="#%e8%be%93%e5%85%a5" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade show active" id="fedcba" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="bfcaed" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -941,7 +941,7 @@ <h3 id="输入">输入 <a href="#%e8%be%93%e5%85%a5" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="bdacfe" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="fdecab" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -981,7 +981,7 @@ <h3 id="输入">输入 <a href="#%e8%be%93%e5%85%a5" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="bfdcae" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="dcbefa" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1021,7 +1021,7 @@ <h3 id="输入">输入 <a href="#%e8%be%93%e5%85%a5" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="deafbc" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="bdafec" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1063,7 +1063,7 @@ <h3 id="输入">输入 <a href="#%e8%be%93%e5%85%a5" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="ceabfd" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="bcfdea" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1115,38 +1115,38 @@ <h3 id="输出">输出 <a href="#%e8%be%93%e5%87%ba" class="anchor" aria-hidden=
 		
 
 		<a class="nav-link  active"
-		   id="cdbfeaTab" data-bs-toggle="tab" data-bs-target="#cdbfea"
-		   type="button" role="tab" aria-controls="cdbfea" aria-selected="true">只有检测</a>
+		   id="dfaebcTab" data-bs-toggle="tab" data-bs-target="#dfaebc"
+		   type="button" role="tab" aria-controls="dfaebc" aria-selected="true">只有检测</a>
 
 		
 
 		<a class="nav-link "
-		   id="bdfecaTab" data-bs-toggle="tab" data-bs-target="#bdfeca"
-		   type="button" role="tab" aria-controls="bdfeca" aria-selected="true">只有分类</a>
+		   id="fcbeadTab" data-bs-toggle="tab" data-bs-target="#fcbead"
+		   type="button" role="tab" aria-controls="fcbead" aria-selected="true">只有分类</a>
 
 		
 
 		<a class="nav-link "
-		   id="dbfeacTab" data-bs-toggle="tab" data-bs-target="#dbfeac"
-		   type="button" role="tab" aria-controls="dbfeac" aria-selected="true">只有识别</a>
+		   id="edbcafTab" data-bs-toggle="tab" data-bs-target="#edbcaf"
+		   type="button" role="tab" aria-controls="edbcaf" aria-selected="true">只有识别</a>
 
 		
 
 		<a class="nav-link "
-		   id="bdefcaTab" data-bs-toggle="tab" data-bs-target="#bdefca"
-		   type="button" role="tab" aria-controls="bdefca" aria-selected="true">检测 &#43; 识别</a>
+		   id="bfadecTab" data-bs-toggle="tab" data-bs-target="#bfadec"
+		   type="button" role="tab" aria-controls="bfadec" aria-selected="true">检测 &#43; 识别</a>
 
 		
 
 		<a class="nav-link "
-		   id="acbfedTab" data-bs-toggle="tab" data-bs-target="#acbfed"
-		   type="button" role="tab" aria-controls="acbfed" aria-selected="true">分类 &#43; 识别</a>
+		   id="acedbfTab" data-bs-toggle="tab" data-bs-target="#acedbf"
+		   type="button" role="tab" aria-controls="acedbf" aria-selected="true">分类 &#43; 识别</a>
 
 		
 
 		<a class="nav-link "
-		   id="cedafbTab" data-bs-toggle="tab" data-bs-target="#cedafb"
-		   type="button" role="tab" aria-controls="cedafb" aria-selected="true">检测 &#43; 分类 &#43; 识别</a>
+		   id="abcfedTab" data-bs-toggle="tab" data-bs-target="#abcfed"
+		   type="button" role="tab" aria-controls="abcfed" aria-selected="true">检测 &#43; 分类 &#43; 识别</a>
 
 		
 
@@ -1162,7 +1162,7 @@ <h3 id="输出">输出 <a href="#%e8%be%93%e5%87%ba" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade show active" id="cdbfea" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="dfaebc" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1226,7 +1226,7 @@ <h3 id="输出">输出 <a href="#%e8%be%93%e5%87%ba" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="bdfeca" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="fcbead" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1289,7 +1289,7 @@ <h3 id="输出">输出 <a href="#%e8%be%93%e5%87%ba" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="dbfeac" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="edbcaf" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1355,7 +1355,7 @@ <h3 id="输出">输出 <a href="#%e8%be%93%e5%87%ba" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="bdefca" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="bfadec" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1422,7 +1422,7 @@ <h3 id="输出">输出 <a href="#%e8%be%93%e5%87%ba" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="acbfed" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="acedbf" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1488,7 +1488,7 @@ <h3 id="输出">输出 <a href="#%e8%be%93%e5%87%ba" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="cedafb" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="abcfed" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1578,14 +1578,14 @@ <h3 id="可视化查看结果">可视化查看结果 <a href="#%e5%8f%af%e8%a7%8
 		
 
 		<a class="nav-link  active"
-		   id="edafcbTab" data-bs-toggle="tab" data-bs-target="#edafcb"
-		   type="button" role="tab" aria-controls="edafcb" aria-selected="true">只可视化检测</a>
+		   id="ecbadfTab" data-bs-toggle="tab" data-bs-target="#ecbadf"
+		   type="button" role="tab" aria-controls="ecbadf" aria-selected="true">只可视化检测</a>
 
 		
 
 		<a class="nav-link "
-		   id="eadbcfTab" data-bs-toggle="tab" data-bs-target="#eadbcf"
-		   type="button" role="tab" aria-controls="eadbcf" aria-selected="true">可视化检测和识别</a>
+		   id="abcefdTab" data-bs-toggle="tab" data-bs-target="#abcefd"
+		   type="button" role="tab" aria-controls="abcefd" aria-selected="true">可视化检测和识别</a>
 
 		
 
@@ -1601,7 +1601,7 @@ <h3 id="可视化查看结果">可视化查看结果 <a href="#%e5%8f%af%e8%a7%8
 
 
 
-<div class="tab-pane fade show active" id="edafcb" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="ecbadf" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1647,7 +1647,7 @@ <h3 id="可视化查看结果">可视化查看结果 <a href="#%e5%8f%af%e8%a7%8
 
 
 
-<div class="tab-pane fade" id="eadbcf" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="abcefd" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -2518,7 +2518,7 @@ <h3 id="可视化查看结果">可视化查看结果 <a href="#%e5%8f%af%e8%a7%8
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr_api/index.html b/docs/install_usage/rapidocr_api/index.html
index cfea7e9d..f23d677b 100644
--- a/docs/install_usage/rapidocr_api/index.html
+++ b/docs/install_usage/rapidocr_api/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -838,14 +838,14 @@ <h4 id="python调用">Python调用 <a href="#python%e8%b0%83%e7%94%a8" class="an
 		
 
 		<a class="nav-link  active"
-		   id="efdbcaTab" data-bs-toggle="tab" data-bs-target="#efdbca"
-		   type="button" role="tab" aria-controls="efdbca" aria-selected="true">以文件方式发送POST请求</a>
+		   id="cbedafTab" data-bs-toggle="tab" data-bs-target="#cbedaf"
+		   type="button" role="tab" aria-controls="cbedaf" aria-selected="true">以文件方式发送POST请求</a>
 
 		
 
 		<a class="nav-link "
-		   id="bdefcaTab" data-bs-toggle="tab" data-bs-target="#bdefca"
-		   type="button" role="tab" aria-controls="bdefca" aria-selected="true">以base64方式发送POST请求</a>
+		   id="abdecfTab" data-bs-toggle="tab" data-bs-target="#abdecf"
+		   type="button" role="tab" aria-controls="abdecf" aria-selected="true">以base64方式发送POST请求</a>
 
 		
 
@@ -861,7 +861,7 @@ <h4 id="python调用">Python调用 <a href="#python%e8%b0%83%e7%94%a8" class="an
 
 
 
-<div class="tab-pane fade show active" id="efdbca" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="cbedaf" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -903,7 +903,7 @@ <h4 id="python调用">Python调用 <a href="#python%e8%b0%83%e7%94%a8" class="an
 
 
 
-<div class="tab-pane fade" id="bdefca" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="abdecf" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1888,7 +1888,7 @@ <h3 id="api输出">API输出 <a href="#api%e8%be%93%e5%87%ba" class="anchor" ari
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr_paddle/index.html b/docs/install_usage/rapidocr_paddle/index.html
index edc215f8..09d1e46b 100644
--- a/docs/install_usage/rapidocr_paddle/index.html
+++ b/docs/install_usage/rapidocr_paddle/index.html
@@ -330,7 +330,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -788,14 +788,14 @@ <h4 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 		
 
 		<a class="nav-link  active"
-		   id="fabdecTab" data-bs-toggle="tab" data-bs-target="#fabdec"
-		   type="button" role="tab" aria-controls="fabdec" aria-selected="true">CPU端推理</a>
+		   id="feacdbTab" data-bs-toggle="tab" data-bs-target="#feacdb"
+		   type="button" role="tab" aria-controls="feacdb" aria-selected="true">CPU端推理</a>
 
 		
 
 		<a class="nav-link "
-		   id="cedbfaTab" data-bs-toggle="tab" data-bs-target="#cedbfa"
-		   type="button" role="tab" aria-controls="cedbfa" aria-selected="true">GPU端推理</a>
+		   id="efbdacTab" data-bs-toggle="tab" data-bs-target="#efbdac"
+		   type="button" role="tab" aria-controls="efbdac" aria-selected="true">GPU端推理</a>
 
 		
 
@@ -811,7 +811,7 @@ <h4 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade show active" id="fabdec" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="feacdb" role="tabpanel" aria-labelledby="nav-1">
 
 	<p>前提是安装了CPU版的PaddlePaddle</p>
 
@@ -854,7 +854,7 @@ <h4 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="cedbfa" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="efbdac" role="tabpanel" aria-labelledby="nav-1">
 
 	<p>前提是安装了GPU版的PaddlePaddle，注意在实例化<code>RapidOCR</code>类时，需要通过参数显式指定使用GPU。</p>
 
@@ -1753,7 +1753,7 @@ <h4 id="推理速度比较">推理速度比较 <a href="#%e6%8e%a8%e7%90%86%e9%8
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr_web/desktop_usage/index.html b/docs/install_usage/rapidocr_web/desktop_usage/index.html
index 8a6fa956..bb4a785a 100644
--- a/docs/install_usage/rapidocr_web/desktop_usage/index.html
+++ b/docs/install_usage/rapidocr_web/desktop_usage/index.html
@@ -326,7 +326,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1725,7 +1725,7 @@ <h4 id="使用步骤">使用步骤 <a href="#%e4%bd%bf%e7%94%a8%e6%ad%a5%e9%aa%a
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr_web/index.html b/docs/install_usage/rapidocr_web/index.html
index 203cface..3409d7a7 100644
--- a/docs/install_usage/rapidocr_web/index.html
+++ b/docs/install_usage/rapidocr_web/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1501,7 +1501,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr_web/nuitka_package/index.html b/docs/install_usage/rapidocr_web/nuitka_package/index.html
index 4d1c6b02..da1d3883 100644
--- a/docs/install_usage/rapidocr_web/nuitka_package/index.html
+++ b/docs/install_usage/rapidocr_web/nuitka_package/index.html
@@ -332,7 +332,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1741,7 +1741,7 @@ <h4 id="补充">补充 <a href="#%e8%a1%a5%e5%85%85" class="anchor" aria-hidden=
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr_web/ocrweb_multi/index.html b/docs/install_usage/rapidocr_web/ocrweb_multi/index.html
index 04c67bd8..91b5f25d 100644
--- a/docs/install_usage/rapidocr_web/ocrweb_multi/index.html
+++ b/docs/install_usage/rapidocr_web/ocrweb_multi/index.html
@@ -320,7 +320,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1696,7 +1696,7 @@ <h3 id="运行步骤">运行步骤 <a href="#%e8%bf%90%e8%a1%8c%e6%ad%a5%e9%aa%a
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr_web/pyinstaller/index.html b/docs/install_usage/rapidocr_web/pyinstaller/index.html
index f49362c6..e808b635 100644
--- a/docs/install_usage/rapidocr_web/pyinstaller/index.html
+++ b/docs/install_usage/rapidocr_web/pyinstaller/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1499,7 +1499,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/install_usage/rapidocr_web/rapidocr_web/index.html b/docs/install_usage/rapidocr_web/rapidocr_web/index.html
index e85c63b4..bb1c2d67 100644
--- a/docs/install_usage/rapidocr_web/rapidocr_web/index.html
+++ b/docs/install_usage/rapidocr_web/rapidocr_web/index.html
@@ -328,7 +328,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1641,7 +1641,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/online_demo/index.html b/docs/online_demo/index.html
index b8fbcd66..df04b689 100644
--- a/docs/online_demo/index.html
+++ b/docs/online_demo/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1545,7 +1545,7 @@ <h4 id="在线demo">在线Demo <a href="#%e5%9c%a8%e7%ba%bfdemo" class="anchor"
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/other_programing_lan/index.html b/docs/other_programing_lan/index.html
index ba836b4b..bbf3d951 100644
--- a/docs/other_programing_lan/index.html
+++ b/docs/other_programing_lan/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1541,7 +1541,7 @@ <h4 id="net范例chttpsgithubcomrapidairapidocrcsharp"><a href="https://github.c
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/overview/index.html b/docs/overview/index.html
index 40861e9a..4f7313a5 100644
--- a/docs/overview/index.html
+++ b/docs/overview/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1580,7 +1580,7 @@ <h3 id="相关产品概览图">相关产品概览图 <a href="#%e7%9b%b8%e5%85%b
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/quickstart/index.html b/docs/quickstart/index.html
index dd790b7e..1275a8a5 100644
--- a/docs/quickstart/index.html
+++ b/docs/quickstart/index.html
@@ -319,7 +319,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -719,14 +719,14 @@ <h3 id="2-使用">2. 使用 <a href="#2-%e4%bd%bf%e7%94%a8" class="anchor" aria-
 		
 
 		<a class="nav-link  active"
-		   id="cafdbeTab" data-bs-toggle="tab" data-bs-target="#cafdbe"
-		   type="button" role="tab" aria-controls="cafdbe" aria-selected="true">终端使用</a>
+		   id="bdacefTab" data-bs-toggle="tab" data-bs-target="#bdacef"
+		   type="button" role="tab" aria-controls="bdacef" aria-selected="true">终端使用</a>
 
 		
 
 		<a class="nav-link "
-		   id="dacefbTab" data-bs-toggle="tab" data-bs-target="#dacefb"
-		   type="button" role="tab" aria-controls="dacefb" aria-selected="true">Python使用</a>
+		   id="cefbdaTab" data-bs-toggle="tab" data-bs-target="#cefbda"
+		   type="button" role="tab" aria-controls="cefbda" aria-selected="true">Python使用</a>
 
 		
 
@@ -742,7 +742,7 @@ <h3 id="2-使用">2. 使用 <a href="#2-%e4%bd%bf%e7%94%a8" class="anchor" aria-
 
 
 
-<div class="tab-pane fade show active" id="cafdbe" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="bdacef" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -775,7 +775,7 @@ <h3 id="2-使用">2. 使用 <a href="#2-%e4%bd%bf%e7%94%a8" class="anchor" aria-
 
 
 
-<div class="tab-pane fade" id="dacefb" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="cefbda" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1677,7 +1677,7 @@ <h3 id="3-查看效果">3. 查看效果 <a href="#3-%e6%9f%a5%e7%9c%8b%e6%95%88%
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/related_projects/derivatives_projects/index.html b/docs/related_projects/derivatives_projects/index.html
index befbde3d..ffd0f162 100644
--- a/docs/related_projects/derivatives_projects/index.html
+++ b/docs/related_projects/derivatives_projects/index.html
@@ -318,7 +318,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1537,7 +1537,7 @@ <h4 id="rapidocrserverhttpsgithubcomphystonrapidocrserverrapidocr-http服务win3
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/related_projects/index.html b/docs/related_projects/index.html
index e6432c93..0a69715c 100644
--- a/docs/related_projects/index.html
+++ b/docs/related_projects/index.html
@@ -316,7 +316,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1442,7 +1442,7 @@ <h1 class="content-title mb-0">
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/related_projects/related_projects/index.html b/docs/related_projects/related_projects/index.html
index bc78c560..35406714 100644
--- a/docs/related_projects/related_projects/index.html
+++ b/docs/related_projects/related_projects/index.html
@@ -334,7 +334,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1689,7 +1689,7 @@ <h3 id="印章ocr">印章OCR <a href="#%e5%8d%b0%e7%ab%a0ocr" class="anchor" ari
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/docs/sponsor/index.html b/docs/sponsor/index.html
index 9db6722f..b6a6736d 100644
--- a/docs/sponsor/index.html
+++ b/docs/sponsor/index.html
@@ -324,7 +324,7 @@
                                     
                                         
                                         
-                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">不同版本模型之间比较</a></li>
+                                            <li class=" "><a class="sidebar-nested-link" href="https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/">Benchmark: 不同版本模型之间比较</a></li>
                                         
                                     
                                         
@@ -1540,7 +1540,7 @@ <h4 id="buy-me-a-coffee">Buy me a Coffee <a href="#buy-me-a-coffee" class="ancho
             {
                 id:  27 ,
                 href: "\/RapidOCRDocs\/docs\/about_model\/model_summary\/",
-                title: "不同版本模型之间比较",
+                title: "Benchmark: 不同版本模型之间比较",
                 description: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.",
                 content: "各个版本ONNX模型效果对比(仅供参考) link notifications 以下测试结果均在自己构建测试集上评测所得，不代表在其他测试集上结果也是如此。 文本检测模型 link notifications 以下表格中推理时间是基于MacBook Pro M2运行所得，不同机器会有差别，请侧重查看彼此之间的比较。 评测采用的是TextDetMetric库 + text_det_test_dataset，详情可以移步AI Studio运行查看。\n指标计算都是在相同参数下计算得来，差别仅在于模型文件不同。对应模型下载地址：link。\n模型 模型大小 Precision Recall H-mean Speed(s/img) ch_PP-OCRv4_det_infer.onnx 4.5M 0.8300 0.8659 0.8476 0.2256 ch_PP-OCRv3_det_infer.onnx 2.3M 0.8021 0.8457 0.8234 0.1660 ch_PP-OCRv2_det_infer.onnx 2.2M 0.7579 0.8010 0.7788 0.1570 ch_PP-OCRv4_det_server_infer.onnx 108M 0.7922 0.8533 0.8216 3.9093 ch_ppocr_server_v2.0_det_infer.onnx 47M 0.7298 0.8128 0.7691 0.7419 damo/cv_proxylessnas_ocr-detection-db-line-level_damo 5.8M 0.7666 0.8128 0.7890 0.6636 damo/cv_resnet18_ocr-detection-db-line-level_damo 47.2M 0.7749 0.8167 0.7952 0.4121 damo/cv_resnet18_ocr-detection-line-level_damo 未跑通 312M - - - - 文本识别模型 link 测试集: 自己构建中英文(168个) 输入Shape: v2: [3, 32, 320] v3~v4: [3, 48, 320] 模型 对应PaddleOCR分支 模型大小 Exact Match Char Match Score Speed(s/img) ch_PP-OCRv4_rec_infer.onnx release/v2.7 10M 0.5655 0.9261 0.7458 0.0218 ch_PP-OCRv4_rec_server_infer.onnx release/v2.7 86M 0.6310 0.9382 0.7846 0.1622 ch_PP-OCRv3_rec_infer.onnx release/v2.6 10M 0.5893 0.9209 0.7551 0.0183 ch_PP-OCRv2_rec_infer.onnx release/v2.3 8.0M 0.4881 0.9029 0.6955 0.0193 ch_ppocr_mobile_v2.0_rec_infer.onnx release/v2.0 4.3M 0.5595 0.8979 0.7287 0.0045 指标说明 link Exact Match (精确匹配准确率) Char Match (字符级准确率) Score(两者综合) $$ Exact\\ Match = \\frac{1}{N}\\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = \\begin{cases} 1 \u0026 \\text{if } p_{i} = g_{i} \\ 0 \u0026 \\text{otherwise } \\end{cases} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $$ Char\\ Match = 1 - \\frac{1}{N} \\sum_{i=0}^{N} s(p_{i}, g_{i}) $$\n$$ s(p_{i}, g_{i}) = 1 - NL(p_{i}, g_{i}) $$\n$$ NL(p_{i}, g_{i}) = \\frac{Levenshtein(p_{i}, g_{i})}{\\max \\big(len(p_{i}), len(g_{i}) \\big)} $$\n$N$: 总的文本行个数 $p_{i}$: 第 $i$ 条文本行识别结果 $g_{i}$: 第 $i$ 条文本行对应的真实标签 $Levenshtein(x, y)$: 求字符串 $x$ 和字符串 $y$ 的编辑距离 $max(x, y)$: 求 $x$ 和 $y$ 的最大值 $len(x)$: 求所给字符串 $x$ 的长度 $$ Score = \\frac{1}{2}(Exact\\ Match + Char\\ Match) $$\n"
             }
diff --git a/index.xml b/index.xml
index 53eeacee..6bf1f15c 100644
--- a/index.xml
+++ b/index.xml
@@ -227,7 +227,7 @@ Linux | AMD R9 5950X | NVIDIA GeForce RTX 3090&amp;#160;&amp;#x21a9;&amp;#xfe0e;
     </item>
     
     <item>
-      <title>不同版本模型之间比较</title>
+      <title>Benchmark: 不同版本模型之间比较</title>
       <link>https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/</link>
       <pubDate>Thu, 29 Sep 2022 00:00:00 +0000</pubDate>
       
diff --git a/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_18385201140982992681.png b/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_18385201140982992681.png
new file mode 100644
index 00000000..b6b63836
Binary files /dev/null and b/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_18385201140982992681.png differ
diff --git a/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_7835501747438213800.png b/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_7835501747438213800.png
deleted file mode 100644
index 2afbff80..00000000
Binary files a/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_7835501747438213800.png and /dev/null differ
diff --git a/sitemap.xml b/sitemap.xml
index 243eaaad..620d9b58 100644
--- a/sitemap.xml
+++ b/sitemap.xml
@@ -84,7 +84,7 @@
     <lastmod>2023-09-28T08:38:57+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/RapidOCRDocs/docs/about_model/model_summary/</loc>
-    <lastmod>2024-04-09T15:18:34+08:00</lastmod>
+    <lastmod>2024-04-09T15:22:41+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/RapidOCRDocs/docs/about_model/support_language/</loc>
     <lastmod>2023-09-28T08:38:57+08:00</lastmod>
@@ -147,7 +147,7 @@
     <lastmod>2024-03-04T15:21:12+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/RapidOCRDocs/</loc>
-    <lastmod>2024-04-09T15:18:34+08:00</lastmod>
+    <lastmod>2024-04-09T15:22:41+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/RapidOCRDocs/categories/</loc>
   </url><url>