From b98eaa5218d7facd589150edc8577b2172033a71 Mon Sep 17 00:00:00 2001
From: SWHL <SWHL@users.noreply.github.com>
Date: Tue, 9 Apr 2024 07:23:28 +0000
Subject: [PATCH] deploy: d8e5f366dc68e93c85cb1fa2bc4098db736cf771

---
 docs/about_model/convert_model/index.html     |   4 +-
 docs/about_model/index.html                   |   6 +-
 docs/about_model/index.xml                    |   2 +-
 docs/about_model/model_summary/index.html     |  46 +++++-----
 docs/about_model/support_language/index.html  |   6 +-
 docs/blog/01_optim_tutorial/index.html        |   4 +-
 docs/blog/02_config_parameter/index.html      |   4 +-
 docs/blog/03_which_inference/index.html       |   4 +-
 docs/blog/04_inference_summary/index.html     |   4 +-
 docs/blog/05_rec_dict_onnx/index.html         |   4 +-
 .../blog/06_custom_different_model/index.html |   4 +-
 docs/blog/index.html                          |   4 +-
 docs/business_support/index.html              |   4 +-
 docs/changelog/index.html                     |   4 +-
 docs/changelog/rapidocr/index.html            |   4 +-
 docs/changelog/rapidocr_api/index.html        |   4 +-
 docs/changelog/rapidocr_paddle/index.html     |   4 +-
 docs/changelog/rapidocr_web/index.html        |   4 +-
 docs/communicate/index.html                   |   4 +-
 docs/faq/index.html                           |   4 +-
 docs/index.html                               |   4 +-
 docs/inference_engine/index.html              |   4 +-
 docs/inference_engine/onnxruntime/index.html  |   4 +-
 .../onnxruntime/infer_optim/index.html        |   4 +-
 .../onnxruntime/onnxruntime-gpu/index.html    |   4 +-
 docs/inference_engine/openvino/index.html     |   4 +-
 .../openvino/infer-gpu/index.html             |   6 +-
 .../openvino/infer/index.html                 |   4 +-
 docs/install_usage/index.html                 |   4 +-
 docs/install_usage/rapidocr/cli/index.html    |  28 +++---
 docs/install_usage/rapidocr/index.html        |   4 +-
 .../install_usage/rapidocr/install/index.html |   4 +-
 docs/install_usage/rapidocr/usage/index.html  |  82 +++++++++---------
 docs/install_usage/rapidocr_api/index.html    |  16 ++--
 docs/install_usage/rapidocr_paddle/index.html |  16 ++--
 .../rapidocr_web/desktop_usage/index.html     |   4 +-
 docs/install_usage/rapidocr_web/index.html    |   4 +-
 .../rapidocr_web/nuitka_package/index.html    |   4 +-
 .../rapidocr_web/ocrweb_multi/index.html      |   4 +-
 .../rapidocr_web/pyinstaller/index.html       |   4 +-
 .../rapidocr_web/rapidocr_web/index.html      |   4 +-
 docs/online_demo/index.html                   |   4 +-
 docs/other_programing_lan/index.html          |   4 +-
 docs/overview/index.html                      |   4 +-
 docs/quickstart/index.html                    |  16 ++--
 .../derivatives_projects/index.html           |   4 +-
 docs/related_projects/index.html              |   4 +-
 .../related_projects/index.html               |   4 +-
 docs/sponsor/index.html                       |   4 +-
 index.xml                                     |   2 +-
 ...6b2f_17642_filter_18385201140982992681.png | Bin 0 -> 38397 bytes
 ...66b2f_17642_filter_7835501747438213800.png | Bin 31399 -> 0 bytes
 sitemap.xml                                   |   4 +-
 53 files changed, 193 insertions(+), 193 deletions(-)
 create mode 100644 opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_18385201140982992681.png
 delete mode 100644 opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_7835501747438213800.png

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 0000000000000000000000000000000000000000..b6b63836d0ad6ed722bfebef42f1dc27e7b5bfa7
GIT binary patch
literal 38397
zcmd?RbyQV-v@VSLf{KVmNJ~hEfOIL+-Q6uM!lpq*Kw3aRT0mO5y9A^KHl2ciG)VV1
zH}5(3-haOFjd90!&KP&xf7pAo*V=2XU(ET;XU=B^D9DN5#w5f<LqoeQDIubShW1Y(
z8roIFjjQmVMvAptXlQTHBt@R9xFoDixh4>+R&8x3t$4;JEo-v9|Nb6L_#^(<yW)q>
z?mxohdZUP=z<KY<x70@;|GC<Me)S>e^Sl3i^1Sus>izH=RgdtmXfo&CEw_%8lxG=q
zcN(cpmT67RaL>rd%yhRrMsA*TkO|Z!c+u;s$_p$d<T&i^?~lVxprH*@#*$pVX(YyZ
zk9uRE_&;ACs!&9QwmvWuzoNp7C;xSTpd=0Ljgg54l8^111hLumH>~tDUB5Q6j=$7#
zm>{?t3q@16T_|3bjA?1dT@x%A`-RqM_V3XKIZuQ?cP!@IlN3-q{!Aij<6C3A;-kV#
z>2XJ)Uf~Jf`~K)i(~=iic`}@ti}W0J0d-AUhG8n-d4pv9aPJeSS(|8tYrsEz-#v-y
zbwv2`)ikRe_9@W?4vY;=jSVqvQP3#8JlkNr9~4h0XY*KTnPZicO6g_EH3ESE6*t|b
zHVKvA$sDm#FT-#}@0}d1udSSW*kq>D``c5Mn|a1;iR)_laqxZYf8mFVMW7~OqOl#E
z^+*LrbSm7mxGG5`$4xQh<u3_Fnl2vA4NURw&~&wdGd{+hqjy=?^~P%x?VVMSri{fe
zOV*`Twndaye?92VIQ_I1lN=#wIH*cRsIIPC6ehGg7hpo4sK{{r?RBzUf?-~o_;5o}
zVYqHW+@luEmm=tf@)S{hc5-d~E@6!UnvorgrDG(q)^bR>@PT|y#Tv2QcH(Bc^&E+{
zpfQpn7vUeahXX?#G+n|QUv_s84#kWsq>}QAIC;D)?vus{k+S<iG(QT>#8n=cXuO3h
z8D(Q>yFUNSf|Gj2UNnA(syx*vEQyr0##^|jY0)69ef@8x?v)00B)gyTaxkJc-S#Ne
z%v82s;ivOj0Po<7h_8zV#*Ldp!@q9MxAUwaO6GIwlg<TxUR4*5OA?Xt4vvz@@a4bT
zfsZNLa?3=+@S~xqs2^@{I-B)^I>C_LQjQE~3=7VC9U7JN8ul_}ky=p%Pa<<>NeA8&
zzK`Rb(Nvilwe5q`mP*`dDUQy=krEi!yds;kaXF-8Nm?yv$0-+fd^Py{ac~e_syOM6
zcxv+UY)Im#bg5b$3xP``;fB7?{cu&6X=w?{^EK&PLM=M8+Sen#vS@9&3J7C|S`lNr
zH*Pv{bJEbn4AM;_Z0Y1;lpC;5YDpVr%n=G4nR$(tLi&v~=M=ZPmz-9eo0&6}*AngJ
zdhtm<R3^wZ=r{J`N=8Vrf6Kl%L`<Oe1h2a=0{P4jSMsGF2S>uV<)8I+4n7Rj4tjGl
z$DT|W_3oKK>Z5;9Z-V~oU%y?8wPx0*{Y=uD)!9)zgr{k6BupOJ6H9`wKrX7tSoxqF
z`__3SY@?5cin!P%*BZYVZHrJubuMvjmOYmI>pGQ}Vg^&1qQd(ih{mD#o4~yN=!EtQ
z=FCB4r9yy5%H5!YuLGK*ib!)RNlQ$OcUKz5Qic>LqU5NRwcKDPLqg8q^jRTvvP9&f
zDf=tW4Z0Q_Inluiw8Q!6CK_zkx<pS}{Nj9!GUG+)rv@XD!-j0uxU9n52)e-31^T?0
zapVU}=EROauZJ>p_3CE}CwhWzP)0~(l<B1Bx70}$z`#eR(u(fAkc*D&_>}!T#es)M
zzjUOhqqwWJzvRY`LX%N9^*F;@uHo0chOlz={W}U(RbnXL^Jw;(yk2$`Tfg_JMpv*v
zyf!gzV!ilr#IZTQZH()$V809lV~W^ep?L@1$C8b<x15M2PX^}^Cue$1!-oD-q+9Mm
zUJ3;xHhLl)nb>c|QeT}#>fIBM{OkL!K7RODp}PR-c3Y1JsdME8JFJ<)^->%HH5C&L
zWuF{2wr_!0+DuNGck%X`G6!Py(ktj5KH<n(nfT;Gg7CyQQ!ea>hwe43;JQwfwoSSo
z+a|`EiSJjFb}Ym`mN2n?pHVl8)Z1l}`PULP`nB^U5v7K)Ky~Ud>v9t|k`Xc)bDJZN
z=e3WcsIvcjltv0fkX~MSha%@D8zVt^;7YN%#36^?14~THuy~)4x%FNt4h#=1|Mafq
z(q5!}ObN5Qd2qJw=N03<U5pY+!rN-2)>Elr=@!DW&vVzqe-vJ&Yzcgi#js+w`qbDd
zuj^f*<D1b<{MVU_J8nn@`+rXLws|eCQ%Nd`y9c!x#!zLKrFX2^TR#5j9kN%cE8IJw
zcrdlHZJNbn5q?cJd1R2-`V&>hJR+caEIPjkzV0V8bDhi&-N!3wA-H{Mq|jennnT#K
zqE_E#Hgor4ICuAl7dS|(o5NLR2(T^hyv<sDPp@A%`En*OmA0<#Doa@^?JB1=GD9GE
z)8c`PdOodGy~16WE7w1<;C%JNPz)1BmN=HWYBFcO_7IOByEmjD7tK_5HPWzE%n$b_
z*!r|&!_~cpVh-fj{IeC&#vbg<@_(kS?ubQD6~$;pP}z*Xu#zqrt#Ocy_^#J@1q|QY
z*HJxYw+?G9xoW8-*KNp4TC$mP^BT4Ma4YZVQ6lmQ?h>d`nP`xQc=_dx+!F@#e{fQV
zH+lb&Ujie8RKZqExliL<z*pRS69d_Bi`t@o7Q_M?7-+>!G4_^W=jS(279;EPkNG^*
z8?<Zx(;uTg{;&S||Bla2I(HXMc!&e&1C0=mp80|km5c5Py_)qgl{VZWA+hk|kHRcx
zfEi_qy@jFuM{zmIIOz<;9ZR>Wbi7bg{tK-oTFRWFzp}^7%H}2ZVXc|}H7srJ`_k#`
zvDW!%b)pd~mG1XM|KnF`;8*tInp?s(1oai%S&g^fkNrZb{Rc+rSp2>btA_KKI3PQ$
zWlHgvJL`k&(lPR2dQnBTv4k;2q#78+boLdw%97j(*a-~!v^N^USHcZjsZXZ^uoyVm
zteKFe&p$_+?lnl_%2S~;littXjdLPu4$m5U8=R!VJ2-~Bv9^MDXdd$YSoYf8laCC<
z0bmb|Sd7E%sfNdJ)lM=+af1#l!h-fY-gR{Rt?ms;)Sbf1CjL=qq|CksAFp0~Gtnpt
zH?&G&zSZo=n|q<G_(_G@N{^f4Q^#WSRQ!Eair8|AJ0FLOMw~IEyWuX41_>v;N$?I0
zc=6<^B3|wl4p6iYW;=?VJ)aNwn$=)U9j`3@@o8}a7fS-65{*2)C$g?+>(V%2`e9ii
zxH$}^{7}Y0MeC=N@XU)x2>lNkG~olh`^b(#fFGV<rpGxLen%|c^8MpIY$&R@yIRsn
zQFQnwtTmeDgXUdorI$>s=EXeZ6@%pey78L?(OBA|POgfv83v83PUgi`dg&t@g*6G-
zF@rA=3PS)Sc59x9D&Eg7-C7cBe;|35+@aDrkBG&WldVh$9gbdnmwzIz8zOr<hdR)0
z^L~dTSX#r1czng4^Z^3Tc0ECTiF9_9Z~Btcx8PV>;a4gsUDL9$Q`v)^L+y6F8E&*q
zD({{P-T|Y_OoN<jh~m<7qC850_J^)z95&JA1&7wm=jJ7vMYoz&c$JYwG{3Rsz-V}j
z%PuzxI}F|-d_tGd|B*4)C0ZuERazZPi56}D$Xo&=e$PaQ$?GHG=Y;}FbXI1gj$)0J
z(sd&AvVbPoG!tx<mSvvIa>2>Z{PGgrm~P}f(<R3dRb2ArTSH|2A<()+V$?OR`wcCI
z2X6fD7U-q7-2@`2vhn}fsnm_2;t^fT7>fLg;Tcv#C254;XcS3Bha~PkUrKF{pt`9~
zt?7@>{;kE9rX}$E<^gXp!qX4;e1xiHSnh?LUBMVD%BrBrJo+JOdikzJ^k0jF_uuup
zkaZZzqbZkJ!lS8%BkI{UkKjVTHWXyT7})wC)>_SzQ8Hp;9rLg@LPS?L2I-`6@|*;_
zW?~(+vD;N&018U%{cWOoHn`weJ;j_nVhorBa7wRP3HZvhe;vF3lr2Js14o|9R8tLK
zGlD8+aCxs<S1xnxm8zzqpK8n}tRUWq$ORL&ymTTq#+A@?wlxXNW{;=S%Dcf^%k)VS
zmgt2&W?(=B3;az~GXY7_Cmzjhe(NzT@CeGf#iJQY6EU6~Yuy{(@iBizoh`Q0<TdJZ
zKI<$yM{3-vBvsk&w~hC>qOUlD)bHY%kIHb0`-zf}w?r7O>dMP2F>Lzw6-L=52!`=Z
zUJ!&$aQuDK#vL}1KGVcQj8Lq>WE;~d-+Wf`+|r&WQJ6V<WOX?v-<mU1dCPHO$Bm-j
zrNNxvXz^dbjd}F0`YLQ3@^%7Z>>8$tO?h&BWtQ0;TvaKrhBwC8=>)?|PVu<iS>z~J
zFYTA-%pCJV|88KSA;S#!V@b@zx&RX`_YBtA0won=^?q#T*#{-LUl@q##=|Nq{D}4X
z2cr7sLnR`H$=B^ieK$K^kFJweNDE~kM`>rxh=OPWEiwFC1Py~;EsClz=!J<lJiv1b
z`?_@Cz9*F5zJA}X{?8kNVY|0vBgF*eX?3c#?>=H#C1R~Q@U}ab#^NjHX#kYZ8nD6S
zv@9!bUoURHVc57dgr^)qrPv-SeW&pK8csNsq!2m-66YyLg5m&<HInrDHLvYZ;bUxu
zpmwFN7+2H{%3f$qXu%@Ma;FjiK!<b^Tp2NM(qM0~TrEjw`vwjKud`6eN3sYR4Kw`#
zJAxSDp2d@8yPwC@GZbVgV`X<+(vx>w`#oc%HD~-(za2icWJFdwMbjIhpIkHD#<A=T
z0=6-3{7hRM^v7m}yL`VLs@^B&Ap56NZIb|3D;`LQ#=X0;cVL6f8CY#qZ0lzOz{=;+
zb}Gghl3-t1)r)dsvxfb*c_aSEp6*r;MSQhXq7oy5W(G|9c=z&fv{_LB7T9M`y|9l0
zu0E1q2L!{kXX~`7<5$<lJ?=+SNzU_)e?Rx!@qIUXOG8BQlMJW1Z!N^L|3=SE8ssf%
zDUaTNbSR!28_J`VYTUHBt(pFskRm{2eg%Ezz0mYk1^s`0V3WdKBL!H)BJ(8cd1lwI
zs$`WgFiI-9Tm4vjhW3RFHUtSE9DpV7)2EOV@ISP>nE(C*42FT?r#+P2`2QcLK+uv^
z9HTaNemeX?>&B5ayK~_>|8|i1w1$oQqOLX-N2=MKsgClcVM@y@s5{8XO{u6DS$mlC
zGTyaZl_>XT@8p?H!+BH2^~@>rlb+YA7WS*06XF-Tz6jLeU$jJs$YmCD276__D`ewq
zm!GTVG|^*RhIB&|TF*5^EBNgYm*Jd(G|qb;w{`XsO4NyOv{D}tf6{rvhoW`RvL4&=
zU0xpV@%fEkVf&?Lzuu?Js3}-ioQ16;-GirJ@359f)*F_@D2kA|`>*H6_&s=xIx(1c
zTl_|RooQVU^O)S&$o?LkPyMe|WzM>k1k1ux7If4x4+8Y>Vs`~+N7Y{5$KHo`g~>MU
zs(<gJzC==P_mLAvZ*G{yKO{U%7r34*i=v*;E{_rmTW=)k#=g8oF?3}y)Gaoq(%$&r
zePyK;Ra9CI9#ce%>gsT~1Y~G|C=C0fkmA*660|n>p0}p@b@3#zwKXP2H}>_1<q3?=
z2&W0_asd1&H_nY#7@JCKHSA0mc;6BmqWzMVD}EtZ44>(P@0t}?S&Ash1E|_cq_E_$
zC>cxLCM|MjWg3;urIi9g1*diGnI)}0ts}yT!4r8MV8)B#wG7#>17`kD2!9j`4<Mw%
zEp*oY5xLv|{FF>L9%MV3t5-4*-*dP5*@cg(`|Ae^EG;dI(C6u&P!?5Y1I#m5cUI>%
z3ipv#rNRrNi7?vyZoExuvy3CUEcvxNG)oO>tCe@XouWD1qLPm=Ah6boq9u+*I`89U
zFcIJcwgbFG%H567aqDsjq(i^w;17KsE_?Ob7LQvp^W<P@VFz8Y;=Klc3bR%vpJljS
zH;^I{8ADSEjn^qe#Uo>_hif$~874`TYhDgrH}hvFgg~Jh8vxE*u89OjD+0Ay*|Hm#
z;RQq;xNP5C#8mFK%?XUp1C?g)og_9>L}Q;Ru`E?UTSwih^dd0z`vb{!`L_pCZpS^G
z;WA6N(3M-VZ;C4ZJ@V>`iriWBReo_Spd=S9Iz_p>a0~sc@k?X8O_=TGCy9)X!e(Hl
zg0UFxOPh{%ve2i|29DoKmCR5gt;i)*4ADK7t+UgWyy@B$6}mqR_eR(Gs}KN6iBC?w
z3U#i0_mKyARPSLeDa65ffO$yN_IIgX^gKrer;-uW^27!DN{Y_10s?^DQa8ePm9B;4
ze{hz(#`djol^w#^;f_N6@!}Wy|DX(}ieFysBN@}c>mQVtt*tD+-wQG1(PUo1xwohB
z-K^whm4awQ$6Rlcqu7>Xlnh?-kMK?tVNUQ&Qb?S1MVxetjMzqZD%on2IZfU~T)Xg&
zLZgB{VP=(ka4`b42r9O32K32nD?61z=gRNb<_5rr0TFhhi~?F|Syq0yE|a$Y^FdK?
zXlARItYidX)tsvUL$yI2D(Y?8WY#WygY7@H>J*PJ2aBPja4+=IlO791Y!Q^FR5**U
zkL(SSwh7xc;Vq5xp2#cD9CVc*`D3N|e(c*Hy2%-1`{!v)MO{@J-jTezdcgq0!JbjI
zj!$R-vs-id-<h+d<s0L}`W(Seo>-PTjV?IesLft|`C6;3nKS6#%4%!(0g1;`jo*L9
zc!T(d+16-(dg%l)763%gvKp4;g0<fsH}J0Ts?C*&fz2_m(xr@c=Q<O<CGv^3?-CPV
zFDa@g!zy0bDUF=e*6lMd<0q?^x3`_gMQV@nQ5HnuF1GM;8PieM;&s%=M^u>2&jl{*
z{ulG7l6sgrbNL-kfBs>qP0iRnETisA<Jnj&QqyU{Z|rVYm-o)Jlc9X#ydAL=B(}-p
zWj7%?Q^@0|FT(Y7G{e^LR-gx;8tO;(#7p1VQ(*?$)S!dmzV77&cKUjdHKN~71!b=^
z@b`M~*CN(GCSrK*eN4>4K>hQE@BPf=0&C3<Y1A($gjIH02wmSWh(B0=u77Fu!tJri
zQD14`{J&Yh%B=3uC=}{Tj9if6q>+pOO4LmN+-$^qrg<<Q0ORm6k35>pN~#j%!X|Jn
zvExYa>2U(uUKb}s?gXZeT62a?EF7F%1?v0N5YQ9ZGMw=}V9Gq|XB~KTnf+&$0H2%r
z`$^FT0yhgFPA=MpGoDJ4IWw&+eGK9g5<;=S%aw!T%WxI%hU)V0kjYaGwa0V%I8sOU
z9F<#e@#PanypDG$**Bj_lB3ogDgXmUO|MEFzvCv5A*S-W$R*6JFg>pkZWP#56d^|u
zHH>Ip@#2o`vC&GWyRk}!imo<y-D%hu#j==h3718F`N(2YtQj_8<2>rSHuRb&$UD)X
zk!9Lwg#-PX=;QZY%TGCgX2r*}Tq>;&mdk9Rne&=la-xZNdB%R#SuclDLbj<5IPi<F
z9|^RWLQHrH&c_~c0ByBhKK!N+1p@aa=9tW2yJa!P8&28AeDsmH(h!4s(&%c&8+<j@
zL+d*0_lm}>eGQD2pBNx?R5Rq3eje`t)rfW2jh$0YC5ee~3bgpXjB(lwP-eo4pMc@F
z@Xi<@i0|QaopS*z6Odt$Ca8;ks#g?Nf%KRJh7q9v@lI@t`+d4IL{6{T%H90<a>p<#
zy;M42rg4G9y&UGDg&gJaL1X6+Ja1``#7NG~41;Hfvbwr5?cQFpVH1ykXD~}fq+JlM
z-gQJrjIK8|E?&cyj1ZQM{v7```P~qq<$Z^eJ+~>*z7N&ds|OOmF#ZTXr2t&5$@ZBV
z<CfWI+nX>f2CRP>xxW`hrSe@%bmt8Ze7cscZ*ydm2#uSu)DA0@ATv=}6vndqTYIa4
zcn+LFQUXcQRM|jK{2+18mi5>4Dj3~^lNdYYZ7V+W83K$Zwaa!l{uO1Wq3EmtgtTWa
zD}frZi3a$Fo647P(k`zd4Ue~`d0Zw8CUjr3pGOlO0dEYc3hZ!9r05iqtM8@eOnPD$
zYkit5@-+`q(;O_BCBB(VIy-ZW@@%@?*MadWVr+lUX1sZDfqoEjx7gwz78ZXP0_#~b
zbLBFJfjjWWeAF$E6%s!~S37<c207clxCc%?+fpI%2DyDcJ)w<-%}YFP_3Sg(tD9xl
z=Xcz`>#e-$%f*#gc^KEYd&>%4t*a1x_c-7Oa!7{kvRl`M-p#3V)BPpkZY8lMOLA4&
z?)_uLCf`39(-{Suop$d=u<%6uMC&M9Qu9L`{PO1C-9>HhC-;ZrK3r00KNaqxHvSt?
z#s5QIdAhOD9zIJ^&?vW#Z6Y%3{@gz>z!rGVP^IqlZ&$L{@v=dIZP}2T`&v=^A29%c
zkEk()gGI-z5!-XE7<QvxC+l=K(Dz4;!vwa!Kk%vJb>Fwf6ovuFxtsH-+pOf5edW75
zoKK(r<MX^>M&IWPYP1Z3@8>-7Scp<z>`m0(Zcmgmr^T_fvWn-l8LvOts9DXg;UyM6
zyFh!0-f+HGU{|*{tX0ZyGhV8$=jt2%GB!FS5i$OfCfUP*NecswTye|edGx|<&uQ1C
zM4{7Pciujm{gW0ZxcoJ8(zaqO1!bn6?Y)ZXfByJ>z|8r6g+H0sVP_OWPv|AM%?Z2L
zO#V%`X1|-guNI!zyeG~S!HBlf_Y02ecpRg$KX!|`a<+pe`Kzf`#zJ^07TS}x8^3<y
zh{kf+O$V{mTOc06(eU{D&9_)owwiDm)E<(}53n%}{(Zy5_4KLAPi!;|Jaj|NzelI&
z_&OhZ%zCi@Y1GIh39i;*-fMasqZ1)R?LQ>Jh&Q-Vn_8BZ0+%uMiFS8)_aC}}ra_Eu
zSe4rU2Y%lSfrDl#t@z22S0Dnf)Tf^^jK8?7Y{;y{34zda8d7bsH0g+VOvGhdI%YlJ
z781{HF4v!1D$`Y}BiDuY#sT^2c^0h{f4B;cDYAZhqh^z|Z1WxNZxf!V-p?fH)+@R)
zcD37W@S_fWf+c1>$76k7`~Bi%AzynkGBS>KmU6?$Ja_y5W+oPB6baX`T!`Z9;@tSB
z&AKbxf}f^q50{-OX3$|d#I@b4JDsVe6BX2H`H`SIc__yA=5Hi0(nKzAlh`cO>PLJ<
z&1!m|vy)SvX31gzO_Iz0n0biy;aW-G{ebU<O1(?T-sj_11!t@J7stDU@@f4RjCiZ-
z>+63?M3c`BX1qH;(JgQRIw$o$-R|w}ZPJ^9;XzC}sh_dus^uL|%$%3I?XAE!8yg#N
z^V{?7c15jt%9(Ogb`581h?By4&u7~%r+Xv%-g`spGwz#p5>)qtT9vX@UcY{=t*vck
zwfa5a!NG)GL!$GvW`yPFmF>lNyL_E0hpB2OB2McMVrfiFOxo5(t<l=HRb9+A9_v>6
z3=N4<4C<)$>r+>~UOqu;-+1NN9JMH6MSRmNF>CR=z3oz)o-TT}IpujUl_?u<wj~Og
z-L)0qb{}pvY#&>}?d^}3S&e+tjO;OM4<X9Tr>fbkKVhy}Q}WvKQN%HA4aB`T@V=<1
z?t{aKh=}-jdD}vWxL|L<1(xreySclE*rjo~@2@eHkEZ_V2opMYX<V0HK-7fsZB(Yx
zj1=fMcpUxh6FjlrTN%38)4y=~LGG_o?QvGS)5~|UBXq(3djebNbnDf8TXxut_r+OB
zpP>8tc-eUF>M{St>5h4ltJ%xn3w*P0u9@}3?Zq^liY8)LSdSGC%&$=#)7krzAVznW
z2WMR7LyE>6xbMqS4F;%;Z@wCq?k?3a>td-r466=uZHzXQ)$#*gf)jn2?%7#C+uC6$
zr#MIGP{@$g^DNvRAmY9bTuH7-kS{B{t-xDeR<>T)g3WH;>v4Xx)W^HZI8WZrVKr<G
z!}Y=|oUuz@=xkTuU=ki-^Hcr!)Kp#+@ra)Lx_ZO$PzyGn_3$@MpQt#XJ{#!ycYnS>
z859G3&+(U;+31Eqe$0mnd0m_x5Pjl;H8yk9>m17e_s5kB^Um!yBD=}geFA;_J2EK>
zv~F~yVcxJ*SLR_X)6&yT;UuA7?;lXh#yvGDSvdG$QZmN3S-Z2{PNok#$Y3*;&9w8N
z;o=PLp?hiP_Sh^8W(|y0lU^c+RkYS!`oO=lK6j>_XFQWV{&pDHB|UvPa8I0=)x0+W
zmhFIgO>?*eRq-i{yucpv0Z~o$F3Yldd|vtZ%2vxAp}7x~aq;o~SoJCt;b6PR>JFxB
zY^Qk7cKR)Lclv}X#;oN9kA6oymNx56aBU+n4<-}R(=8>ktL^{NBd|Z3R{H1^%p{iJ
z(CBCuOYXGCPS4E6`2nnqZ{=08$%1w7(iw0=#84~6hxEaabNvoU9wFHChSLR>y`eAE
z$$k2-dpIU+DyCqdRbNTq>)1DSu{2ChP1Sjw9p~m(TmEYHZQC4?f6I3;`MTY@E8CGe
zTqc*HJGJ#f7oT;|A(lxzbz9hQr#xHW;XEr*!`L%Lzp{4;j5P^zC23iC`Sv0`EZZW*
zth2c<y-TYg?}_~RXzQw0q+knVCV(O;J8!Gjd5i2w9ZxQDkynkIf?*63JhqrWz;Z!q
z{H|I`IvK90=dhcuy^`CcWLJN*m?|0s?(Nlxu5(m$8Wd>sRNoFjZpm3{m01qmq)D*f
zZp9~3@mcxvhpA$c4dy^y-_uEBJ@*AIxSGF3?W8AQi(=G#(yMD~Vwki!;Rw`d9{%Nr
zO+5aPj>a!W-|MJm=4?ZjYsy67c8-s_y3VUs)^_3&utpAXBm*a#4HqqB=UacfSh%t<
zhR7Gd(`~rVoJ?C4)T!+%QABwylU;mv@08y-Zb=j!G6+Y_AQ-~DH7>0pqt@rwNp^Gf
z&vLQ|86$ekl3nHkHoXpN#((GLD1VxU5*F3?b`s}F_C9{)ZI8_+X7bUA2|n-hQ}Wy<
z)Ywedx{fCwz`J%bZ~oDE@GoVGAAWUqxW@MkPfqHbJ66I<-GnV15)y)8$62u;!I&@T
za^$V=wr|&m6zz^GTiZF2Pjq+lY~_!LKJ#i2Y+1Z@R76(tstbd@tI$c7gjai{>ebV}
zN&?dW72f0-4~<mX!19v&VX3sbM3lg|WD^Wiu#HVFS@E?_TkkR0P{$Mb&Qw6YDD@)7
zqh29zXpU&+&~KZF7(0!1NQIsQ?j0Vcq-*Q0_p?};#g*IwLD+4>1^O4Qkz+c*WR#3G
zPk~2jZrB^vZYO@-jq)pOGh`uRsBse~b^Us3adFr#)Empb<PB!C>*51_OjmZri9SsD
z8@oTNw*sOfvq%BiM9K?l61^uL$WhG=<yrg;IK%WaIllW&4;L8F!-^TNn(hN<1mYZi
ztR75zsX3-^bJ>Va$)AWIcel<SC2+c@9r9idONq|WWbkL&wU=k<lXpkG2*s;kzWCFQ
zgR%?Wt%Z)hl(0EzgpNAwyiX?Xk$%8J+-yQY76$eFr{`<$Z$5}-*3Fsuc)M*vHCMd=
z+rMSOKXWe(N}!xZo*K6W``i)K@En-s4J^{I?oSn6F?PaCI3ArPJT@y!faIP_Zf53E
z8&Q64&}RlK*THQy?&2jqcljCT2Dbp$_e{A2YF3qwRzyCm_+>haHZ+%$)>VkAEs7c1
z)(RUq^X^gMWw6|X&<RR0HZnwX+bBE*2o0SkWsq?SU4?Nb^s1{YkaJUr-VyCnvHEEL
z_jgB|okGET&MzwTPGC>ZmgT((CD95R&X2*ZXN4@ir&L@|xBvQ$?d4F8YGxur%kp!s
zoM3Xp?tt{|-YbJO;4SePHJ(fc`K;yv25T2O-+rUMrf^{UqP)<kHBg$l%A|4xFH9`$
z^-?bf=`i~~*w(&8KB#)A3rwA~Z@CRSKI?dCt~H3vZR_nX41HRh{Hnz`*k}z2T>1_j
zk4JP~%c3v;0zd7#lAY;ylI`$&=je4WkNI!(BZFzT)x6b$hUr5AuZD}`)dH3{5AELL
zC*Pc?6UX?`rhgg)0ZUzA4>MR^TAF1pr{}phbj{2D2c7*j(#^Pm;$a5oRi=gj5l#}d
z^768fZ5Vc*`$4$@N64y7j=ek{W1+=+<vO1X%l6wGx}&lmwG8ul`t_K+7ABQv2vky;
zKEQ2kZ4bHn1JX1G^`qBP+>S%Bm|8G19Qi-qYkqrlHvOLkQi25#BN7YcH!IHuKJ2^U
zRHdVBQ#SO5#k6E>P>wIp(aZoHeBA4~02<rLN=2ci=TqZdW6nZ*NaZ4pZ^Z?AwJt?*
zrne`-oww969=-tsCeOS4HT4zHhF_9%OlJ2d><X+|0GclKCF^gK{sxe>xtv{i@Cz)}
z1$Z#e8P5ZPgf#B2>C!RhCo>nEUVSg_2t17_sQeuvO@IFF?aY*$G<u0%7fx7vA2?!<
zY1#$p2*;y^7`vMFa?w8TWodoF;xh+14^_y7o{gu|23C`e$op%9-x4}k^k@wY%xsJu
zaA;hzv3cpWvo~^HZ?scZ$*fgq5ZtcwysNIRZbg&WbEyeqDGAXw8s_>NwVG?DN8jui
zwP|(ZW-+!5mknS|3@W>}Z)glp6GGg+qG;5(xo%;%R~fYFMfWD@yupkj7SC(Wf<BRM
z+}c;igrf!HRL_Y78{;(L1@{yGsc9T6$jKr~D{|sJ%X%|7lCB-?6?l6V=0@l^PdTY(
zW2jn<<m*=28<OjL80oQTPB?;p4C$Nq-mE*wul?I;>8b1Nd~mdsTp;8|nt1ypuVR{T
zc(Ti~!>l9|;;0)Ccyqb~9$awnITwf3j#wT@r#!;+X=8|%p+4VjZ_l0nwm28W!YL>}
zU{;d&s*T`ey+VI^hi|<!a{GFF7}?D9w4NDN`VM~ag=X&F;4eI8oh&lru=e?Da&H+1
z|5QMVG9sp+&MbTQ@A=85P@8f7mj&UAq_n#IY4Lb&UNd7-*Dg!H+lQXx$*?jpgT4GX
zbYJ@QbU4%pOQRw2B_oh2SNCX(IFO7c99e4OqJ1K%@9x|ugdDU)L}@lP7Dw)?eHITl
zCVqVm<lV*eywCOkB2UfU7CLOYgW+*Lq^=Jj#66d&8^SAiV!Gs!w4rL!impwTRihlr
z)9I$(jYw11^V6dR9ia>laE9mC?(ly(TXx{}(38iVAnSfJvPpoxI#NJ(<UI?vILUpZ
z>Wco#`nqnRL6g0C>2PA|gZCS74f0Kb*MM6Szy)5bciin4C%S{SQt*tODszxrQh%)y
zvTjq`t;xsB_J9BjN|y>M=P;e@>tPuc)7h8m1Vyh$;9wn+VB37__L_EWAf89zkx5VX
zU@@MSxZI~Lfm(E$B2aaB$6q3X>XdiQk#`sW2UBO^!<$yP@B8nEOZ)}^hQgvtJ@L-X
zH)$Tq@Wk`HUNneFsG198@Z%@59xr{Fnc&cg3kYCHRlNsH7HlCBw()rHo%jr~i<t7Y
z&-|}We+NMNOxx!z`9_yY=Q=_@k=JQ8uY%e8u4>%_m27`fH;W$~fjQ;n<&u%qQAZ(M
z(=Nu&&K1YN#g<q20h@i1ezVn?;|U%XhBH{-0e5n&jGCGn1WifEJ5+ewxReYdSgn`O
zw#-!lPRaboz5W8Py<ChJGkOKi5G<}RaRqV{hnDp6T4|)+6)ebPEp)X==NaXO%;|AY
zc~zAr0}Gk!?|V+XC>We6`?ltAE{Gxis(4qKMO8`)Ig&V`u$9}1h98cPtbb}4+%D5)
z3I(0(c`5hIMvqfXHP-dT-E)U*tH>jOYbw8L$7>Jt`k~Y4(jF8}4dPYNwir>Z><PZd
zRlqTAylK2J3V;%WuV^JoUGE66F_s|T%Ym-|XT6g>_vzfuVF)VMio2#EWNQ+9i0zL8
zL6o7~sl}fU#>|t!u8T9Ezpk3pwySd*GmY^){N>+9rc>{6G+FgJC~0kdo#d|rHFM0W
zKR8_gbVQiG$c_+HIDmo&cQ}7%tt>CQ0?~m%RL4p!Iq(Yb6jD*#$<fgwFHfUrE+;oX
zu-*SNcM*h8hEs+0ANrO~e%<jtj4JRjjkhU(#hZu<k*||^Y{3Pd*ENd8PTC%z@E;gy
zo01+*+X{DZgYb2euJaVf@7M(J`@!w=O$LR3j+z3GC<ZfRPtFe-8s<a!5RQ)Djfzk>
z20WfOxGqap&C-mBj^7YZ(h%wSW~HUg$64jSstV?9ZulEjz<+)??>zac9d;fdmU-X^
zUd?^aR?a-%%@mpfH<wGa(;drxNAPeKY>`$Xwlkm<J-6lb73mW5KGF^xZXg|iOi^jn
zqI@3}E9iOL!!^S{syn~OPAbj8$$7rW)j*erVZ%8AA(lrMQ-wuT_Z#}805{kJGk|U;
zY-{p3WtJSO5U|X_soV7?@U$hL9nObIv*hm#NV9kzFK1#TJ5=d_L+;TuPfS<yu`FYU
zxD{Nr_YdCFSo0)0<JdrSpC*W{=79+qz98e|<m^onI0+Xg9fO$&5fU7g&F`!_TpFq0
zF9US<yL3?Q1n!FmRtSXn-t$B=+(1DAG|!kWuP3g7b%NTZ!<yzK5Q<0A$WI#uG3~?B
zLB)Gx#irv&>^|Y9Rl6P|)|`B!DoP;}>-9hYc^}lwkU0K){(xG>o|`x?FAo)gr^o2I
z!IQ~;ev;BX+y24#7Jg2}2pP;>)%o%2#JFGmpHCC(g5YmAA@0D}_t;LpI9*DH!G}O7
zXJzP%ln}|r56UoPMk5LwqDUEjOr~pSyR<h#P(dszZ~!)96H#;B<3)<XllsjupjV#4
z6gKJE*xC;FhLQb*W%cB@fnqlJ=8LSfP{OUpF<nkD{6z1+($|$81mZFT3$ZzGOkT-E
zR!?mJVdKs(W{y#Rwm-2jx!tf!<P00)iasHi?Ib*mCBJ#uJ9kmb5PfiMz+sp!O9P{U
z3V4>C7^QuMQ-FCHxt3Htj6^!N;;Lh5{)|2sL!nebcZG<r@wU~=K(g$=DX<0i4wlWC
zM_rz7hg9F^Xndp|0XHSI)p!k}=5C>jqdxCFp5s4h{u8|b8A?5l9Ok+4S@igwR*=8S
ztvzb`!w2R42mOl09qL5>V+{tsvsZxMoiL5j-Cwu!p7@gQ0xou7`FVl#@aQPFaU0gW
z-54-F7&Q*rmX+!&&fLTehpjAF)3Xj$UgtZ>L|jT*zV$FM7@M1a{%|jTHpXywnyh?<
zqLs+~{Iu`d!j4CU2TerfQ;3O8&rNp>yB`Y<QB%+6mV_><n&izYCIATunRGZpxKBhp
z2>#EY>FWHu@?9>%ze#H}iH-xMF9)%ve+~>d0LTd|oMyj^>1$j0%MUEi9?VW0ual*_
zdrj9u#4*-^G>S(dFBoxyZA|Ji`<C)nl^QB2|M~p-OK(`=H3>U`z-qp%(t;)N6pz>6
zz7k^UGH@tsz<QtpYuI%Bv+mO_^S6EQGUStO$yOX~BqPcvZ25c~R>3Adbhw%_{fSQ5
zueM-Z@MLZ9=TCztT*X<V64a4xF_B|%`H;ST-qf&HDlNqj(PJHX^LZXS&fl#2W$#ic
z(1Y!7{DaUK;^HZXE+!zK*hh&72?^`>^6Ut>ictg#*e;BV^>oUFbYnj^xy&74dpXXP
z%KVKgrVzQUx38@uPQdxw=!8epMM<Gn_?Y$ZtiW~HMs%48Y=1X%NY1!_e`H{18f0Tq
zuQNq^69}YhE!YWE!0I%j%Qc$|_C2=A{Nis+!<rVxe2zmUJ5g7aPx-_;XZ<7dr-VZn
zRc1Ye^YKqTfE6T@3szO=HIhr>A3MC=QjHdD2^NWQ>BINKTp+|S;@|6dQI4l;a<t`k
z!gkj++v6Ke7`PY5VWp;;^E|$1zoOx69YQ`<7kIX{LW};?@!L+Jldyw!V*<f|i|f1m
zLPxDd(z56)XoQ%}DSP|-(?E1z(;J^YREm~z4K6SOzR(ZXh9?RladuKs#%lHHkLqj0
zXF=guJeWCRru?hL@3gOCYntSgk6SYMsCS))1QXHSo<4LOT(6j^Phcq<vwo3OuMtb%
zJN<OpWPE%ar~uyiLA4&-pjJE<y>Ej1CtUh$ClS)j{WEXkQLMMs2pih7K4J6}D#@ig
zzwu$oD~gkp0nbH%f2RRLcd$4@_yRm8=}#S6&M@cM?{jE5<Vj)4%E~TOsNpVrx2u@w
zBKSZQopX8+eUvQpZAKz`A@$W1#exo#S>+~i^u@u&xjs`I(;T9vpl)AlKIkCM7BGV4
zo*)Dj*GXNzl$EI_Zu9-t48J6mqhM^@@aS)VPf)ye)F0;Mi1GzMBi-TOYBX5F%*n4_
z$w@WdkfByy{R|X;UW1Xu3+6=)(vYGX^AA>#QrX=Zos4e&(lum~vg;`NalLeq)<dyX
z?VCo*l+H<N5cBasO#M^ubC10~aWYTG!kUzyz^XfxfuF)DQhRP;4Mw8ommg7E7@5#0
z5s>5%A7^=I?Do#8a^d9{2$*1{JyF6me*3Jk^7k$O7E?~ubH1*ngA*%Hmg_^nRl&V-
zg*D@=iV2}_0HdaEm+#ql<$8A<hqPz$+_F9DDY4M9u+R;KU<}*TsXf4l1x?#+Edm8+
zxp{8_NZi~C4_rbAF$;8c^XEeZGhUu&$9tybCAL%5^rE}y^GBmYPH+)?n@nSWFU*AV
z{U@-S-y*JU<QCM&UCt?z4ebj~MI!A!V2IY)p*upSPl&N|&DpScZrK8cyoJY@g?K~#
z(4lw+ptiuMz#OaP_{7BR4X5qXoj!g0CiDdzmz_=T3-_`Yxy8$anGGoZSyv>pqQbf9
z9Xj~1hlwS4T?Y`u=?bCC32jYJPVxh<0!XRdtb|Fse68`?ok>7bm-eR`><`BG8-_*C
z9vPfsoJ~y!hjE8&(kO~k%OzOw^X!vd9Qwby)nVe0m?A=<xSqw-?(*IqDDj0!-6!!q
z=L;;}*_Jv(_?W&xShM*kwnMxF-Zx5!mKW2gXcXu-WIOP~pLx;c?An3}qGbKkP`M7Y
zMhS(xcqf4Nf@i)o<afhHu-xiJQF%XJ3;_Sx|MN*pL4cnh#(dX$?N;+Gp!nHbS^&|R
z6C95;oU8gY=9&JO5M_iY_lH%Vj_X2H8MlAoN<EN4WRM_$998A3dB7L3a+%_+w3NVb
zEkR)MW;5HGml$P`uAzygVxk+$MTcx^>FGx^X`7w;MMp<NXw2+Di!*K(Z-e2UnMxa@
z;}Gy%8GIlrj5f#GKq||VG^MHxf(ta;%1NaK(rCe;Vow{;CU6S2Tieeb6~cu=x!XDe
zims9YqG+=_1V99i#ZKYDG%OyNZ2Q~7xdDUnLQ^gu&cU%a%)YzTdGQKN@D40UeR!0e
z#h#O?O)swBmCi?48I8-?gTIjNUC~SoG-wPJI&OTOMP#qhAs8;NHzM_6Y7sg5HS-t0
zkv6yXQMbwKRbDQyYPTt<I7%*9KlQLN=QeUADlL+aULXQr1(7P3mv)nxeu-@haB@Pr
zb@?R>9*6hDAJ!hV;_KHgL~CR4Q$d`%4xg+~bz$l>T#H5~*Tzah3hp0;d7sXM5fWWq
zON0!L5sK{%f#7E5>B0tKhof81@$KY%z0C7Ct6{sWRVSCZ?*VP*jXAAHfS1!2`o0}H
z?(sS`4T)~7t=0ZX4O&^<&_mRCg1u>Tw$cHz6X1}LiE=UH47en5;#c2c^=tsPLIDa$
z+ni-*Cb@OeWq#AEb9?`)ZT{6foxK~oSvU9Ltj|#UEqvyuN!a)yVk~vL13hF3uCrh1
zCJ+eU>wNo!YF%YPKp&XD=Glu)y>862h^fWgQ&_WBe)2F3NHX!Xerc)Ur3A*XTGP)I
zNfJ2(2%w2A{X#_08y>k*M5%F2q+$iReWjJ+zCYw8yZ2dtb~>c<R&xU5>H#t^^|!+j
zy{IY!3zo@3XB5ou7C1NOKPmpxhzXlEro*!<XOe!g)*C-xTy!0N+|7u$<ppSjayL%-
z*-(`>l3xdSEsT5a#(b44w*UOk7k5a`m4-#MwI=|*hs^8%FeZiYL0#8r2mnwy#34XI
zZ~u;zuZNA{FEeDuWJaCXwbU?L4l2P^oG>0_4Egn&C)A=1-Wz@3`MU>gYkyUrY*d{9
ztqeiwMg@3z2rxWUjJ{<AJfP`~=juBYKm`&XgUTVD2uLs6acvh6BQH>|u!$w!)k1`e
zq_c-qiI42t!5X-3*}q|Su$Er2$drF+X=#$<Upi0)Hb|*YJFFX#YJz^T*Cf!J+Np%3
zgjId`?;8R{a65l<bOEp?8xebB2FW^JT~9>WVwpP&uae2+4lK*`o5f4rc@>Az_RS;Z
zqr^Vn>UZvz;hN3@sF!jJ<aO7{XZ7q+5><o*GGDXU{>38Kp0`v4^1h`YpgpgXi5WtV
z6`;CR8+dUr)0MKx`{tEMoRErXuUR&g0#ij&UpX~EG3{kRH$466--WIan%TYG-AUM%
zEywvV34Py=Qf(`8{}2>Z)NdAgqvjC8s0GL90+=yXGS8><&xeM|{fYkqV{;B5m(!&$
zJqWKXY<1MV;H`QI#0$$Q{-lI!C6F)FsC9YOYMcqoSOO>d2AsgWRG!+?(}UXFaH=h2
zGF^X%0~can7@h3)S8{KA**t0C;5ssIXo1*K2nOeJ&BpXn+w+nb^TU!QebN%T{W*82
z*voVO(^|U!#NUUYJaTi3(DK_u6%V;T-RxmUu`2y&c6H{X<Qy2MAg#Cv?z3|Ao;{9|
zGLOhEb$j;5ezcA>OumwAWWkY_7~zR-kpPw83w)0*^=Es1PcecqI{*3k^QZk<k<ft9
zgEehfX@W;x`sWTjOd=HFY`IMxku=G`R7HvLDg~JECP_fu5fm4qgfA`>QPYP0By!xp
z-miFtPpqTdgXR=x*V4{@R};3s!0b*Ou8eAFMaAmonCU$jiuk85Bbtc*7N2(MCvlDb
z?nANpZR<iOYb8||-Ezdy8jKmT%LxMR<=ek`>tfl>S29~*#vYb>GzMSGT;Jx{dj<Lh
z!EeNuJDiGXX<=@LB32?8SXm3#LM*;$<9w+u(bb(B+NANrPPRz%QG4g7s%#rfZ`$6-
z!}nBS6RJqxejMWJ!LJ*?O{y4(B|%fen;?;4{EC$YM}K$ccC6v*_y;^jBo6Z2O1S5F
z3_<4Gkc?~C+y*QA6IPPrAU(wJ@H`vrZ4JV&(eXi;V8>8N!a~TNu+eId7<|d%CboWZ
z1QdBSL>;QzL0-p$$#M`;2HwUFqLNHmWU<ZcpSJ9Ev3BxY;+rWN52^AHoB;;O&?D4}
zACGT7m>r|GrURU{`J|U%GK!bgeQp3D{TI%v4Zu%C!{$H=N)<S!+a2v*>=M6p|7uyL
zQ}bDT;4hRzXgQ;Ho&f=Zv7P^Kbl>^d*h-|TW^#MRfFh;O+n>jeP5eldKyy|;#(ABH
zWPdJ=?n>4R^Rpy^3HE;&@U~pbY)ZNXl+FkhpVNZ!?j(ccRpTZ}F-^g=4aBc2vAcOG
zi*IHaB;h9_%g0be7O<PD**8hB+kwh?x#2mT80uAamJ!lmm$~T3i*gh)N&HpxGY-PZ
zIZsuKpeRS}5DMR$cP$uoDhso-v**I%Yc^EPAVMH^5b*@w1e~eua)SB1RPpJ-r-6)X
z4|P~xJy~(AOhsT=yLSF&xh$6NT&`toSQu}W=~^h|*YG3hVhyWZ=+KYTh%;ocb+!I`
za!jITNub6rY^Gt1U86gN>pq#EF?;u*EMH$xzTsvnHMRj#%iYRCgP`0i#1U%c%*EZU
ztg@=4wu2St+rt_lC0rKNUg{SIyj|eF?O>+7ezjwEJA0}o5_lzGWLVF1Zuqz4Zx$k*
z|CW`N!A#qrxcVCnbCp2rz+x63l~9HAwYB3!<2ncW`?rBl_X6*T>wy^fDk&YqocCOT
z17(5N0o%82x<XbGWhYZ<GUXC2Pw8U1OzoXx$$OFn+<}nDoArUL_|tl+kK@I0S$<Ku
zoz||Ow?h$K8|NhUPWN`~wMiLULKi-ZPos=36;l|8=!08(@ceV8qvTZyy-<;16!w9W
z(~H$rX|1CX*JPAe)%Up`c_yy~M1ZJ5094Als!Csq^ocrTh0nmI0V)4>+vWg+9YT1Z
z88(52q5M!`33~3{d|Oe)t6p~f^864opqL$41h7C2(3!ZnxGvVrh4@alT5|E%Bmyc}
z;vqSX%1bWBnnP|je!+VM?8@JPbm^YzPyIJIo<0RYcL>Q*JzzYWCZJxWo=!Q#<Kkpy
zBq>(FeIJ#77}b3W(FbJA6~}I*tb}>epK~+a$w)~_5o5wnS#Yy+#bWzWICqbw1zQqH
zt{>83dxzsX2<Sjl$?SQZZx%mnc5g!h_|N|+9nb-8Uy;MY0Hy&o{_oIl1s6Cde$CE)
z3As~L=Ja7U#>F7})P1bO>%`}KZgpU^Y9RG^0O9c832O_B&oCE&k=t2SZwJ!jV4~(8
z5?WzCO(`|WC(NH6*MPd_`?iPp_R`8qyVOEaF;T%15YI86<|Zr-6klv$Hw}0b+4b=1
zv$BWg8U|~i_yjW5@b;oH<Aa^2KQTww_Z4W70|WOleIe{=kSCib!on7d_=?H|zh3Ot
zta4aDnP|wB+Kv_)HacTmeGAUaZm~NSmR{e(gtzNZ6WSv-aWrxaIN~}W$rGSFj-b$I
zZy(#fk5)1Q#o!UJn-K$NMnXbThDC5zIkf?K*d0{f5>;mdT#OgcBI%n1z$L+Ya2qxB
z5Ah(}(%1^I^O*l^9LidMAeo}T4Qc<)>eYOhwX8mPG<cP%I$p`;<Kru<kc`;%Av>Lg
zggTke1oay?E)zfWHtua(4nx!1*GQYvs?`eg&Y<QBI8ckHIkZw%R#uR(hPs@ul96I;
zxHjJcT8-d7^h)LFqcDAiZES1+j{uLgU|;a;jn<##<s%4>)C=@bwFm}JxM4MhhK9l&
z+z?`~ml?C(2VzjC%u-cezE2HyCrlJ<)mRc7s1&pL&$>NUHdLt^+JBn>?Y~Rt_WymI
z56_{Mg*}xe0_T}8h!8NvK@KqX7VQ};XmALjeifzTe;9Qs>wK+hl{L0z|Hd%r`y3Q_
zMD>nZmm4(Np;Q(G1b9%8eyOWydmt&Qm~&5NN&)9_xKune;&>?#0|Ku@-!cRIn5}rI
z1dyiUDyV?&5^KJ)>FmvRUqwNBct_+t&1r^~)FD<bEl7Q=o9)V@I|~Co9TL67#cUR#
zCkbd9`L=l<log=8Ey?AZB!S$jS-TPgs{DY(!h3)BLoL@G@zijONhM`xWKVfXuJ&vX
zC*Ed1DMR2uq(m&C-0g*1zV=jj8=;FPV`~~>^6K0JxS`+YZkAljW&(+pQY<5ZngJxh
ze&6zyWhg{PNiBpyM5{|gQRK3hN;udY{<&HUlH7_F`;Hg+2MLTp)n5T<tuIJX4PGVl
z{_`^424oHbNoqLhe@0}!zL!=1wb8?u3dJqR^->AOBn9soi(2v7o@kJ}A4Ag-jd}$I
znrk2v|5?Ur6pqE0`tAwb?z!{*j?%565?-nN9_7xZTd9aZoV?u#D$q{sG-pTEyYjKF
z%Lh3cTJHJq=868$=cHK*O6oso526Y`o_iuaD-fYqukc}oH*=3<=p88Tss$qr(K8YW
zrTlQ8QS7ybs>2aEe}g)I-$J*!T10<8#JRLWjWVYwH}gW}(1l{`;g)2C1-=y|Q(=I|
z>aX=+WRuVC1XcvE)RK4_^)B6l0S7oosA2<sOHxDYG-}0br3qao^Py))I;sJ|h*`-P
z2_kI56k1*=s$d6Hiw`hpnK(t^Z61`F`IY@ZJvyo~8gGm;o1W!{^oc1uxZY@8xup+j
zglT_$h5Jpha6~0di-k94p?yM@cBNP^?m=byoPh9oT%1WqZKw#_6pppy=sGp%{lKpu
zt|l#*RAuR_DSp!6zXv7r_$r{m9ZNL_g>9I9R0IdRb$`=S=-Cktx(O$nMy!cQ38*?>
zL|1(gh5sJJa}^UnSs_UuNk*Is7Bp5#;bI-WF8+oc1DeKyk$IG27ZcagdN+5X_BgY}
z&<>L`jzq<#YRXo0S(S4+>MMq1M6F&J@+TCPXF(ymwcYJ>b^@lCu63kPCJxWjxTIP!
z=8*#JCP4o=vdYSrzjBKMy#ty_R4*R5qh60q%djSXPE1%KurBS;gAY9S@KEobP@&3e
z(a;KM|Epj9$F4MfNTucBDG)^PkVKdSTosJ$$-YCC-L&8sM}jRTa>9{Ug020!1ov|}
zHXktprElfVBDAv2xs)yE75+%`d1t>CND~1YTM=iSAZC!KKCK7&#gZYa_dO-+8O5b6
zOAXeAo&ri(ulwtRpf0qT03|ha_0Ut`zz-F9&{29$09_oW3E5aERG1@spoYey{>y(f
z3LzG|^#&`KqGg!w-=-Hh!^Sa;U7~!p>FTU33H@Jo_wksD$FG?vaX-8#8BuD>FZ<lt
znu$tunS<{im5@~0qjM{3LH#c;w6M|%)LbraTT$1kiV{jPK+!PFGWV(`?p?^7)2k!T
z`nk}%VePf{Vm_D3Q$gdST2k^m4WP;brFt00|LA7olOvcsqFajXUT3@0OmJJTfF`OJ
zN5EK*yDW9%{c8ukDJ_`tna$f6ryv|QT{+LRxGQ<6nU+q#i6q9cQ*eBP#W0tVBaUhb
zbSX!#qWmLCwU_oAB*qioKXtG`=c>N|vF<4C__i86RN$}+IhRv>Pc-x_3BL~N^bSW5
z#$o3i!;K#cfkM>9KS~tDAuZdYO@+%E-zg3JdOIAb;|D_-K|!*S{MA>nRQ$ddjdjV`
z?$DPw!@*@#vl)?>etRdPNmk;}86#_j5+uU8Alhgi;HZCY`GhWde86r!W%0|Fz+il6
z#Z|%e1L(Yw+Uv)%{t4GXXrpkVZ2pd9gqHR{YiUgBn}OII*L~OCuq1|)|2E2Tr&>Rx
zoIMBx8vxR$JB2?`iZ2iWPk^L>ZSON^kwL9sA)^CYTW3pn*r{e;Aw><!%XS}K%Z@yW
zSCeViRvWN`xPECqu*7zoWZp9`Yu=77AF~~23D6dTwmF_$HZ%Y5v&N`IeBB@Zcx>et
z_YS3MgXRGxW+1C#D{N)|meuf$4yBT+V3z+GEHV%MlRSwnu>+kq0+Ui{g%NKbK5);*
z71gXTOhfp!Ky_-7^McVu+%?eR7+qw5rn-dTn;_mfuU+#+95iughND5c_P{Hd|Cpd$
zPyG?J8cJ+|wjB3en4?*tr3VqBaLjr=kG$x>3eLE8|D0<`OdXm7S!JPmmq;J#mw>>|
z#fXIi{x)A^pxT2ty;oSj7w~;fSdRx2FNIc$I{txE@3n7_!lgj)_I8P18}HJ?2Dx#?
z5tN7Cx-<%n5*oIj2vFwX%YS|IpZ~5VL;ri%$(cuW?E<PtRIwZTpDYEaMNVf&H5EhY
zH+?COgqzl$DR^Es3S(Rurv)Ji(~TWpVQ$b!ML=^46Gmj33-AXSs3P2_wg|>&kD-l4
zXa!IQ-5teaMPK6nvvo&)NO*sD;hxrAs7tks?(A@&qCOlZ4QR_l)B@4+ofPo{9}^6q
zC$T&gwAX=NFktC^Ng&r~#Xvp<7c&!A)Q0bM?Ql_8s~bAOK=qwXp&GP#BDxe^lDE#?
zbZU5NNl*?u5b8W<YQZQr>VAg8`y>g3FXdHe(*Y`1UrM7pd=~B6IVSX`mfRdbQG&1(
zx^Ad&*)UE&2xvo>8wgDOv-3(&|E`Ornp`vpprHFt(H#a3Pz@pNExS5F=o$C%fAk9(
zRUTmd7`X$APHim~2|@iok~eC^2bB+O<N4~Ujm`X(9~=p%{Q03Yd#%TwDg$pHw$Lo5
zK1;Y%u8;*(T9x6mM|I$lJnMS5@qS1kqPh@|=Qn*%Vd};g#w5cU&On|*c|Y8ETsCV8
zRsNqGn5c&nep|6laeN+zf<)*1vhoz^HW;W<@PF14nAZc<KIugoWrM17wWf^Gfj>`Q
zMsbM%fJLgg2#G;aGimmR|EIk3ii#@j`n=k$fD!}&5fB7Pk_E|036dmdkQ^ly5{iti
zK#@cQ1Ox;GB<Gw#i6S{?5S5%I=h?@8zgcrL7jrSQX05MpiteVUI_Eskes=o*wmEF;
zmBK`lVN0&u(cHJja}nb{#CwWwbYDDT1KP%*;z#lN@6Lix*)y8#`M|7!hFEl_;L;O@
z0fjIBxD$qAB+s*MFF7-SFY^cK(cONd%|==uKS2L0iMGD!?h8a!mwacrF*{gr5B!l&
z{Xg=WLN7MVET|DnMQ_6aIOh!J2gImBDO8JziJ#mWEC@R+MiV82aak^K<+>vfuX6Nq
z@tqw+k;h5izw|@&KvHhgIgLq91w(q!OvjSjn#Qf|w=wwEsU?JUnPy~OI)zO~4DNI$
zxOE-DDKe`1iuv~<Nze*rqvt)-2@hperb4Kbvht_XJ*zV;FJh$3R4z)L7xQ0y8bto;
z{+;{Quj86CEIi$}$Wj+tR{Jc=WA<MMG2CacuO#G4ahD?w3J!eqw~pUM;+AmpMRN}i
z!|e06dupT_B3+%FA__A{J`q2c?s-(B6f~x0PNzIqqJy#ZhFHmryCT&B3w_g=Z-|F%
zx=og;+U*(Ey@$T5_3I@B1_fC~G)Wy9{m*10J}3r|EIYrvOzs5%LQ;oiv5ro;Kti`*
zOi8~#GY5h{@fhT1lZ|My-*=M?(HN!~8oomArAt4_J$Q%3|JB!}kLK5ng9?YbUl9&3
zIm?w15tdV0U%PxiL-Q}h&dH^w-auYigZ=&}vHqXE%292in1hMr=>Q8>-ZJNW<URd}
zd32U3rUy$RJT5K{s5&JL_&Vi>-n+$JnoB9hcT9rJcq6;aN|wWlZJh)YrUhNoIy4>^
zNpevs{rY|Ql$`@^0=uWMi^)du=TbRsk&mFzOizEj`d3`X!p|);hIkD?1O6zSSXmMI
zq0uO*O>0|L;^r4+9&cL`q)!vlWlf0wj$_Q6fFqr9#0CVvRR{W^;p~@kyI)qE6+Um|
zSS52hw3{&}+n|O%i5-Mx##BER3LueEF}&8$k)nF_vNwG$RhLIWMhZNaF^dp-qN=9`
z6A^NjtN1l;3!H?}*m`T7gqqn=)_yhWyQP`BYHE=kb3<`*wd3uyxunKeiPwj#00i@F
zs#HYpgRgpa(>p|DDnVUDiLRl;;a}5SyLpf4@~(7^e!f!;vwr56g)ArP>-nOis#;Y)
za4(mI$oH`Q2=AKP4l<JydTEoU8#6FlIKiTy|A=A2*2O;Nj569h{%uUQLEVVy*LR(k
zWfuYqB}c6--xP{tDCz_&I+TTQsyZaKY4C(;a<j6w+(p8zD)v%8yO*?X<S4mZDWhIl
zX_=hsHqxe!vaz<tR6Gb8S<ZH<F&j${<>g;RZ|(IxEFY_-a%D|ae*xe9Yj=m6a8^Ow
zpoiCBpm7w7O4XpJ$dQA&zuc(a!g_FP>67+3=Rm=<x7hN2dDa+gz=t$XNdHBfYlKTU
zypdC2_59n)+oS2_Iv3rIgpr@51)iUu7^VuWUg}m;t@_ZKZzY?Zr>yf$UX1!)uTfBy
z>=Aj_!Y=mM#SPxjv_M^<st@>iO{&p$qSt=m!d<PoCmZoOhV9Q|*df$hZ7s!Mvk*!6
zk(51Fz1<(nEZe^s{a7}_Y|J7d=u9CLPc<xh{$W~&Dtq@|HCtw549i0X3uvAl^%;<g
z9(2n`*_QC|@MbDJQ9;Ra5$s(RKuHe~Z|1~Us(noEH@`*elcY5@_s~~qFgpmF#lf#^
zg5doJdbFQL4Jr_{l8slh%9WWYe@HV0M|3Pm<#h)K(?{Ufu<o&Mtl?Ta>FUN^x}+4p
zu9HW@GGQye_iL9SS|)gEB&yxQbz`caKH6MwrO=`%48;&nQuCNgnON!`v19^kwzMA!
z5uv6nJpThzIX{xlJ9K{6BT|?=g#fTKyz>0o496uJDbp<nx@`OsY{RI(GHE5X)rH`O
z%V78AJmH-n2`zhoBZR_gye6GOWi#n@`D68UW0f`J8`J#jMG(1v<3P;C$G?gG6Gi>^
zecfS>?84mblZ&}TR%ykWC}+v6fAs<<ZDYzfp|KRLR`mt`C+5XtbqPRneD|uK*ecWc
z`9D4@!L77?>tNr~Td$xJYWiC){zE|c=N`Yh<wpqa357fzRw}2)UCJPah%C97l-gIx
z>{2S$*48FlW)DaUoS%P_QF)hd^<+vX1kyodZ_J9v<Zga?4OkEIoWX0nF+Ez<lIB2y
z$koJYBa#hyoqyfffAAKr9&@8+HL*l6HVavZ<fw!Kc2oG`dfl;aa-hrO(9|Ng2c#Rg
zn9HJKCPAO-*>6<xY7v{GESZSbrYCM?JL_N+U0Df3828bbzw?`G&Pa03hG>`aVS_RO
z*!4=&7iG!s<n4E2dICV8!AgZI&8#2&`zq$Hr1n-bQTx;N)asF|gy{Y0(<t_i-agvg
z&$qjVg9?MpzR?oyy(Iz=SL&`Uju-FZ(sA|Q>%_8Dqe3}M!I@p*4qEC8-rQrkpH*}?
zVtR6Jdj_ZcEn!lg;dEF#`?|}_F^Wa;7SLpG;pP-v&JV|Zl^n=hP3!O$U~WYR0iLiM
za0oSxj<9nyx?dHk`{7|~21hQ9$Ye{%VgC&B+Y^lH4%AIua%m&djRBF()D&&cPVd)Z
zg=o7d_LlD*bKAO}@@uhhm6$+L9O8pw7lGU3HnI_v`1dzr-T;Y`y#4Ak-`P(jZZSb%
zN3$RMksK7$HwG`f#ZNv{)%vR>CvE9%h_iOc5^bqR{(-lFERkK&aCG`V<7pX8{sbmb
z3ZJ#py8rGy2U#g?EZ9+It(0Q!whTAg<btu5I}^4|p3AglVoHNI4t$$jjp(70=9#Y_
z-a?S;=TzmzoItoisY%=dr}|s&>&7|ce+(Ndi7}QzPh5=%EQisiEb3LG^?z;y5%;@3
z2*}|q`7ST=Ot<0=`}z*IM)jz<UUD(+<uL|ZQ+d2rjLS7*DMC;Bzj){<%HMOCT{J6h
zy{D}iScvh=4=mIO{bQsxLkj;=!oH0j>s_1Ot-LJC9lT!Lv+{g&EsBK@Uslc3cjV`A
zb<)Ztd)T5pBk(%UUb`Svj)D~W#?P{#MXdKYHRCSwoY4RyI$;h;9;ynx<~oK(BIBIf
z$OR0+IcRguUp%b?F)|l2FZ89)|8Y}}0{@@6CxusmsvxC;Y~~A+5`LF2RP|qeSU}XS
zUda;IF;~XMo?+@HuO@X(!ywkSoP}JTPHj01zoxExEqi}hmPq8L#y!fQ$EMFuNs~ry
zSZ!+LOU{9Js`UV9hFoL0)!^y43A-S^O9<xW*SYO4%5+iPR(f#6&n)D@8qj6Oz2xKv
zKfw_|!lv#HrX&SJLCZ>rE>yloSzkQ%K~&S*p;WS<EV8|nG-q&;BnZvoFD`Y>|Dq}}
zeY6ZY@3@(se=s*Ooos(w_8&hgaxkGklO1B0l1F8#5&oh9c}<kY{;)e<U%qQg8%5g~
zEnD{HdMi=8oAA~b{I9$j1E44{i?@n-IkEOyvW8%i)~%v+W+9ZG2=ho~>rJlU@7}4~
zS}QyOQ|r!x%@j^=>9V@lUbhegYX4YEfAsN7MFn@}4DB!T_>P4e?dpOFDhuQ7#a(Jz
z3yy-!;Ec={PMD8bWQGH-OX?aAaqe~Fg!BQ8ukspUa30${9!-Df>q46wy@Idcm-o%D
zkelo*GloSU__h>YyFN)3jV<K1;3m&GTb&LR+m<vIR?cWq<4ToMOC_B27I`M^9r;R7
zhJ@Xo((NOPlKQ+MPd6}rDuD1ES_2Y0mI@oqDZ&^D7W3ssGLH?u&_>DDjof%6Sw?+Y
ze-un=$)ru!sQXKm=T2jA^L1nRL`m)Y&aQ0)?{S6c2+Nr>?!*c0b?P<u4vv0QxIuC}
zeI>M_JJ01a0EtzEeo9So`~_Ju^e5JdW*arqG?XdNWpZZSXvZzL*Y~x{HO%*aJX*4$
zNgBCp)^GFBkA#d+lMaKew~?3Q9E5pALTl??*H&nbO>3*c;D@>Y983-R{se9DS`)7`
zY%M9~%EW|Sd6B=nsd3ky6=b=y;pXAp-aPhez|ov5oQNl<Xzr#qi|<mtTQ$}FjU=O1
zH|{SHl~#6#&`;pvT}o;N&yLXe@?$@?$Z>I(X(dWr>C)H%@otMgK;oq&?nJ{fZA(<N
zOK-~@HonxeqfDG86n*`emZ!t4q_~U0!4GWS_#`(A>p!e}eGl$5reqTu`!jka<c1YW
zlw5EuJG=LnPf{Fo<KoY9{ACj51`CiKHM?*cGDR{)5irH>kgK|on02~dY<t6}I$=|K
z;2-Re?DVk0msh9>HH8~T+K;d&h&Kto@M*4KCy(DFS`XH>d`I~Mx(K!;#Rp|K3twr|
zE){kR$J$%o1~?1LxPqV5E^^x9nfvAa_}4r*FfAVbu@@n<|8ZFUyS`@s@Z$`BvNl~~
zsPazk=HFx=9q7p4NV4c(HTuW#(94qZL&pM({&ieYTGs5_grpjFfp=}o82q4Pf^7Yp
zSqXTIlC0{fR;>AFNrC>%LseqA>3Cr7`pv%>{p;YUtYP>YHEqPnaHR&Bz%Q*yDU!RH
z@fxCfIyE>xmBB2URERqs)}p7u7#6i@BPWuOwz}2>hCP8vlF%#_IhA)tnK}I}_X@OW
zb(Uyx@6qOt{_7h*TfB>GfmmB!FpXmH_LoW_4qBz$WcZl7QS4uP+s#V8IK+&K3`|X7
zeJIuMTMs5hK6wcjBZS^4QI8ZPdn1`LmGH$O?V9T2KJBNT3GEh_spy{2seMsy7TjhG
zDm1y<80?45lARn@s1bXeA@W&MwB)x+DO^Cklb(O44Qq)!ij**_@-o0vU$#wy3wuhG
z_1DoS)2&aLB3`rkndI-A!ZSY$_!_W=t8+{M#%p;|jyd6eDMQy#F&VKG4tN@GS<%N5
z5MID0=ad|UKf%fjryLi}1NmV7ISHG<OrXbR^28ZH9~`^y6J8eUj2Ly#&uNSuyfi{K
zz;f4pu4iVFTpfR;r%Bsq&+@cfq)oT;!y~c#OTODWz2sRBXmdIL+%6(xtnjDn986eY
zZFZ4%hm!$}FQ?c?s`R7S2fxdI>c=p%QYk@j{VghU6&}Yd`i-0LY@U-AoJ;+JwF1#H
z*$agV<v3MgJUl#8Sm^4UH3Ah^O%i!Jycj!ISK;38IZuPWHO@J|w!RH1@~d*m>FKRY
zkfwPfchh=v?zel>XBAi1r>i$czYzkf?65Ww`JlkUS2S>_W2wMnELIrp&{GO&i<9J{
zN5eb;GDhJ=lsVyRlJ40LOO%Qk111}8<Ib(Yf}zsoW6ky=H$`4@kJ+*(#n_c!jk03W
z=51{KDO;rU48jy7ZBjx4X_LKBi9_?nn;8Qt3+Oq=L%4mi5gkhoApn|#8(7em(Ee+X
zWpd6LqEaapI@z~XU7Bi!8?qS#5R%(T)J(C{1d#6xhN#!snvcPGwBm1X60DFH?pRej
zZm-E=oK;@lKi7EY4&s+2T)vyzrp74yZ{Fm8aZRfI5f|liip+m-eE+v!e@UF2f~Q>X
zFlsJaEa?&3Zb6c^`G|{cNN{ye?j}~iA9`d)eR;Ql?UxQsBhuV(*y!vrT81^qv&wkQ
z>XxOu=|xILI80l^%DFNq1D+h5&zzHKOy8uF=qDbBlJUx17NVT{eOQ<9D37M!$w#J1
zkGw@x>hIxOxQr3^PNM}Ya?<W8R}n?&L%0y!x)YPP34h8dR9#ICTpi@ulVq>%p|6zf
zMQ3LfebHOUhqdzx@f^|f*eko0@t5!*4KM~ijY%1{&}RO%H09o;9TELU{$H5-XXVSs
zaE~*+9&Xl=YBR+1*oJ=^zZzv8_{+(Cz&uAipP!#DIEBn4YV)pzb%fDq1m7v)-w*xh
z8#RTT{79(aC`Fu8YMKY<D$A4I66`&*`G{8%IUWW$DR)PRL(I4!pG+(j4vxvv=JB$5
zd|v+?x!JCP5^O=#^O~noEZxeP1^beS@1{e#R+xR;b82b}Zh5)PQ^f%2etB^4AOA&P
zF~Fy?)41ZA*aztL$8Ey5CzK%gPl9JyP3uoO2EJ6Wc)6k<IKW3fctv+tKTBhq$9Hks
zF7FQ!JPyaV!7O)fY-{GT&OrviH(7=@R@Ji{7NDqjNVDF;a0Wp9Q@h#R#F-{+4SJ*_
zSLkGkeiwJm{RVrM)26ocgf=SMIr&?o!+~FJIBsW5-dn;rY?kFi+c|6&Gmio|@ppGG
zDRPu5`tg`mi4V)fNmNe^ZERa>d4BxDXmB1K+p%PIprsClN%3wv-a)JJ)~h5Lui?yI
zw><dnlKOR@*Xoi_5_-(X0Vl-G3@+H%B>Am?Z*|7_(DH7j|3;s3*@Mf2KUwz7bHWNC
zT_SFfeP#G{A#$%BkZ{P_G7H;N1_#6z)<%0Clj53_QitBt5cGm4uo>Ej$+vRyVZx0W
z=o=jEy-{%j|KEbN$`&u@b!AIl8#oextMVzk0^nEC+BB7e4$T)?!4=kuD6jyR6LE8;
zMj?*+9Fv_WMVmYOiN5jb$8u%<L7{Sp6*Im6(j>)|9&~4opew^ikwRES++uAbvGChH
zt6cMYUH9B}&HlO;qq)H9-tcT!6g%OSSSfZr+T6E+$gz;JjN8~QmrE4EyY}U3<jc$X
zWuA8@Y)v-GY)i6A&OOta4_WjnaYc)ijPM9GWhAwWAb5AVV(fQ4MV0y<%ZdK?>)H^S
zof#Kj$R;Et9eM*k?SExR!lg?Qn9>FMxBo#~h5xsEP0@lL@85@zGP!V}@4E3tN>L>9
zWK?MbxdFtzxP0*nK;ou6_pzG7!E3qjI<PR)T2lMV+v_PvibW<JIa{lVrLz8{QgAVF
zP_QQAN~c7zU%TMthaF-KQ4Nyy`r^=RJwU}ZW~=o;b4m4GcnZ@vzD4oax^_xGJ#*?4
z-kJ(-tFpJ0p)D=bbK11Aa+ZT5u&-7Hmwhuo$RK$VNbTr;A`$l^At2OrlY}ugbd6Nj
z;-e&?EkD}f>xFppF76K6C(D%Tec!$tEwj8*Y{hEO_v4)w=O7rFSF`zYH_aCP?)Ev*
zRabD+IW#Y?i+=yK7L3+{{T>A(8Z-uy6`y$`UJB+Dg|_%7<(bW4$IGNc-o%lnF}Mq&
z`ps0C+#ALO_h>rJO2QK@G?m;)g*j~meT{c%p(iKh%F?fw;o2}ahDC;RRz|(f|8Dpb
zoEK#|;AV}VU9Y4tP$6zg5C}4>b_55j`;>Y}=2C^&PIb!t-GkO2vM&d&gh-DXX^&RD
zlhl5x!`*n*%OUU2rw#Uug2$aQY~`Wfr_H`^Of<^9BGGA#rBfbtph5;7(F_mEa^HjA
zjr2@zk$2)>9Qp-Ui{E-e7+m%_Hz|ODv&o!doe2GdiBNOUSN`7^Cpx(B_dhSVBfH3d
zsBu!>;xQRDdbi985CdatX?T1G-Vt=;<H8CrG5^fOw9gMx>nlp9$*YrMWbvyevHCg|
zcGdGG%`NL~YifSJyaL60b<*N4UhC$<C%idKm&@wtCz@>?TYh3qdJ~7XKyp82J@;F0
zZs*+ZBFX;$^$7Ym<FD>_+f5`V5zE8cNc0!&?fPm{oNc$~wDj}p4`d_2&L5r2#iTv$
zT=90j=FK79cbnL4^owyt4r5{FkZWJl&9IQCI61Pfj6>euC6Lr6AuRVG{8L>~B`hyj
z=6swW`X>svDA93w6~H?2LD4dy<DP+KBIIx9ov2Tg8ajULKG6$EVS<*Q_;!n8oj(Ph
zif*<|oZN(_tepTmRtT%nHGkWOV?)Y|F(S)Z5E!l`Z_>$Ke}i{2{LVan%Kql>Vjf9t
z=ofJv4Jt&ExGaP1CMC#~iT^u?!kX4~2r)Gm<j4+ExR@%$lQ;LNj`ufE*4BbZBctF-
zE=cC&Vy=Bw_5>v}qKUXIgofrb=&?l_?D7A;6vYnheAh3kJti=Ordsb`;nF*L-D2k_
zAY`v_q`#zmF(DxVSUs+4Sz(F#!{g&eKdH}0XRq&B0DGC!jEqLu>-2Qv1)r@uG^k#A
zdmYjL#q*(tQHQO3_0K^hNbPv>BCbEQcgrT>flPLFy6za1nD6hKKAyV@WVyd-6vYof
zBP2x|K7BT1Uvcb72?7KVl1b>5zGNc48YJ0Rct2c*DY$<|s`|&4+XIi!KfO!RTR!3y
zkFA1K5ma9L`!Z>&@D5N4fD9RkQslh0cX}E<01JWewT!~@^Vxy^uzw85G9}@yW&{Y=
z%z+V4K0j_aUs*GRrb)QN5)u+>Y6HL8BiGQL4RX66vzqsGkISC2C)lyFwWSn7=PFG4
zM<oY8P6g>|w2wUe{!--jb@<+(4_U5wz{^YZyqOSF(PAP+g_)RQ`(6TVNS}LeFwy`I
z&0Jc#?a_>;o}Q4;$pJJ2Q_m-?Kr3Y=gTi>_^HiUo(60Hd&diCQ@(h8pInI4^JNc(=
z$xl4lZlZi>a8MYyfgsF2Yi1PPIzO8^U+KV_-#)x);AVXIdk$pR_I-SaupNj*@Q|lL
zORBnq-){Aw8W>vjUVzX40K`C$G0jX)PR8u#G!<4oUH^#Mb`yqvP-upY<$rEMEp|)8
z@_28pV$w0hr{nc4?)t4z)VmFe3i~M!fLAS5bb`Vh8jp)-?Vvx^9r{{#_2^{d9z0V$
zyb22;x5+W*HR)A<SX`4J{{Xq`#3QV4%qt;=Cnh#FIeVtik~$Y-XfTX=3V#ugZ?e#K
zj7x$yQ;Uh17d3q%21GT4yTIV|mNEZ|?-xWk4f3{SHVSpnSR<@300kIZS}xEKH!vh9
z7U-5O3ju%((Izq_nUaRJ#c&v&MJAp60)EZCt+tEbjE{Ce8seTltWVqV8}!lX1(dK!
zt~~ib*m$N}=TXMm0n#9iv}^r2pkRYfdj<`@u+Cu-!PVVc$!$U4hoGHWK0XH35pr2x
zD|$1_c30QqQT6U{fqNp}<5f-zu#(-TTt-64d9pWJIOQ`2pdmV7W<v~~7r~rUur7$g
z;9@t+3cN$(Iq$z?2b~qtA`Hlr2=hbGKU>?{<~j!f1@aCnpLk{kJb2Kl=JlsBwOEwg
z2H+9`L>bId>xjb>g*M^SZ&x&+*BB9egeX?wUhzf#13)%1#7>uzXDGqHhZS#-PWat{
zAH*SNj{ECVa|aF|`CwPTV}@qxyA)8}@s;^S*a$Mxo{jySg4DjncoEzU9RSP#jxGcN
z;~m4U5)=}usjdcD#bRITLT7BM;(*8L?#K|u@&gc$k%{@#9#xl=Y{QZoIbR7RysId(
ztL|d|3!n-htiJ`K6{?;><EC`Qgz<?kH$aM|&r&raEztlZl$xmp)h8YWuQM9mY61#M
zPUA*Dfb#8b$(m18pbP=Q<6gtsaaZ~cCAY=vk(H^TrVrU`pkf4!rr|;3%^eC7sVWe?
z2V3}p9J}-VeZU2RXcdTnXu$;DS{m}uX|P;~EMK0uGA(WHgHyMP;llRe>G3`+n{S1m
zlmR}oJd}eVBYfBD`fA;`2dmtJBxxz}H%5z^YVR&N9}VlFPJvgUZ8CMP&59rrLEH!H
zP@8pr{}^C`fS3`3`zb2Qc84@1Pq!>PHT5nTE(1}}{QUfEQ$R&|dH4JKsf*(RUyL?E
ziZ_6|CE#e**YFwe9H{pRo?s`fpS2F>=>cT0;CuwSttnyEKva$ZHh^$8JT?~FZg%PA
zXRwiAyoIU4X1C#CXy)ne0<K1ymN2PjWN`2S2-CN9?@7V;LNHwLsDZo}`y@N$=t(Ts
zoZk(_#kDKruzbb~ZTn9Sx9bcFQkVe0HCbpZ!9)yA_psDK^$H(>VWn89L%<5qbU#t!
zT43x6whH>bbL$iNpZ@^)e&<ZR%gQjUOS_qR?>?(RST-ar@X(=Dg~;z=Z!FGu^~*A5
z<qXyW_N2yj1EB=sCGCM4-)hDUj)0sf35H1bldZO0lvB+VJt^gM1!@MQz15aIiONjx
z6f-D1DPge#cyev+Q95*}uMFo6pkjsHf5X~`3iRIUSgMaME2)i@6`82lL7V7aQMPs*
z3~1c(|B7R*rx$<58-Mv4DbNV-!VxyqU<tc9_DO5+!x>;i0$qZ!$-@_6Z6T{dO;KPD
z#NuOMc8x;=qN7RKXka5@`pV%sd;q#2@JUBO8IZ*ke3q2xy*Ea9_wiHonECu+D6GyG
zzuOsi^;Xd}0yLAba6k`XN>-=~Cl25PMR&85*g%rA-_RRy24Iu-TH}aKMvyveshT3&
zo!p>vEHsvJ0Fw>x=vPWcz&LOt><=Dh47dYzqAQkL+9m?l5j-{zP=sItjO#%N07$O{
zVRuK=<vqyfeRz)X>1g!7_F^ZM`c~Ws!T@?G4i@U>@{KSrQ3TF416q+;2krB6=;TKr
zgh1ISI=s<1yNT##(QD%=rWx=X`yT|H0M~k{Vq!|~R&{mtIzWbi6uBt&=r|H6w5-~N
z-$Ad!jY}S{RC_~_KY7v62$Y%_s!-5Q+u+QW+fCpmnU;(JSrL)bqsEF`HdR7ya-98Q
z6sxl8qumXQZZ|_14j_J|#&9nKoFxf1x>o(~C?fg6_31iK*v_yVABa)90AfTm3GjpN
z+Y3E>84myg%K70OF?^s|1YrdGwtm*`?rw}edQ6rv;nU1P&x<oBAZ<#8d^)|?&Hocu
zLi_+$+6m~zxL9vg!xaL2D-pDIaN%1=yDR5gVJ{ZXU4DHHw-&F2y$q)3eM3=dz>#2l
zmo-lEY~X=ceG1Mj0;GU5zr3O%{u~3GOlJv+Cg88Q0HE&uIpiBxIeQ4n;01QcF{nn!
z%Q<w4e}T;Jtnp@j?~Ii9#S5Q}Wq$ef+Je9rIF#>_v#MX5pM~F*wie6Rt5^pH1$Wrf
zECa8t767xp*jem5JzYldm=#fqu)MebXnN#1z?HCnA+`sGwE<*YxU%VxJcY{v%FX+D
zj0Z?0ISF3FvoQjy-8|omA2*WT0}2ztC>|UOgTHs==K$nWj3Msdm(CB9&IP;<98O!|
z=}Lu=!V&eYus6lS*CfcVw{y<1D@p7eq{-lW(6Fnd7LVD2VMqQLhtJkEiGg$fn+E)V
zF~zIH0kQ2VxP00s`L==y2B6wTl(a(yK4pt>X$UP6j-2VCp`i&z5ITbR$P>N*Xn7Mx
zR&FmQ?lvLfrk|mFqzT{RJLb+nhi*Snz6NR+c{(D#880VP$m#lM(a+-<SbZZ;)pqte
z5KDv{{cF`~0dL?Co&{{H4`5?+3JN&%ziZ@Z!u~Xs>Nx>qEdnV{R<?qblP3156b#gw
zYs0ZVYK2(@zBy2{d}g$2ZWAMh9y~tPQeI{7)#&A;a}68L01vtRXd&ToY9E58d@7L1
zB3}o#3#2mB2*H!;4Z($nWhKKRet?MQ{AKROG=p3SocqyMQQ2$b;LT<k&eVWe>|Zfp
z4t5056KcFP%aFPTc(66=)j5*KN_OSsiE;&^1LB@_0CQ<-cta^r++6u%w8#`lenz8}
z;HI*@9IJB5a98NN#!=h*7S9^2J;*y<cV4FSS)szPRzuzKC+<v3Ebe-opU#|5ai+&S
zVF0l^$!Rp)6y#>EcO*oDw~xSM?7I^X+SB>j#yNX9o;AYLO*&n*#L{1MQ3k4R`c7y9
zP~>!K-L`<*se07M(Qft|S(IWLDA-I07en6AHM=XGZwCCgv}1m-?o`0|=-+S$NiS}s
zz_B?%-GB#zl0V-97tWer<eN3vDEVmCd-@ca;Dx^cl_q(jGm45E*7(g33*R{4K_0`2
zMQ!B{n`5?77kaLuxSpKkWMx6c4k8us>5@5=(pFIU{cZc_uz#23<F%unFo3()U0+)w
zNpU}><CZ;Tc2?Hm<btTy(X#*$lG!|a)`wDA(8w<6TG@FGCIo<f^rD+iNyn3TSVw>?
znVOMu?#!vp+<%S-zFqWKi6sRuz;4b54FbfIkw6BkOXI<EXy6grogwnD3*|GgFT4k$
zHQ=S3kGJu~Oo01f`5vRI&QHnvPJj%T9D|mhsCHQaZK&W!E+5Fg0^`HTs3E>*A*8#Q
z{iyq;x6}&&G-VmSh^+J6p9Ta|z**h$!^Pwm_)yutb4}qE8}U_uef*PLCu-7+9n+Ck
zKMmdya4PK1T422>#B#N)p+Oxw0b6a&Gi1hgc`)k+qapyPC(7;SU)F%@(g46EOwCUZ
z1QF#gPP4rSr&XrfZ!p8?UYa&#CNr6vLs&mz&e(vr|E!;`$?wTp8@!ETx*%V=-xV4P
z6S{YDKg>GstTCj?(3w=usERn89!>iKO`JP-ycjhjy0#0rCwr>LHum<3fVF}zC@3fh
z>M}br;YqkG1Z&3jHkJK>$$_6r>SH*nGKz|}VDI|?Z2<Q+DR4Sxx&b(x)WauJqy6n`
z_+0=g^B0UD3xHxBHCQsS2BJS(JG;=wsbI!NODw}?@esWx@S8s2$%-8Qio}S8faeTb
zR|%xhV6?#L5`hC0BW0fmbae=tVk&Xe^y?P^Ku*bL|CAwe42}$NIq^`V_1>PGWa?Pa
zO29?|rS-;m*$No2-iC!hfS%30QyUxsDyWKKu3km{q7x6}llPqNzs+Jg%IuE!cGG=G
zeZiAQ7}=one?Ytn{HYJzmT!(cR!57{#3Y@-nTcOXLmpIu;LytM`efBMNOkW&U9uU@
z9fO4d;Ih=SQN1!WI5<iG1g@_?Lk<bBY4)N`pshoI>$^oChM?mS!u(gNivktqI_0}X
zs*ST8kzFt&VfVXW0*uZh+D^i{Zv5O05(`n?W+l|ECLxr{HU{Mq4}bYNARMmSntfKK
zb#+sdv8P!|-g2IG9=p~}4a393$f;tP<Xv8F4vtd==<hEih5+NK{%ELR`6jVG{2t(g
zjLGl;;2RZv{c%kw_e!<1UT2yMKP5s)0AxZL8*+@l0M%#=*>f&N)XRq-IruKeV$GC>
zab;wAQ)fXtQ%X_guw$rXjrmwKH(m+ErhtZ$^v=uYss@~L)A#I&HLA}dv1zfck`rU<
z%;t&Iz?@_BnPV~R^PuboR|!n67Q{pS4GT!zKqS7c{>v07vU)Q|(TJ8JD;E3@h(X{?
zvGAS{iRq}@8@KUZmE<ReKyDtym+p3pZeWAp*eG##v^6#T3FwQ0vt-A^lPpUwul6Q_
zx}tTLQ%~A(8ENSNkGuBlG29>80S<vg)Y0Cd)MCKc$Uki1@JTj&&KKF93yyp9mWyD5
z*im0tDNmXroD&ELZr!zEpdmw<sTRbx%PB(3{#EETT?ui1+fmNbxdLWg6~rC1c1Lea
zy*LTtR{X%bos6|E&k$J`rL3Q10km+8p944>^C(t`-R<B+Ni_b61ZZ#uKhxPq$gRkY
z!2B$OQ-O_!wfZRY%-{!jRe)>VM=WA;|7fjy$!8p6)^J=5Ehe-{FV5-}_D9p6`lsvv
ze5aM|e;?k0vb!$Phb>f_Cd<Ack*Ca1<>iC2RDOXkoig?EN>Y!_(|tWUNPhQFj;8<V
zFgYqs5tYmNaWB<+Bv3%Fm({S|YpEeuyQuL49zs+&;vvIJy>2bk-^(uqTnP56UlAAI
z?SU2M7B)!9%Uc^rIxC$;l%qkC;@)f>t%ADQr<-o{L^#`Ai3q$6$P|!$fn_A0t5DEA
z!)<%N^YU7#d!Ec%>XnmNh-`SrEXdlv&i$U(CczIVyL$}zo;-uPap55}I5I9SF5V~8
zqQ4KlFlZ-+NEM1P*jV@9CFkd_2eah&7C++AsRot?Zc^{qSQgbc2Yy@aQO$%WITpUz
z$oc_`c>3$*j-d(zgfutxox^=-w;-$$Js#_cn{fxv*!o$C?eXWTBm*lSc7JpP@?0^j
z=8z!J<;^^VjEeDSih>HeHMkK+B$y%R@!BWhvnur7W{KwBfCIN0%kmg|lf*fDBT3lu
z0=4Lc`Qu0+&hN+ecs+iRuJD0>i#zG?^{gFy=RS{+&bxk)g~HVMudJ-}h@E>iO<dXI
z%O%D43>Q@kG4sU=h5l?WO8=gaBQj(E<eg0Cd*7tK|D`1!jww<<(UDs$$fl%u-TFhn
z?>#y}K7!b4asOQvSRNpbx#-5<i|>kSI}Nr_qdp#OI|BmPj?HEHfF_mF5g-*ELg4bg
zz7Zn3FGk8;W;?N;8$=hHe!~66!{Y~*7hsqBPe>LZ9KN9>+&5A8WInoj*4@7Det}1d
zx#4_}*SwUZ$Im>cfV(QE)StT7f?fA_>*cyEMYm(m@Jn{2c;k6a#voHR<keYw(h8oq
znZczU#8mP>Pnk8S>CziNeVH!vm0x$FzuzQr_Xxc1lehb+GjD)TwEfqWP6E06sGZ><
zDB|{+z8S5a`$zg8>x@|U*VO=M1mQKG?VyM3gL%Wjfh+a66nILsYd^>AnS!eJABpvS
zUPIGIWI>D5vjI!i7wEAI^(hUV3kH2f1Ki;M!vQm*w9_@`2zbbfizh%hjNkalb8ZYF
z^Rzpvf_0+S#l>evIoDn29W-CDPV9JZx~v!PH>f}D!(Pc_;gP5zht~6=gNvpIRAE-f
zR>}_=HA^MU!#fsgQl>zoTBqIWBYoilNu{jhBXvi5Sx2a(;nNOPJ?$I4D3UEsr7XhM
zXx*t`4t;cE4s>yHFDf0TdZA7533iQ(6O|lCoa(!t1q5h-@c2)Ag9VxZrdVN_9!e!r
zZHP0wIolM%J^)!N_yMmX)W6Bt#jn}oh{O(ES*7Iz+VuH0I~&8kiAI9?D1rU8i3}#W
zB`NbkX>+o2E0$G09-doNJw`rGIDkGTI%VQ6*!TD`g=Ofd<^(`a?`5^5<u#r2fUm+7
z!w|NI&Kq%B9b`;vYTUkW;zvV+8z2#6W<4YN^A=At0UJ}Ym2Br<4M5Z0e25(eAjuXA
z^4H<o^75TO+c)<3t-^z+ALiUU8g<@oy~uiGQor*-G2<+<&ILU2O2LdY^U+Nj8SG=X
zb>QQ|63DcZqw|v@@GvzswX@5s*ONS@n0Gu>7hEeKWTR0R;=$!nl?ve|#=qaFd2P&M
z+hbB!5k&QFvIVgMaR2$uX(nus)S;(E5-H|3Q%n>T>^Bq1u3g>rm~14VSiZa3z(s$N
zV*-YNn)^zS8s|8E%N%(?Qn<+DfaIK!Ol&BCCM?B{#~=k`^WMsGeb-emL24tXFATFA
z?tVwn6yVa&JCZc1oSw<E7OMQ1=(4N#5;Z((zsM}{E#sVNd%NqXzkUSzIoUSgL#1pS
zDkel+meseL7A<-bPXRVn@nq~{_3B&WkZ2q-(k+hXlAROWA~D|Vmcr{2oHt9uf(@|e
zL+9CwyXN=Z<vSNS&!>(uo$r=eg|$Aa5jbi*$;8>dXlK2XGo#@#7XQWMjABpoQEY`x
zgN-P<?zGAyhXiY`$CIpo1Q}XX%bTV{eK+^QNqyKW8MV(G%L2J0G1x2@wwoJM1{!h_
zY)hWG;zEPKKQEY~V{-V}8uy--<3+J6>WnI6tXv;d)NuEA6Snuh8N)getZ5BFmiwLS
zm2klBIz3X$8ibsrslnwhCti(iVJTzk4VYTFhM5zk`H1&C56B8$5-H(wzwjUa0^Ci6
zxg^nujIlXwdvPKigfgtKPdLPXY-iV>`bKaW2x~QGNeKTN@-d4^XQ)D#70pvJi)3XP
zI<*1I&ec3Lg@EHPAa>MP4>31!(JbG@TOVN9fjOW2P|i7`z0QgMYL_=drGYc++s3}9
zi2XL>d+8oI?utQAy}?h-CXBw_3%l=gcthO_!XV#MKj|#E$QQU5e)xNJdHI_e*HPMg
zO7!t&bgNM&OMlN@eomm;aoUfKjXkR;C|Rs>?QI*_PjK6o;(?9_D9%yhyI<I6P)`+o
ztbOq-@5E+wx)DDSwAv-vWZatWCtDAmcXWTb9pF*GNO@?5#(+41XJY@jw#th=vK<fg
zjM#-5uM}I)ki(WhKVbrz^L9HHa33M<jLPL><X*eF&CK_CCg&X4Ae{mePX<sY;EbRF
zZ%IBM=3Zx@6OG5R1d~RlPZq0?V~y$eN80eO`T8}T3Z>vY#G>ACF?w1^4UDW!R49Gm
z?<+h7?~ZGRBCCfIfKHweW-p!Z!o8d*eWunY)I50c$@V}d98RuK#K|tmP)b_ga@%3?
zX9{)%AJ!0Zby8xS#8<)lXyAJ72u|><+CnGCkxv)Ihu~sAJJmL4kEuC7J1zh;e18K!
zCjyOk&s5W!9uU4=1ditk4P@179iN!0sX@PG^XrT)psVyRl^XkaF+|>f;tT_Ita(kk
z!-MxEiLYLEGU=Tt?D^=hE7~&i;VqKj1E}Al!>dk#Cq50v-DWUKsllhtScDPkTNOjA
zW2Rn#G6I=lbbY92D3q4g{h^h`MW!R|caQE#_!by^pX;WVEmkzmF(lNy0Ij)$fj{;!
zfpW;CS&au^{HT<&*PiK=<9s-}DlDh@s>vR8+oy6;O^t!A>m?L&b0U*54A95sw|!i@
z{Lo#^RANbN0J6$>u7hS=vA~S&JyG1gL`5L7^Vay$JMm-(fKa{92)#Xs<oK-GEKA0K
z5Z$&}j=^A3D#UI<wI^=772@p?&Z!6SUE~oWC6L38MYThmernjnlw=K_DkL@byHdlC
zq7=<^hN(WKk3mp{B(JtZ;~<Ow$B*rf-`lL{XRltQZHnGq89}f)-iK559Tp`BM+L%b
zya`5yxKE*vttI^9_V&=*j_+X7Lgj2aS9}+`aZ8O}*4oaF$ILlPeHn48QPBH>P~Wuh
zcbab~Wu9BFGr$ZU1O#Y{(48+Re&>qiG=4>M6Jo2pSveKrxg|)nEkB&EJ?f3U*?qrf
zCYrAO#O*UgxSxAV)R>6ZVbxAk4Qc<Nz;dt}TzIn#x5EiTacwBLW3zmCSaZ8}<)Xvr
z+9d*l?A%Da>?11UmrVnpuW>oZOuJ`PwsP~*TRUDCs^hm(qu|-7gSbtkg7Nk*L72LN
zWG4{3(IOv`<V1=!#x1pxih}Kh<I;3Qhv0^L!dNLtX1B~bAP7`=G`#>FyrMk5x3@=q
zx+sn0_YSsxUh{8+Fc?svwgxL{Q0d?><$=l?WV4WINxKwKkT^sTDv$v<fni19!MLuD
zJ_om)Y6tTWLO_SvMnJR3G~ADDpM<<9+^aaqJA(r$Or->gaHRGG>Atv$N(8P48)Zii
zQZ!Jgk!$+-H&oS}oACIaz(6jD6#)z!E@KAe2*iDz!5xM}Q1M;}^4DN!ijkYaSD3y4
zPMY@ir6BJe;PhlOYS4xUO45Q~T~L3N?QSI{Qcy}ACb*mlSwnLCMU>BWJdD&bg7hFz
z$j{GCA-8=B@q_WfhZ`9RHqY!;Z!DFU^GaN)G;1dU#xY?2ps;K8zyoT4aW~Zj024ZR
z)1Y8vVfz+QH!M}Hh)?kAJS=XIp22IYE{5D~n7};QDNmW_{yHSBR=|_i2oNEWa{vAk
z3&A@cv_Nv~dG9q-pZat7cZk|K(W~0B5s?2LcX5P_|E=|8yeq!eQuiU{5YSWviE3mc
zDaY<?{Ta37zCGWUD!tNBR0@b*R-IzW7seJ`u?YAFDda!_n!jf13~mHF5Gf&W#TZh)
z!*YRemY0XhD_SU9k@_yHgWK}0QIs5=+K$ynxuGh3*!W))Pt{s*jAuOUV6cn;6pxSs
z1RpXS2w@2Aj%fh|5Yq9uB0IAV2T;k;Xjr*^QxB<r+e2h28*x>n6O{=;&Cjpzk6t%J
zmbH6R0Jb9nOdLvJJ|dBV%;<}@H@A_eXgkxFy0bAnG~^A?Y))2(@qaPTlfYWU@VUCW
z#&gs9Leh>UzcPh`piN6367i7S=%tPW@Di(DdG4YF|IrUDv4cm3)95~_o3|Ji6J3UN
z;Hy^n$n(bQPc|(%$BkT6bw$_be?T(cfY!zBNjQhK>IEzG$V+s)<nf@2+^KFQpp+w$
z<L^*~%>XP3DV0L}dv<y(&#I$-57|4(k#mso0E2o8uv_yAs8!6^8}w<dWsvPe0BMkn
zecM^^6q3xU-tg5{IbIxgEc;qQf=@-FM+Q<SN(Vj~#ISU^pFC7xhy<spXK)0@kc>mk
z)~A;stDpb{i6Y_eqC`Q+wZr}@X1yu0Xi%VaPCP8}$Wvb3%r_G~T*X5y9zoZBUwyYw
zBinO(vJtLygp(X9?;)Z#dOX_lDB#KHWupOhx?2}31hk=PD%laeMx91Ts0euMEc%=V
z3(D;Q0IzDXNg!Pz9^EbQmpkV^k|WAf8n~JIIF!p0pjlgzIx)w{)Q+wmfe%8i`G>7+
z8hy5f>FM)8GlDw9tG%B9Lx1K*TnTe*kaXGoyqp|_bH1ae2otbU>?)lFA*Z$8#7Uuk
zY}4twjQ%rX%>v+Q^R~T9&Sw)1r+NZ%s#;on=HK4=*5?7*3If%-Q=10nt4TdtJK;g6
z2sfX^dr%UYchyTTdjvpl%`AU+DES+=FyqXE4=Mr`x~5i0k~BLk^Z<3=8wMb}J7dy`
z-VHsdw*s>*mOA+z5>!m#Z%ADrPK`^-F;+G-oQZkTGv|2v9ZPI+B=8XoT3fOd2DJ5M
zL!kV2y2|bX#EQdvNgh(6E1tL1LrB@UUNbR7wnM?XvLR{UCQzrpu@tPb(NryG=aja%
z;4i;ZQ|uG#eTrB*2>psU8rVC21BF_|dXVX~^}cB<vBJGwVXB_lZ9j=21XQ|xyH-ko
z@(p5symc_nMo?U-t$)IsDE7h!mBapw5?|U7Z4I|0KotKcB$*(Ex@Z2<WLLZfW}M*b
z`oP#iLQPrhp_As`&EOUj@X`Wj?SPnGhE|J?omfNC*3)gRISkjafpE`5A7=w)zdE23
zABifd&N=WSaB#>()>rTyoSq>y!Z4N&A<8!_kSm0-0)mUjKr(~cmCx_UB$(7yzaxaq
zG(*tj^HLn0Z=g5;T>y+o0nISj8i<TWigyh?mgu*ehzR_l4+3(KP_oyiwL{lT!91yb
zNLl9gQ_ne8A%jU^8#kW7B(*a5w!3hg8VbsifwPJfCY&9f0VbHf)dI@D0DT^R<Td*F
zqk~|A_hC&arND1wCXNjQH*n|+yyjTu^^S2NvDyG!@TkfGjRZOGUZC&9#Ua@Wcs9a2
zE&7i`$z28%_#iF!JZ%QXN}VKZcx6<yLqE*tSJ}r@jXt;Tn>54O42QPkY3p1^3}lD2
z#5y7S13Pkhcz6$pV5rf;NAVd8&Vm!;<D{(Gy_1u*&j!-Ze2)EaZk(+&oUOoUAvd6|
z@3O=IJ<%BQ8*ufMqt)mC0{FmR=>oq$)v&qo=N5E#ctYU{>vrq|1kMKNT0YxRWU>(W
z9H%DC#jIgu_f6m+0-CJ#%tV1{+Z*JOp*N=M;CG-HamDx18jV{7T`1Z8AK-aFze(KT
z%Uh?8P(6b*lem~dsWKCSPe$%Jq=brDu`a!Ar9!CYkTp6kZVX`U0B&&mvy6m2=t|0m
zLOrLG3lzx^)*C!+x$}$2xEz34BK%fh3lEB!bk91JmX{+XTByY@t@&l;<<$We7><=n
z*lTD2OpoW;Lox>DHi$yn<0*TL``)t`3uFXP_d|nc@c}UN9KcD2`6)XiG5|({JnnW;
znD;6IEZ)?8<n0P4T!KR*4iuAZP^cNOs9<nI*hyiW79hKscgGmv-0v5gD9OvSgL?;o
zhL@qe3Vd85T)hWQ&dhu2UWH#!x<u+!FnSPXIdQ-s$Hy;(oZ-`;(MU;P?i~>1b}D}2
zT(}UJSN;R<OOp<7{Mzd3>&K}+4GmRQRbeI6Ff`B+*w`x-NL?QmnikT{V8jVSJyw>N
zb#-;0=0B?WDUhJJF;T$*1P=IzkB>lZKp?U`^WIZ6H8pC+Pq)>%V&P9xg=I9fTk{0B
z{RE>$6$Udm!HvcL$d>OTP8)9Z?Ag-BSA%3_@JOKNYGYq(#1Lkr2oYbUkCbhgp~n9E
z$`;qX09)P~)J#1fMm32sJkiW4%1n}}eNe;iLUzVqFF#-Z)eoX!^6=~U_5C=1COT6x
zusRd``RQTU|Eacb0sf3O>+tk+{>+c<L!fJGR}mqtwGRpD{NUw+k;;=>uxBn@`2Ru%
zgbTouD0b+0y+r;ETMv8`*6_)RTb~48EtB9%^9QKZL7!?{VmG3Kd1bWuuNXMfT7uFz
zhX-l?{G$+bUR~;(+m2$#??v@#3zI6P_s4b{RrZ@-JW}{0qgiMOm*mn|`eDTRKi^M{
zydM`+J$N%X1v*hd0#FO>pE+d}kgy-E^N6+86heW{WYm-uI&ZnjNRR&^&ur6L)dyuh
z2o;Y6$<~QHEkPjgr-c^xc8=7jx}e&UDx%Yo2`m&RKf>0FLat@-?1^<I=|L$r=5Dx^
zE9azng8g{D6)R=X`gDcii+7hzt)8M?+gP-se}9|X24N9sY{=ICXo@)pp`R9_ZD#$q
zj_q^XeWTKhc_~bn_^N>PV97}tgx33HieM{L*FgLs1Fhdf$=tN7A9KF>^#Y8$xaw+D
zS}pu4;0Ai2pBxmG+{7Sx_++W%R8{+#TLhP_1JTtu(UApb)_`_}wI8p*W!1b`M<pQY
z$8%E$E)<~zd(sGoyixzvzHCnJE#oHrR|J09AYLgl@>_dDA6Pi2?2Tj0p2X*DBTJo`
z2Vw@9q`#qkmIaq+*;OE><C^g5N0>PN7K<;cdr{&Yi69TLRG;f=kRT6Blp;krh-8qj
zSe-I8P6+L&LGPZoT?R!^JWZpnS#LZx3ofng;n%sdSC1GcY)z#r<^f`{-qfKth>>AV
z=-X2nn!1fh4nP&GMof=3;*b$c*c+~5(MoZ=B~-1E({>xJ6OmnDlg{xY$nUI8T`;oU
z;x^h7+GEi{>blfPgRxXFktoHV+zUztxym^EJ2lkT-$U{e)BxlwlB1GbQho~QsxJ0g
z@D_GSZIxJ1gVGzZ6wwlv9}$TI;GmsXFHK&>Kvr!;pEaCV=xHpYFxjPY8A&^frC0(h
zSJr9Jv@1Wyh>s5z-3+_-{<`ibBHkI%n2tGrl%vkC@97F<HxO9{NQl>&LD&iTKsOv?
zDdyR6@np_-GXeD=ECedodBIV&W;TecP530?@i8Y94YG%HIXqlLj{zQHTqg(gXtMfm
z%iDPa^yew_RjsM>M4bTStZ8MXdy#PXY7HwdB9FcPU)}UUli|qLzrghJe`8jb&#^9C
aI6o)oPI+7vy1tG4uB?=zWWKo3tN#Jd5lq<t

literal 0
HcmV?d00001

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 2afbff803c1e9218494e588ac8cccbfc3b8f0868..0000000000000000000000000000000000000000
GIT binary patch
literal 0
HcmV?d00001

literal 31399
zcmd?R2UJt<w=K%=X8}}-AfQwgkPeCwkSZ#@3DT=kij>f#3Ivq^3Q8~1l`6f54jM#C
z1ccB+47~`UBfY(E<NvgG#u@j#d(OS%j&~UfDZ74qe{0P(*PQ#!15G8WGt6hm$jGQv
zl<(`1k)13dBm3Kf;&1TD=c@~6$;h5Ns@#{?^-5kKn!M#QK+bM`s-CVa<Cij881H&|
zTCMAW0F~vLpqC79106mO2b=Av#9gm_%gDv`L_*;6!0z8B<}R0MYG{JsEN4SA&z)U~
zV72AG7`5@}L{J0G=5u&^*$w-sIE2^qmFY{G<?mBstJ+?-RVRz)rSn{5z!Mj`I@&&M
zr!A8Q$m@G-jmt@Kc8MJFXj&6yXJ=1?LnON+XH7f>y&#*HzefT6O-#RX68fvrLp$+O
zTJF6_eQiD&THL}5NjqS6iYz9w<f$Z`K3(0?-_G|GT%>O&S<z@JHrHbRVkfwv4ZQ@K
zuPauC?GZJJ(`27zxC9f!Pz=`Oo)pdQ6``t$_s#O^LhLlUX7DHEC|ZiixNVI+Dfbv#
zT!`Gd0;Wnv`c^gEd#HZ6B7e^;cXY|s$da<ilBi$TITt@%`5mz0CViVt%WWIm!JDPo
zYLhd0^NR?6Jz&C3EJeglD91RJ!`FG1vzumK*wSBGuKL+?Ps!+gbdj%|e?d&t!C`7x
zcjJ1)!$Qg6cDKVX!B18V%)BuJW^IQNC71|kUu&lMS9Dda=#8qw;!>OH@*FGL-Pl`P
zF0@XzS1cLl(V3c+s7L9}2O2aw*|>^D?=q_iYZ9;@jJ@)G1GV0V`Wl<H=k%*Om}=OB
zF8qk~JJ7CJ(MQr+rv!{8(X^oYXPd3L3b?o&h|{{SPz-a%RO7wt(NpFZyBXEKd`Uh#
zsNGn{X{w~dq#zb=ohAJ4Lh<ddX^RPS`;$br^*|oiOUQNScN2zFC-r_-(YKWLUCLGF
zi}h5B507^@(2d=}aKcGNpXj&>9)X=0b1!UC!K1Rv^Hq`yPqgdTZW{_)2_KycCvOdC
z_P`>lej<xGH|U#@v@?Sy_ymz#vCmWz8JRXSmwsQ@Sod-sT6SN1vW?S{u{F^rx-X8b
z&7Y|lTjH(yy+3g)uIkKv^VeLq#<dN1Fd_07RRzqM3_XnFkx)j<x-@-J2A75cJAFdu
zoS?~t$gL=|Ru{I}wqJv0%9R5w<1h<B0#8O_2R^uS&S9?b^ntm?v@W+=Zf*WhaPQj~
zt~uXvHma|wHLAItW`@{lJ1^-^x#@ZLwY~k>C<RVa3iQvIJ)lGPRHzQwBQ7DTOmX{O
zD90S3wHdE2bRn|%31JJ<?#}8xTcgi9$j9DH)T|pM4VdXpubq%EnI(BnH(7qEP0@Fu
z^I%ij<YH}6nY;VdJ=t7qjL3k4iPNJ8Lim-y*}yT0Gk;MEv|D2aj5RB%ySlqcMSnq)
z;z0o0z7z_2_2SyU%oAv`zsP<{0WEUpA?*134}8pbq2+#Dpt=J6eHs!(3;l&D{JUxP
zKUf`p0!89g!GRIV=M8iBX@A9S%UqNJP0GxeUT3<2;2<YqN&!mB(3BFAFc}TZ!Yg%|
zr@g_50PA$jxy8&rXl4+&e>qvCo;PgW#(^MtiOQ@sw^G=FQw6v4c#hmYOLz0FZK6`Z
z;fK-ux{5R2$P(inZ|S<QXI?`jPbv4oK*W6)=@g+5CX=E`R;pbvqyx1jC%6PD2~W2)
zhQ?R#c>MH2mY5c;J$a8JURk0YF;&f#&R^4;Hx|e<r44E+sC~Z{)rT(F<;PTd<zMd3
zTev7|Fk7jwE0m?1>;HPft8&d==nNrrA`?bZbXll1l~KEci7L^kN+_|ty7SE`uA~Lp
z@<+vyD{m(xOqJwmtp%<Y#t{}PrZwye<LtfiCvGmrnONN3bB0O$)|X$sH0YxKaI8$h
zgM;s=lxVl{oDJSuf-pKT&-oqXAz8S~pJ(cE)=kpnLfV3IeNs%OtxLiHx=^!DXt~j-
zikN8X_syLZK09}fPM@C+J&^A47S$P1QrFuSR8nzznS8uPQjYnzy^!6Ou;>svMD4v&
zKr=YgWP}lzTKLBaa?iYYpZSbWIq2`-FjXpy6A&yCE0!A;GT0x<ly9o~t>1#vH&3#>
z_|1+%FoX$b&#9v0UEBxj?B$LJQ~EV3HUw2zoUR&C!nHts%hgJG|9lz?JJniiYrs8k
z96q}lDQ;2X#-@~3I9`Nn>rV*A#$7LO#kaD|7d_>0lR%jCE@w>zDV-o%bJ6Kv2Z5SS
zf8LhV=Ta?JcI9Wi{7+JQa$jwV$0il)fw|Ji--~_;+1`6oaR`%a+b~DAeltzIU4!r;
z4=h8C6HiiIISC6caP(PlC;3TBz%<H<u34$*B&C8jKdBaMfd{t1&ozI^b@L^P;Vp_G
z2vt~@tm-DU*n6Hpa?d{uXHQNOUz1}07M<(ALmBK4cxV1bq>9d>>}Fw%&g|?fi%OmO
zE+x-(1dSFEd3Qy(C`Pqccjat-F_%VXz=>RgEBG9@H9w=GNon`JH?;zJ4=%JCvwh|&
zaDc*Sf%2Z#Q1+o-SdbFFC(V!23xrj*m4buI*|r_X{%qSB0y{`VR$9~0`<Gi*CUIj0
zqUSP37cH?X*|w?DHwx;K?dCklW+?@{sAPGh?3Y4Ou_zRS?GYuRPYRVV=g>oPhe^|4
zzIUNjH6`@OPKpA(qA%$i{W3MXyk#7&<uOb4McEKWl%+@G|IG16_EF1K&}=4SfAv2*
z+y9Hf;{Sxz^S)5QFSJI_sq^W1UiloyIKm$?`6pZ@b}_1BK%xZ*g7F=C7FD^mo`%1j
z)#oLu5d{m0%5jv__PqW1$$EgZq{+pg8@28~mp$f%$-Nw+=YG;)oY{!7HCBmK=H~Z7
zw9Dp%_qh3J4rMEDTS{t0!Ax2}h^xis>PKa}$Co&bOGY(_7RDs1&*CTB@#_2h*|X%}
za|6{}XK<G*R7%UO1YA!-X|>w8$3HCO(r8J`Q~-C@gbfd!z8D?)%sU5)42iD8MA5TO
z+|}MI`(pu892(i>wP*1hauiyv(YV!wu_|}TrZTEKo7{tzl1a&(mQCNH+TD<nsg@+1
zPA3y~-^Esw@mk2FRE{UuO`;n$*uD{F<aUF=Hi8>&#R<><(H3-_VxWa1RtH&KRGfS!
zko45m<Gk(&{}0PkycR=s`zNvWORoGbE?>=Mf=*eecQd6{ohierY82%hT>d`tBd{uJ
zw=0OmTNe-$I+@w%${&MB)r~L18%iI~{fl&Hu(q}u2Aca9C}ggM2%Ib%yz8pg-OaRF
z)`@dBsPNHFb`b6i@y$|6>}vEsCy*7=TK)*PGtn4srKXcW^>LQm`+6`*dCGhDjk4hl
zWkVHZLpqOO=AA52r2u3O?#y6MjbxPr*4<&yWnS2BD+(s030LLoruphG_I$iBM6SrU
ziRela$e}BG67I;B6F8l=aJ{JVlWL6qa=jji*A+tfjUoKA<Zu_bh>DIJMO}(Vp~7M+
zX^1BS-e_%$*RLYx)qPSGEbdZXZz=N=%_~m!`ymEbNX_Ghf`A}p-8~JNd#0`DFKH`i
z>mFYG{k$QLNV_X<XgoxJ`%6ML-=5!h#E7AxS^dWY2zB&-`&J&y(H1IzgNc~O{LYXF
zne1&$ac1MT<#$jV&a}at{`gq{d$pSeoT`4l>(6a@iC<fG{5BlQL-Vl8D}C}FcX+eP
z{KnB%w|nV_VV#p-;MI*)d!xtsLomOhcdkMM_q~y}fat1$bK?@mF(%B&yR;Bt8hEM_
zhiqHwaB|YJ|6HkU;sk-q@9Fyzv=sojzn`=DAQ<TN_v=(J`m<yE`}IrAP#7V*MZ1<I
z3cYyI`u`a>{Fg#OOv6SR$hH&%+N=UuWj4cw13e#_>V_TDcQ9uMNekfkK?Yv-P>*h`
zjVya2;eQW7u&XpaaLie%<-bsraT%ICNH?~eephfsiSBT<RE~l{5|>Ij2cb~Ec(7C`
zA1nyqu?wq>2p*;}=pvaCN0M+KtbCG%>NMx03_bk@0E07Y)mPv>5&+G*Gh-~#hH<Iq
zISkG^#fpCpf^W+YEmlzG2PKL~%TdT3dLxDgHf`>6-gl{A(ccLlmn>_JsJ1KW@1Pmf
zK73LgM!iP_S^8(M$@FTn21b={%h3Fuq2`b?8;C}<ba5y|?X+ub)z$>P$6j<f!BL|~
z7Ux(qDDo@FzUt@1NgG03U)C#Uwn7mR7|r(+gD&?Qdo^?XxQos;yP#V2s&J`Yj0UN;
z*zbAJt(17p)`P4rOlVCu0AccNw<G+jg|&7QLC9UTA@#ElbrL1OF7y1>PJgBodd_rE
zSPWGL?HLE_L>5mLzS>V{Mmj0!5lyowi$-H>bg!qXtF3RhKYi+%*`fz9N}_e+WdtE^
zJ64)dHY`--r8T$mV9Zv^!YeEF3%XFtf4&`{9Mv46uqH;wCNtf<_@VDJf{?)ovS;s_
zgI0jJ0Rh$ECmJ<K8&$H)RX~ye`8T~WBrjbLW1f$bVP>6aaIKr3cMdKYU7QlZ!8CHW
z!o)>N?hA*!&o=t`>XtNfpK(_zD;4#6YXDMfM6Yey%4)|v#QX9JSr=pGdU-!uDEFpL
zB*G{FGx22Ai&3!~)fsM6NT&}lNe1c`ja^=rF}SFe!ch)bW_Fq~9MX;C<*7$}%9HWY
zdv3E`C=w9`zZmCdb>^nV!}-d#52GZDC2@QE_4Z{CY-dr<DSxGwY3ewEc+(;QkNn=n
zXcPS0ZDw}0lt|UE(+3L&GVH9XDT%)|hIo_>Zz~Uhtnk$uGmQS+D4wB(0iYz!;@Rt8
zYiCDcxBGA6;~wKfeLXdoXQXnJ0ATRHIfOBBmqJ7ec+*Vm$X5~Rr0W7nzubJ6?-^#>
z%DV4S;+LJGvdb(Uz0u(}Rg#>drWBx~6kwqgcuP%L7Z5~yRl&tqQud+hhEGb*gZLI(
zWziI&G7(>T|Atc^i~wK&h0HmsE9|@>lXDI(dzQLTj?`?W$HBBf8GZJz7Xp8lp#+$s
zbj`o7ZVA*8w1EJd{1c=wp@Aa8zpB&!2L;4`E)Xo#o*gQc+d;2dH2D;s4>FtNLAH4<
z-Q<v4-}HRvzwLkN;gNCkAy)43{t#}E`7h`YJV<{+mB(B{lfCcW67{zo!cqEalAO=#
zn8D%8)!n1&fWOj^m~H=~5$bQyDlg0;J%XJX7Oj&956LIf_I|bmq__o037$LNoPzPa
z>U&3cxxBh#5cP?UYW##B=_vnSy=}22GC<4TiQTs0IezhQZJG9PBK(q5<4Svzklr_^
zqbHLsquxWyJB1e4kvqkg1~_3o{-mbsBfHV9xpdGvo0^Agn8_~A12HVDac%OO#Q~OP
zpUQtj#9}{4Y3?+~fgD8Wkll(JrIn5IpDT7)SA*XFxDP`a_#U<+kd)BdMCC&p3J$E+
zQTaEUpsk}U4xbfAKmdVK?<zA!fST~l;^<>-DD=ULhDTW5<8S__i@+=F%6!x0aH1X=
zD3n0b0(k0$C>^7Q5=Qm$pc$DXZ&u&jwqVHQ<d^ZD4;B!J3Z2+?^R>SC4NQ)r$v!h`
zvY#0-yJO9zI-sV$_}j-l{)Ds`o&I~apI6Qe_6YOaMme*+vAED)E8l$GIy7rRPn{~>
zHdY6RzYC!_2G!o*Zob*VRy6ZPpYA>v#yv+q0K^Tb|6{aN!7?6Xk$(u3sw=<u$K0eZ
zX=Rs%2c>gq02r8pt9$iq7|=95a(`%=oXPT4%e?j$D{Dy$!TQ(*72ig~nPN@8%HR6{
z<g239lZwZlJ{C>U=(5HoOy#}-RYhE0#2+Rox@6FfA{v&G+<C5fCBRuUWw|Ji1>w78
zE_RlBZfyR!c~quOH);oiH6NaG$ZqGit`4i$i_m!XO60z(LG<`@GYg^q#N^I$tKkKC
z;`Bl@#>A?11!F=fivS6WUVkOm_%25EE?|W;^^^_0i~4E10FEo=K)o7VcWnuj`4W0H
ziM&B)_Ex{nm8?FD$+X;=)Vk1+oWiOzQLw_wWL4g*sHqN8$OHt&bdw{~CE_GG834;w
ze}i|s!i>?H$B7}L<Z(pFE0Fb{#+DHLbKmOlo1AJdgm99lc7LaybiYVAgT)k6(NEb+
z3NFb?F$fd1Rlix^($0A8#qTOnyHMV<7s@l%W{npXh{yJ?cs;OChy}FGvo!C#ZPhGI
z4eWH@b_OUW+nPp+4Bi&DcQ9vUQ&kLef2#~}Y^zm;YJBL+Rmn#Y8?XFsUZZ*}XBZwd
zSoG_3=tOk|@6`?Cuh-8-isV^V@{4Sq{J2tWT-d=ewbJbTR5>*NZQtt-zARO#&Xe8B
zHIJT58qpR^H(1i?Z>|ciDa3-)q91^1fV*n3>a7Q%u-77_jl1Y7p=`H7^Dx6U5tOjG
zN<q}ag>eXf-yezDb5A!N6SKYB#8btM=FXB31W}Fgqgsc#Q^V-~xr%v#9Daypa6A6h
za!JJ(3f&g=v(H@!%^HS6+kH)lWOHKn;Ut*n2Rs~4Q1HQR8(Bnkph=GQ<NEcNHx3SU
z25Th4MGS73ZN1zwusC#jdo-73?me^ld3#09_pNA&_|A<5N%Yvm2HsJeD}9%dDQ=qI
z+SPm2<wJXaxva=eHunPilvB~QVgqSVv1DugG_AT)Z!5-v5t8l^Kb%avfn04BW^dZy
z`PQ^*!R*;U3R5|zcgC{uhc{8Lh#PNbo8Z2VZmZinP8aE#4genv;sXW8ofMX%FaAEu
z$6@sK{d?PYj((*Lm>s{>eG|0uvVJWdc>)R@yuFR9bL%|r1}kLZ=<Cqx!%>?;8KFP6
zo8(|<FO4^%$UP30(d{&jO`p`G*>@I)_CW{R8o$51Ts4rjI>&YNtN>amQOWq87hA4q
zs$cu|CUNg*9;bEjs2dx^y%@(2eec&Z>ib>vUD|#m`Qg0QAqDX=^r`k!m!j?QrixAx
z=*aHSuL@-t>~C<09xjdgjvasYg3I?GX{jYn8(QVx@m($P9Y0OAS&Q}MFSL$Jib52E
zREkFxQB<Q8Q9nzbADfnG8<iOZuMPu%t9eo$0*g5O)sRVE%@~~^c!h~$@!%rFL+LSO
z#c&i2lH9AqqPX1ITHP1Ts|b!Y?(sng-mICkBBn~(tSmwB#B9<~hDj?lXPApZQQYvP
zF!0Osb<oO8$b{v1VOc9vjy!D;>C;|rbS)|G0jrtiv%|@0btZa)&gmU_M%@HwHh0NI
z2rT-Reiudq=1`?~v;EUjZ3$I3&6<itQgE}on~O4zR*ZuZlvZXg9#`Qm8lYY*S9k?e
zY2K(M+8Lp_UG=)%JC?gXj7D#Xh5}Hcb9P)(vyefLTLtIfBI)xk?1?9L*CbIBYjUc^
z=A?+ZwP!@w>EP&cqg9ni%9Kh)mt;#h_V?tAaRSQ@;Plr64H6@#8omQMhaW+Y?sruf
zxj(-p2^ByBVAr6&#CxX}zP=a~NlhJo`k<CHT<RdD)R=0MI0J7o0f9wS<JphpPDU(1
zmd)niIPUUod`Ssk<2bksJ2weMj)8Q37np?LH@&98NWX^I=~dU74jx_{OySz^-u2K~
zTeQg>y4q^E^OB1B4~MJptgG<AD{z$|HoK{h<u$!e@S@@?fL`92^Mm~gmFq8$xAi|F
zI#iiP=G59IZuWByFg_<E#NGNeS~qrG<C#}x%Sh$~V?ob~@{}!Mu0pk2Stcm-rcM=(
z(VM5q@+LgxU6QRRD35{<0JnJ>jPue1&Lej5!HU|&wb7JwMU!s<?Ss)m4u^^}vnRzv
z9SHke)g~V+KI19JICT#hMB)s{d{=pvG??Oz8p0M1zqlvs$W|JQ@{Btub`({CBDua3
z6)P!k`@SST_y(l_Ii-o`?buJ;a2i1O<{vugj=M>>dp<w6D}zr937Z%~3u<U?s7GaM
zUr>|jUtYA`aZdJ+o6IF>DIW+bp-JD-Ld3@RJv4U*-A^{zfg7dUbqKvNrzK<Lslc$d
z{~0a#B|etBmb+kVZmaPa_(yK0m1r#903=oU>2|b`cN&7%g-t2n@j8LxibTGuCky!I
zl#L!bmB(uU839P{J-w~ElzRD&rH_>QzNL~sgy1A$_~^fEtKr`J!ufYRxagh-o4M3q
z%KRzRHs_^IVh<A<u}(<(k(*CnqZDwU-l>q`aR^`muoCpB+<#S`KM%c%$oS{J&wmS^
z{9i?fUx5zxKV;MK?o1^ox@ERZiQHtyK6{H*Bw;9Y5yq(h?RwmB?9)h6ZPU?S)6s97
zmeZ<D)4`&X|D2jdNc!u@O9_!x?3ciLR96?N;TIGv_J#*zbi((@V|AdH?5^*yZEwG~
zg^NP9IrDwpd%tRn;1`!0_m)_k>Q}4%H{Xemcx@3q*X1uJL|*a^jReQ=Lol5gQ;gim
z#|I2r_#ZTEjrjbQ+aB>*ZaCZ}WgRcL<Dvwba(BvM)u0U}RIlgKO<3=iJ8BU@_FR9v
z@%*4yO+;qGLn5nBO{Ag1yqKzadxEKHdw;##>5yH~+ENi26ZtV|&fz?0r|CV~5~F8)
z8pj)UaJiuF%p;#Y^`X<^C;+`c(IF{|O}nA79&2FUUe(;NGm{i9+Lh$gnBer%XFAqE
zeO=a{2b>+ly9J4^ruF4RpU%9UE1dTPqURjO3qjvaC2_#)tcSx*_)Acv1CS|}sy=(R
zc**z$V&OJC>A6b0cxTqY&Rk9!a<zr2ytTMtbC}057@X*qxzA$d!m2^jZhx@v+~aqg
z@zjBeePA3V*18Wc@lG->YahxFtOxd2BE`9FJN!<2?_UOlzK4LVt62UYww8&0U_AiT
zb8$h~OOikPIkd9zwgQKW;*<ithxF)3DmXfJTE1x)b5>-EFwTA`6N2C3mfdBnHdfp`
zrtqdCf4)vEzP%>myMwjx+9XfXTle7fAIIDH&s*$V%Ifnibx`dLuQSr+yVWRlFxKo+
zJ@6}3rP=*=%5q9aV^nGv)6S$b8zs^|L*j6(dDRX5sV+i>k9*;sHP2tFl=%S*19%AU
z)=_lRL`|8e702*v>VxK@&Y~Qg1y3uxznoRgwv^&I;!P^7V*f2Q>bu?v-puw?eO~mR
za%QtSdjg~YG{fP{pl@fS$jlOc&ETl3X--1(q1}k1WvdHvV|m{M--eg`(OK*r+L^u{
z$kei`@YK)0LBAeLDpWz|@!Tp+m*^_45)~LN29)A-@Dj#EBOBv{vR0)`;>zu7_PPmg
zsY{NZQO)HIYmK%Av^jV6uH)_(W4qmm5<rH&F{XnCl9h+%h^l4Lxwvt6-mj{eq3UzP
z_C#oS^(n`0PNrhHYq*^%FlCY~)^90wSyypvFWC4m%{KjvNvvYonMHy^aRuKkmOrD!
zaT~M*_w@r7tcKGktOnfBw3m95@?CWXb8^-d*uRhPN9>A*iqY%OYhZLRA<}wkWvEVe
zh;rPh(8=o?u@L*5=1d&Ae@yj(Oy|?kwK`TpbR`H?5o|}dwxoTfOl{BpJS$Sa^6O}$
z;T>RqS{PozH2e<+{SShmQH+Ll+Ek_O&ZX^O%DYGQq2miiZU?9NAMPw%T-uVX(oz&}
znrUUjUw=E@Ur3ZR)!LIclt#qrT(xj*B3vR$f@SbGq<?M6u3mJ!nx#9pbg=d%O`kR+
zrlfiD%R?<$ZBOkwgP(d{%MEcuYzz$aV&$eC(y5@Dmv1sqAM#KelS@_u4K1m@wxA#A
zf(-ei&Guj5pCzn*c^OQ@>39p|50C1qk>>)Ve{Zc}MdSt;s~g_!(;#O(Lz;G#j`}(F
z@o5Kms^XnQP9`k}9PDVr!f)(bPtrqh?;bT6n1f^N3LEcP*`_a_zt*>3%{l6+p|($6
zDz;oy!2K=OHj(Mgt$NRMG~wibDhb4h-VgW_I3Jw+AhoUdf@buZXL|vAy}LzFC*|#s
zC*GsEPZF)s5v#u_2@jHR=P3p52~i3-$92oBf4^z5(_v873f&ZY%S~xA$fJWT3%`y2
zh1F1z#_jJnyMKO<^xvyGT5l)1#C_%P-KuL^A4me@Yag~C>9HEOY$LZ-BXTq`T04I0
z=Gr|sslth@Oxwf;^H~>iTgKK>B3AG1TZBoRP|3qy6lo{`*?o8@^^`CGuK7}W2}>b%
zFKy>!zhljWO^y!6y12H{)!FR8JQzZF(|^c_B2vw4Dwe(eV3Uw#p`+>t=6RQ6fy~y=
zXQSKS#LN6+rS?)R_Ces>>2z`|@|!s^1I1_%;GC#|{^5lpXrg{F#(PwY_|2)gur`6s
zjPB2fcXxM}hZ?lHpoji$g+f1w`?U8C6-I7$OGo>MPdFXUIGH~?%gT9EloP=AJLh(&
z;B!6~stz0PLxCAY^%vKTVW>DOzXOtmXXDXr-By>z!;NB-y6tbrp&N?(&un{WtvMnk
zB_!I|Iapa2R!(SxJ-r3o$cv!f2|JO!*2;`uBTagA3OzG&pF5$$=zj-&o1_vNwDOOX
zQ|@mnwMSk(>bFG%IVb>1Wm`9)H05}0hiV)O!n>qmoA9RRd_Mc&RTD@<&`wM@pi`<Y
zMTw(SbK}jQ^BpyQofVlL&DaJ>2hqS525kt+Vs01~%mib#fw^}}{qGKeVi0CWeAhLg
zvn+D71l#y&8O4I>Wvm9_U(#nE<knfjI28AV(9JhQ!T5khPSO%+tw-YxfBtQ--#_6|
z-Fm>T@K3{Z?lB8S9E3#>Bl#R(3LM(GNd1&ru3tAKj6>H6O3I>b4iux{Oa{$;gnUfF
zMt+06G=boRpHv#9KE6Ev$joqZs1qe_$BA#Q`pnR<f;k&r2~H&|tbT{w3E3&`ZTZ1Y
zHJ3|+RP>m`(HOHNAC+C(V2Ov_)_bW)XoQFn5X}8oiBf<bM9%u;jP8ugSxORY5hnbO
zFMW2V<JC;YLez1-;MMw~vs1&yK(i8Z@|}2DBwOpweDS_Lw8EShUCZi*Qc;n$BC@Rw
zXjE3lm7r}x-&y!>b&+!*V>p_{(K9J;_nAf;)}jAfM>qq4yi0o@K?BPMUzc#O>?VEQ
zf3b2!pTl>%$FtFM7l8LNGN3%E4IOS^Nh;~rRt3l}G<Um837@?G0j0ocnPayZWKAiR
zA~Y|Y2c$8UIfzX;HcgW+ZfZk|EEwLf(3_Py{2@_ndX)`ZqyBOr_DqC|$bu<Ob9B%x
zy{_KKw$yK6;Rhx-ht*Wt-j0a>=Cd@cs7dZRTbQX?=iB<*YjzA=?X9yOQJF2C>(&GH
z`H^zlOP>B)NlyAVL^rRgJal5XkVZMEy&4h61F@ajzVEbIbLcGAI@O2rcH|BBSFccp
zCOO@NgVvVKtIL8ZXk<xI<y8l*Du|m{@EFdrF&%95kQvk&{(B3gbm@+?=P`@U_%`he
zmx5MzM5Ol~${pOquV;heWC<GK8PeN*`=(8M4y0R^(Ji@wwxm|)+4-B|C17lQk;ucX
zqv#`EsZ{?Ja)0Mw&QVq*Z5R&@w>sq}ouF=$bynk&X=^DWe;ddliXN^@oAM310On$@
zz3bZ>!Ov9Sm=QB`&GhJ+C|F7tBYpvvsxBi}J&v36ki7w)zP+%e+704aqFpW{r9k)w
zOVcU~;Xnlk!@=H7gbxY=ZdnLBY=#J*uR@Zl%E%kcm%|T#g_jAXKmh3}?0JkF(%E?>
zLvA<2e>>R!Q;ejH%;Ls#|NT~f(_NXCNdL)E|7kCY@2PT<3vygV?4DEecF3QRM`JXH
zcld6xhqDbHj2^XDF>9|ga@K_{7QR|v_YwGkM#$WdZXCb0Y&oTwvrcogceJ#|O=#Mg
z&*$Oc8DzbEG<(MBHE$TGA6=rjY!gj2AF4#LZ`OfEj8C@h=|C=7$pz10(PBB*B2vMA
zxE8?!3%K<Gz(x_1QA8dB+TgHNZH-22Xa-P=F4bXWcs|Xj%M@%t^8-3T9t-sJ`s@Vs
zK>V`9;rDj>D)u#(w?S9o3d4<8zDG&O5rSI-I{QByw6S2E{75Eq)85+xO=|*jtMqcK
zzc_!^y1RTkoJ%{jb%{uyXp=h>+4o}XEt>qvObvcKZn?VOl3Qvc@gDMw*8Vzi)GfCs
zm#70y9)wQAxY)Eskk^w2O~ebqwNGv;Z2FBonjhU~@t@q~9IXiYQC1MkaX~!EU9zzD
z+9%bTuxJZ^>5jKtFKiRZ$;shfPMibn^!IWRy;Legeq{&&r+`x&-6~NROb$YGH@q$v
zBfMfzu{lJ?X#st}YDMON1le18?J^GLl=c%+8IaD2ImRrHPC6C|@B{3--Ig)#(lmHO
z<Cz=jm$vna5=TvKB8TUc#cr0x?mkoMt#h0Ny`k3to74b-g47RC`f*g;@xj?O9=72L
zy9?!V+x<*UWrRqlFvmSriAv+g1{<1+_ttwC>0he#Y~6yuNd?0gpsSG5ju<iRVxMXA
z5RwG?hvu9%o&H5aSy^s1(G?;Fu(@X_1-j*t;{NvIl6jsFTc35y#LIcG&Tb)>w`7lY
zx}9!xr5)|09W8VpI_$q#h6%i5ZCTCeb__or@VKLC|AW!P%}@)Ks6GF8UpfoCNs%&g
zzdW%V>L8_C_)m=<5J&ws@iv~KYXqmJh8Brfz#VtZ5f`FwqY-|)548r&v;)hEZ~T~g
zE)buY+lT#?K1`2h4390*aFa|$k$eC$)>14RozPM@^p1kvqM<&yMZ;AfE%lVb-oSz4
zuZ2-6K(*vYwBrR$hUn#DPdtrScxb4ai!8nwb=WTX`ab3i=O)3G>}k>H;(Ky(G$K-u
z%<;mYi(}eP<HA?ts~@031t|W0(Ed%UHr4v`FN!hAFrV+SFy^<Y*!!42EY@enugJ0E
zM#GBpf483N-xi|(d)vDIc`@4Rom38Wpm#WynK5f+pLGIl0I~;)nDicHLpW#_eWqe4
z%4o+o6fjeTlOT--ZU;kiSB`?J`A>I&Y%AheDGGHMOuYoM`h-Jl&t=5`6^4O!q3?9B
z$*Bp8f*>{12`z#%n|HoX>!R;?JF*l>8zQHo7Ndg?eC;)%)vqx@ug|A|>9}@S(a#T;
zu{czz4G8+N9x&&y3KX1prF)S&^PmE~ofJs=1SFcEVHcIT6OPTA!ux^-g3Z}N^pa)H
z;@r0S3h0gsuD7b@X3Y*7YX*W4u09J&tqZO0gJp7)?H~hmF_{wsbwg1M?KFdbRFo=-
z=B%HYxfUv!F$=|fQq0-wElYW|J=bvF9){}KH*;-#oZaVSLZ0Ln_t9V+VgZ%+s#q>$
z4JQUZ8pNsQ_SVhqJf5_3^>DfhMo_047X=y<Bcu4oeA^Y=@GSOjup5;`>!g<|hL^s1
z<|H2PY3Fgm(V|!W9p9~FB6s%|AGZp>yLP7AkEHB`Ok2Nc-D%g+F6krfXzuUz{%z>W
z*S<Cx5_~cbO~d2AuFExkr;~>I4Uz(anoLZ2fT8=dmmQ^hDu#baA5Fe7Sa}<RKUA}d
zf^~}1+5jcfVswviUTsaBK@~=%z8~IXpV-@2u(8?BYpO)Tp6xub{$X^n&F3AyG3D`f
z9+mkW`6fbc<tIBZ-W4U{7J}1$S@Lz$$lY9?gUiwevq5k}G=S&sOnPs0q`2G_`S}~B
z79!%d4(Ag}5?R3s>v9!bPyDW&03b-GJKmX1!DT_Rt1`d#Ban{xy?dzx`t?_Nsy(o=
z&x2+sKGjdiS_mpMCe`$RYovB!03BxpHV+6whvK*oeY(>ngbT6!fctd<GST8s9XnrY
ze}4xRd?+dAxB5_T3k*mUq2>XkQ_Py>pxWJF(EA8>+_O^MZ+A-meIZ#wHlE~h(ninv
z$1>=(5QRP2>TtH6gu>cTOdK_h5B_%A0VqCtpyDI1->x!7(txQ;WBoI%Q!@v_&e~_j
zgdUgdYJYkW1!p%-(KOlI0P3RyM;<AgXjr8X);(D>$IR2LPF$K9$oU*HfD#c>8VD2V
zHvhH8BckR!BY?GJD{ubyaAsDZVaTq?$Izm(Ippqu>q~zLG!mPiVKk<#xpl0jYKM;V
z&(4v&htI@uG@}vtI6cqXLziT<^p3@Z!SVGRFqHTp#-x)eRfpgIn|m@O+p^d0UxV6l
zOcrJEiy(eOf=un9C>=ZL1jfmZ>u-AsCy`YTEwp2k)NMxid1Y~n6`(){lF&_zJ1n6q
zimNlN6hX3tO^F(l(TUx|h+Uvex&rqM{I)w2GFc6C$$zE?1fCzdy46H(oBWlR%W4{G
zo46xtE-Ykf5}MiPP2_%L6Qk4K&nc#&!<cC`q;9x+OpGq*bMgS)22f-9nq@*6FnBGl
z`Z>|j`${GeD6af|p-mp*1h45s#PiOrgf5JGjG296Hh!@}v3U~0){Z%Pl0i}_`hL?3
z_i}KX0VTiH!6f8PLS;y_cj*thJZ}ITe|}vN8+InGSA%P{PEnlR!%I5C^Wkq<N`X~f
zp?~4Y@0S4aXWi7eq_IVVt?<3NX~sHJ9E^r0%giYj=qe;96jJAd;6NhVwEiJx4eFP;
zGgbNkdFezr)CMRk%N$)C+H9q2ZmCo@d30CFg%uDh9ikzVV|L1++KG{0wJ<^O3w2)v
z;Q^1#>=j~%)Q8Nq*36}V3M}0t94e7NMN*B=ocDjk-lwZp8Dg`y;&mBmwL9@Vf3$OS
z6wJ9=7UVN+{V8cj6Mf_XJaOh%+~-@v8ZBABfCzNz@BNuD&=|a#6uCwU2l8<+x$UYt
zm<+iJE<#eQg{NLzqR;JAh7=EF;+EbdW%Ie~0PW1eIi@4|@nqY?DlNyFut~|VF`6@;
z#q7;%V$!ogtpPyJF`~~_RJDfNd~6;?kgE=RXqw&d^99d(Ea(i1GFvattUP_-c^kBv
z&t%(R&WxNZ@W!b6+1RTL1+1?tBJVttG!d-V+w=lMzJ-synibQ=9T6OTkQb}tDO;Q5
zj~NFHeOqdWRa4SdY-aAl7R*#BXHsR;aDS`*jlZ~>vf-*_lO3JD^y;%UKp^IlKS1+F
zEsjT~=)Kx{ER(!okTU9V{oJG_EJmgnEWfO_?~^!cR*JBPN#_AZ^51S^c@ElyCq+3!
z<ecx7wWN#>lv%pfVVO(bFQ}#EN`%x_Qf&}_)Q=if-6(|fA1Qb>_2QB!)a)Y@{l61y
z0A2y;=BXSh4lXBmF{<VQ6$}~#h5cjZT1_Pp6ltJF7d~01gh`(R>X_kFFwBs>AsW~P
zAV!*tG4bhmVZ9!ZN#&F)5G%<D?~~0;ort#^SO6DZ`6&KaQWKiZGMch<6P`3otJ!63
zqzc?CDQD#fIpu+lgC<DYj>g4^Ot3+#aHbI;>;a|<(Bik0%&!Y+05V6638WeYZAK}_
zSRKd@;+n_M;)2A?zd*&l`y(7~Tq*Omb)qByQKzX=3yuKbK>YQb@)nHAJD!JMic7gd
zCRZ)__t5u{4Y5W$$iit|Wj=RF*>(Mw`q+x~7FS6V3ToRd-5cT2TnzQM1VScpt9Xaf
z7(b%~g8Gm#;Jmvi1*&<t{z*CNTvK|TwnaswQdhv@luDG_+?$l1kTU$@NctciQjJDt
z+Rk<8tOU+jN_I2v1y<4h9B1-IMl^f`lxuCsTrjEkl$)R%U6*y{LW`Yidu2k24i9f9
zy@#*C%sW3If@Px{SjURjZbp;<+VxZ#fxBfR96%Q@84+Lu*@wNJ7+OCitm!1IAmDEP
zP^dp-qPn^ut9`?5)k>9UQ*B<X)~(#|CB6BrZaM;^3c7o45<r81cT*nn%BUJ`Ua&Mc
z;P`}TfBIhN?<|#h2{cLa4><|)FqeVk=YD<(=HI0JryTY9CQ`31FL+9A#6F}PbdlXk
z$XUx5CZO-Lf5x9Tfi(6iiK>333B8z9osRVr-mNR}ra_WNtd2{vA$nR84OE2yjP#!Q
z?OGGH<rw!gsYI=t2Y%`@oRt5`mCM1M8BdEgaU=o?pEhQ2Ovb{?6bKwBg|-7!Bw4>D
zNf~|>vHPmM!>!gZRlB7;EKqk<1=m~a05suzIESg3M5WB;zWW$!<sn7fb-1{A&L5}1
z1A4${ewKdS)D$u&88+Er8X&?<l+=udnHFo{94bxOX57Aj=;zFqrNZ1&iZChE&nGzc
zo9R}v4qp20W2BjsJtwJI%p;Wl8_v!OwN<%%z4O25&(1~><U#Sm<$wci%R+su^mUaX
ze%9nP>`!AVD1dlLFiQTJP5*l%3Et#L1;Y07v@_imCWRUD{z`$w`zncGo&~{Cq+e?r
zwP*y}F?y?mIW(^aNQ6KF(F#O<zuiV%3h2W}{Ie7w+qO20NOHFVRvpl7_qj(98oYiE
z@ANb(J715srBsLC2Vjoo=G1zX_fU6Va~)NQz@i25^kojU$F`^Hu<UY$)dXHm%hp(L
z=ZI5!GZU-B7ul)ofXn3Us~;k!PM1ibN72voX4jq=^2N$99z|sVJ3<TCnK;c}gK=nH
z9Kr~AXjBsA=!-a8-KW@^k0mHcl=kfJgQ_1^@@nZdUk8xIn%}!T`r02p%`pc7M49S7
zJL>j8xA_2~q#SRQnzr81cu8<9caMDLo_g?0!lMdTRQCy-os_}E{6vBygeuTq_4*>W
zyRO;Jlf#i@98k}nB&i8pSML!<z-;4nj)3M~(-o2g{8CEqjJ6ONq&gs4V?y30r90-B
zC8peO1PYwYMV7nG*H0geIFx?(zwlFh7N`lvy`ql1ym;5S!+CIz`B{R1+K_8GFP~sb
zK*x?EoY|B{>;-`mca#J$$6gOiBQi8TU++P3Vwv|oF70_45QMr8Ei+822CGz$E`Db+
zAK|MsDe4mnJjT>nC}6+xE-nR@iR_pX$OMDU9jF`_0YY2fjiOOfn+f}nZgP*Q(wJ<P
zdYztmh*)O;;KuY_<a$>OLmO0DE+Kv_zcGEW?C?`9Qc|kY#If;_En(nJK<XD*=e|{9
z_HmJ<GL$WFtzaQ^j+IhCg%6(9rJP{TmYZ!m0yzP)5hlA1zd4AKVj?M!pCc}>qDXiW
zkLKQRSoRohjmK?$7^QFWN+=bwcOyyEeT~_T%<N2RxVp7yso0#c@S7D>u0>W_kYtn_
zG)HuDfaS*-BiR+(X;elpX3}^C&V2>0ASody*EB;5@x)o0He1s>FG)jX7He}}QOmZs
zFHxOxN^0Ck2LXM+AI0d)g~}q{u;t{DPQZL^^hIm6LCwNA8O~Us(c7u%>r4ke17%<Z
z0F|!4mWm<V;|J|su7Ak)0IWiqoxCbk-|vQQb1Z+I*6|mN;@ImD`0>iu6Ch(*c=2$S
z?s;4uaYO%_TOAi5>%4oM6jlDIc8IFlKUPovUu{7FI!l@hEywLy(EC2?1gMJtw_@_s
zG3%+y=UxOMeaOD*JKo8t_8-_+GbA?mA2GGSzPX`S0!o(n^KRWv637A?MEx%iGSCc+
z(OD0SZ!py0&ANtzSOq4XkD#4v6q`~4wac}E1FsK3x4C~Ox=sLG{>gUTd?0HKX#mwh
z4;Q?cK&xpJ3Vb3wHaGp2m_Z%>2Q#z=&yu&)sINE_#YnQH0rd`U)reTR(A~S<pyw<p
zOE3MVyD3d?wCSo5@F@m@N-9+yY~jmI9hInT9RBfmAvhLdrLMhb3NW{NAtSgrx*H_9
z7C=)2Vm-VuXUv}t@W2l)_kly`2bw5e3p|}K>;l7J?Mac4lLiJhu{t^;O4;iQ1G|bY
zf)cTzfHh#;jM0g{nJ|b`NsJ2{;#CDQy}PQptCoo}jMAL3>Rr}5M20U{*oruv+?V@-
z$`ObHK}$3(Ik1Nx&V%#bGz0`hjsCsrwS#>?7-x1pRRDIBc;6TuK-#3R-zK0P2*4vu
zRO^K`jdbW|+Y8xfg=l;j!=Z_;>#ZO+6n*bj^FcmHj&ys<qDo#k7OxI^tM3$n#1Wwa
z6q_52j9MFl?}5qGKHe?EI}p_s7MmeI3d`~{B0*qdj?Wz#sTcRTpu^+u3;w#QJCK|b
zf&xi96>A3*--QDZMpYuS=?*el^MCoSZknZ_4j%b=FR7wyB`JASn2R{QTT66Qn^8g=
z=Ripxd7O)Zkh8ly3Cj*lM}ATp6Q`~jn19ewT~YI3%OSd+N}K=kZHuvB%25tmu<SWJ
zpo^6qiW>?o6nv{TYVrX%lQm8oamA<Nr6W(ho>*fPWTQj>P7nYtSKzfl_Z+8}yMv`_
zSa#spTZwcTjR(DGP^uSSHO2lK0IYI*d>SxWXzd#CNQIe6KQ?Q<1ae&=1>q(Qbr^YY
zOQ&_2!RXBZq=<iew(X`*O4wHe4ai@q1dUs^$*~@O(CoPW_;9)xJ#+ku{rrE`w)&r?
zIaw};Jjv1p!e+9|RFr4QJcy^pUIM#n7n4d9ge8_1qqPea^Z**(!K?>d-|KNt242LW
z<-}_OOz&VRLX0DM+uuKovar+4=YKL*&4v6a+80{!z!C~Ph>#CG3(j&3M8+jM(ts8D
z=?{<_DhC4DKzR(dB+5KstXm1Vf-+z=Q5iCWGgjA3Nbp(rx72a_4N$*wPt`Me4&s74
z(%c>*G&<G;dZXhI{kmPUpl1Kh-+Ue8e&GVOEi6<gZ-~k|I!b8w;y^3N&VPKwyKrTU
zekQ01W#kMC_d}T;K~RtAiclN2{V`Wz9Xj1_gA!2#)Kuznykkg*k4?E04R)G8Y0$LQ
zw$jvli&Y)B;9)#6ull&%CxIL24d%Rbd=;l`lQMHTP$c)5#maI-{@@~nU;$tNj6WjQ
znrqO-PRNb}Ank!~<NN?RT!nM@+=MGNKk=gzTXx@yh5$VfX1C^>+Bch=0=Cr*`KFmN
zk52bwP>v7gAPBwV=<S{{XIC+-e@yMpIIzA=hl`9ncG{@vmevEz0svF{k5c?)Z9oRE
z-{!TeGG)^w^z&DjnO2IG4VphuVF2AQ0KyI@0d+Rux+x!x>YvgT0{Ik3Wmd-`P_ghD
zQ#1Uz`gjy#it%e_U_+;k<wc-ksCv_J=x`4(_fuzAfU{)&aed#Q-s41TB%3WEuHL?5
zkKg>syP(#}0i9U$;^Z&r{<i5BE#2h6(?H0OT?L>B;P5kJfNIc@$gmhdP3hw`Bp_2B
zj6zu6GpywSVq;QUJ!5I1&)^Rr5lvKgju+W%tLLir=QY#X5*IFRX)FF1taM_P<5g#M
z*v(pZ!8-pEp?nx8=o0OA<bsY+Gd9KrNS_swC<V5!UxO=Lg`eVt3%ELueD9{$$}abv
zt!N_(Du6KX{D-|7P*?^}`sTFeq&?SJ(WJ@h>s_}>%S=j_Kntlk-}OO8EX&}=&qe@h
zf}2Z_`5lTuYd_gkedxgVFV}}h{J}~A1wM{drmH!B8F7aLvTIHVIoh<4^@|*+1fBJ*
ze7eirJqhTqPF3_rj&Xo%uXv0B?lRCRnV6k=i~+V-pKTGb4Qe==S2RWBca0jgH^#kU
z%`Z1;?Bj`U!1WE-)TPJ*9$X|2Jf$HNC<7O7!dZUO9)pLXfLJ-Gp7?ia-v3kE75^)W
z9$lc3l%oJhPEWPpjG`oK&fx}VrWgG^q!X1r*$xAi{Ig${{>99Su)Fs@6UYO?Ax)g(
z<BxBE@pX^mO<)l7Xo@ugxQN{cUzuG6rd2T9j@`gy90W};(1Hh%4XE4B@MS@SM~L5g
zz=KUa<*4i(m%0`GvgJ|~NqG}^qIWRSe&@QG%;R)abK9W;KM$ytLD|Z1>^-9VX8|0f
zvhMH)9hWb`EpCk$wE#&{uyl75G~nCagng`@*VMcI0Hy|j)*~Qx773o1Q7D|tg9B6p
zt5!CITLP;(IFwujx37KVKt-1)$nNogy8W0<%>|NG5IX?9`1~6Uw!3YN{9{$EM0<nY
z18IqqAY-4+bEwh*g0dEx;sO<){5$h!M%^0QUU>s%W9d?ev|O7e==G>H)X^1X^!889
zR0sy>*omgtL<;Wha)NjXlK4Hydch5`h+?Ruzu%b1uAPni?uL$#%wPad)qq$B!};`h
zZ|CX0a)jE{V+3e9zcGn^7l_9SA}y`ZhV#zD=8c1*K0y=TGD9bge!cze{11K-vWj~2
zAHC!UW=kx(cWOj_?4Qc9^=5b5GbV+vKo|sO)Of&~OtR+3jsov-{wIE5jRT2i;Ud~W
zZOR^Y?uoa1k4)WR#O~vpsT?tyglX4X((HW(+T6oJTi|&abI|hv#Ls2)LjpBGyNUp|
z;9bVFEB7ARz-@rESbzI$=;_`DJz3BR0M9fKL!r4he+zf4OU#mgTnM@z(!s(W!eMn@
zG5CoDULt6aRJp*^I3n>l%W<+)NNux!-H&FBHw@}7<Y$L$$`ep#g@5CNVZeMAL|Ip3
z@)AYF`@5ta-H?vc$1Zvdt3)ZfI3!xvO?yCAR6M$W**%@Ny=%n->&~XcXO(z&Q;amT
zQc`7J9L?2P^ie7W-DX0ifLBROL8B2hVb6GX=^mmT6jh^Ob&g%v;Ok=_fDHcl*$-~a
z*BpumZ)rrM3Nc@HcD#wVpm;%M_qpu&F&F=#K)2^O!2Gv8Eo1Z6kuSIh$cvsNWiu{X
zK~{YW7;fezV142P?6m>M7bP<=dvRc;f<e9c5}yhVSWsI*bHejBL+^?%@Xj#41*wVq
zY<BnC3cq{5$j2=u4OIQ4<DgFUk(`g`-y^yS%QW@)=xZ8@nOPMJF_ka&Ki<iTbtgNo
z%XsP0#jlq{#zY6DWUFNi+<vZzN}4ZQIsdps9?XW4r;QJ#IEA+>y=;hPJQJvMrot%6
z@Ai(|rbKJAPcO`@H{w}iT0$#Na%ysYyAja(jTGKvVOY?-Kylh>An`p*WYFZj<VeS{
ztt*%(mDfVCi@+eQ&xd=ryB*6rvp}8Gx%4OvU4PUe{jK3DH#hg(!%E|KlE}c2nxx8W
zGssYDSf*W+-l~AM`en>j%r!|zRR1SEML)ZJ)eFyFm-t?-pdhR%G3oMtmHoxSekyP{
zUD;DO_x@d9rFkXkqXFre^}RRTk4t$qt!#O|+=+NLtg|XWU2#T1`+mWM-@8jGT(oMh
zk~v<I)56cg>Dk0FYwTAA(<p>6==z|Dy$r7W3x&enDZ)ls&Jx7$axIT<h|o|6gB#LE
z+MGi{TPOE^ZUm`<Pv;HS$h6%PKIY06I~x&gzSva(O&?_yZ33I-CS7ifQ(Y{w#K2<t
zx0l~<wl_Lg;<1*yx`=vg|F<d81f4532J!7yq9X=5pLA8zhvi#Ze*{p3QY8JVKChpW
z%-S?jLGFl}o<3zHab90Ix-`vxMG88)2mFz={n?TTRg(*IVTz_*ZpIq>9drUOAN{aI
z*ZySRZP&j{YpL{9wudW!Xf8tMikAMW^pzM@F6NEyccic2M6?KZE<g2@NFY_WlAd`>
zuL|p`)7FK@8*u%-RWWUaQbbLYRt2Xhu-M<J?^xgub-ae^A4r^!YjgGXR(M>ISCy}s
z5AX8u%Zu~xuBwhX<2~P$UZ!(p)=KU1M94S6w+~$&D+@B-Jh+7PMT|WgJso78W2H&p
z(1Ob@8D-togb7Yrb=~oQIO6~=XT5*Ayqfs@+yQnO7sm#F7o=;Rns*YeXjp3a9h(w*
zJQ^n%;3l!OAuW$3uiN+Wo10fR_uAf4yq9NsZPG;vKA{a0mz$!>y6Xtb6#FW~CL;3F
z^zYk<H`<E2`wd|vcjFrMZ+kt=LsOzginTAdfCoW$di2xncjq6Wrd^&qx`xSS*^rji
z!=I#szX@PGA4h)w;{$sihrNAdqbv)pXmpEe)syp~EeV%w_Zwp#Uf`}M{dnTb2Scuj
z)hg<f0k_0SzZ8vJ69jK^3XO2T61x_G1KWtFh3`<EXQb0)VJ&#ASN|2}LwonhBX)~Q
z7S34Z?SsNBI!fYh)5qK>;gOb?=+@;E?_W}2)n1qE2T`1*%%QTQcv<|5&&qrBEUVY|
z$&FQ{s1cd+{nsTCzrc1+QXZEjWH0Wl)+n+ZM=Y|dckTk=C-}MiK>7F)K0u&&=AW0l
z^2ZfHM$5}}{9GUKbgw|vafl<k^C997S|X#kKzHn>AR~Ku_y6Y`dwM}Z`{kqSBUxa;
z##rtfl2t#ud<CVLAc#&(a+htA8#(pYQ_7HZJI8?p!2vI(lVmSY;IdGikF$xOz3b%>
zjGNwkaKTEHz#9_c=|YxRIAFQDb3mO#cwE_9CrCyncMlbKKbQi06A?k1D5(GOme0!0
zfmj{qNY?8sA?fc$ey#73*owU3d4qhBN1eveKkk+h$EUUoJgR@P7l$Jeo)SBL?{;tS
z*Zo`-R;XLsIrzKgtUPL(<G$g@J=8S)%lktE*HB`0&Esx^KMN+edOi<0yWccf1UIoP
ztFZW<v9+hfq;c|)Xaa)0xZAR{rS9@#>*Gq3g3Y8#Yj&lA-CY8;aZ-aU(&|m&o$FrZ
z0}i4l-o6S~e{Ar31V?Wb#-do^W{z6*SULf4Ltgt#p|&5bg`$V1;O;)sz8Rr^&uhl}
zk#%39;BOVj(%~KEOk$PNV{m3l^3qRAhv$S@g{y+MY@|9TH+r@>q><;ev@i7BY@Ocx
zRxDAfXR@`<@TPT(!$GVrV5EsUC#lso;4^1IJBEOcd0irX?K=f_GDRSnf{=%bAU<vd
zcmGDnH|uh#zh9<BeGby+*e~#iP~|><*v|6uQN+R1xMH8^&xeV=h&lPdyI<u6;#ItN
zG}wg2>EGiQe|Wu>KnRJAh_Nbwh}H#u-MDWkdtMh6i{4I=ZAyEsbuF~=VJkI4J5LJS
z68CY`!MMUf+m^?T?>e9K<;=Sqr^($pdYBv0T6h13Jj|8iB=W5}l%cpoZZFxISS<JD
z*i9OwzmHJmN|E#c7x@B1`f^n!9dg9=c1qQTY?)LtAD>+#(umo`<Pyb6HsPvkMhs1K
zEhn!EUUf*nhf+XkxV;J~5o+q{ZT*Xd?Y)Uvrj$WLb4#I!hxa!Af`%ZY0E6r9(W<ao
zfphC#(X6{gScyeMYd^JX!duxFJI{Bh>-Lg0Wi3#1TrUkV*hKRChRjzTChq>zhSMLs
zek-Y+&f78Wx_5xAeHpCFug!a*UG>xv`^*hiVbAL;lSe}q3I1ByfdT2f@vWq-9Y17~
zp`bqRRH7wAIL)J(i<@5lwXIQDOa9oXR!^>aCW_N$j^Tr(3|>_VpXe|tkX9Q9V^q0C
z6W+$>2%U#dizcWGgWLb)D+&RWy=W69KL#!RkLdFP^=($^55gj&mB*6DzBD`=c-KPw
zQ-1zU=64V{k#I>@<_htwA^Xr^R^w`gjT2&EV4!<rIrjPG`b;N|w6Q9D0ZiGIzY^b$
z)OaioSNiRFY(^QCTg$9`KCvorp6shU0<j2;MN_N$(w;`v)-ymHE*!s(z6tR`6)b(U
zBQ=eOyY`RUfhM^B6>8;RYgEo>Q_!dVp_WX4j#ipJ6D`?r^LTSG9{)&3M@K`WlSXd;
zy2DV(HUs3Q_j)BqInHF^3$HY0*~?eIhP(BPSXb5a)L}He@;>hc*BaBWcjK|(87|Mr
z=UgRIJoXT{z1`aZ^7Q*ie-#xKZ*On26XC5-V9dDQUeTL3mBLu@AMdHnU}}AL*1(P)
z**z-9_t{ly=3u{nXBD+n-dZAZ*7rDw9gQ9xSUmA(cypgWmjBkR{-?0b<xz`k(YNw-
zP0$XMVxmcT;9$hBUpz;wb&p>0d}Q?jzqqLuFI*a*nVqdDD`C=ZSE;YBUlxDyTu_l&
z9bNuyR`|95r@5~Ri*gIY-EQ3qqNE}rjkKV|C=8)UrwG#B4Bf~G=%ztLL?ng|5n<>K
zk#3NV0g(nNrJM83KIb{-?p&O!!xaw<>tFv`U%cP@1x?t3r5SyEH}ChegJ@EEVVBJ6
z>gtYRDQ304WU*|ec$Z)a{ac|@r$@U;pCduENxko>shD|5i|HXWctqY7o^|_yNP0VN
z_tj}e^4YV2w{*y({Y^ip&OfU^-#<?uH@-(D>h;^$#AIeTSF0(%&~-`0zu}%)>l?KU
znZR`>n+n|i+Bijz73Ynxv?sy62}0a=@7_(=T|tdKV*EajLY0Z|@fD<|rfL-!syR@T
z_qK%J(#q3rFyw~|$xim>@<`Fv)GS90bM3u9IXP*gN59d&%g%1K`J-+PU|*$Cy>AgW
z6}%on@J|`)>w%IWOx#-e`emr+(Kjvr>|&-**aQTk53N8>G9txk23190Y|Rg3DZ;Lv
znETtMJzZWKFFD_qI4|+uMWqykQfn!*4MLAum1R#tYw_cRaXZ60@7>&juey4AxUgCF
z7j-|<)6+pd{w()rV8@AL2UmD_cwRy+y=I;^*-YDokif~wNkR&?dy$Hn&sP5ZhiL59
z71-Y^$~o2RCayPc-BQdNfR}8mVT@2vRrTBMdC-?4VWg*LD@fz&;$k|1a$X(5!t&BP
zs|=!Eh3V<D@m9$;d4wBPu1lKv`qVy08ag^vcH_lMDSltovsL<U`FE}E`X0;#izGRG
zdvyUjuA<GZlBiwnwi2x>9;y=eJ((VU3p>)Uc9Z9d+1r@H8Q*KJk%CQqqxd(M$sFl2
z-~MN=ZO$M}j+MOQ)rE_#aLd-;Q{ycCkN4JXH4$>T`T1wtDd)G#JF+^=QSgHjU98{9
z9E0Apa9H|hd{MrP&^OBP1?Yvy$;k<AX}v%b9Urgr^y$0U*kC(62$>*Fu_dtTj!PR{
zSswMMIn}>tnk0tan_pZE@<D^nfaciSV|y$IQDsR;PhJj=RE!P2qTel8q_xnb$$M{2
zzCIs|ovQbfI4+<=dfXQC7MwzCwMVhU#KcgBOJg-Xm%p2QPkkKW-iq|xxZNM@1ZN>E
zENr4B{$k7A#>NJgZ<_hOx;s8T&LaEvjmxLv@LPNila*05`dl%V78dR+1JW7&8bUum
zp<qec2M#aiqh!a3IKy;7md5O!^2U0u3}ihCCWiOiTIez?h}CXzs3_2@*zl}BHVF7T
zJ3Cu7NhHRX?%L(mU%$e_!a|q=f32>Dhlg)MpU<bSVm4dz9d0<$*e;7AZ7wdZN~7l0
z-F*G3E$Cf{xVKT?G{eEmoB!ntKc<H`7%I4^uLUKGp@|v9MLWm;zD+Evrl#iZUe;j_
z1_<7UnwmO3KE5gFIuX+2ZHM_pg(Cx69<+bV$oTy1RBH7<3AB;X(HYNC&mQyZ>FA(-
z=mh2tBtP~ogM^`;-s<+@j<-)Nuff*V)(}dl$OqG-siEO^dgPuv3?+mSGG-1Ayq<X<
z3cD@0E2e$*)YZ)pm??(`VxLu2RC<3l_|vXFszL8Nn2u#~s(-Q;qzOw`Nf9^D)kPsN
zPtxA?TX*;N(j)BRG!zW?-_nbDgC)m2a3t@_&CRWFm{O?U7|tF2p7x|F#ZXhz<K*Cv
zUWLQ>x<`_VtPzKZ$6DNn4{q?ou&}Fpoh&kMQe|_5-Ikw%t=?T74aI`v2s~^S_c{80
z>q<&r1=yTD6j;s1S52@q{PkD_?SpR1lF?NmL8^Pk-%=m@(_q?5Yim#DJEGU_oF4Bp
z2wFdd!+?)1V})<O9U2;X^X5&>=2s+B&?4}PudIIyGj(@$nR%APBkU*k)^VQe6D@{I
zCx_eODUp?r3%-0gTF!_J`E$Ac{Oq_-{Mc^jv)cAjp9GlD`>jvBy+xu)6O`D}%fVDF
zC8IaSi_F?UT~*X>9IK-DH`d3B=D;viuG8`v)*c)#rIf_BoAWzJdhM-^yRVLr-PD9Q
z8CPy!1B-*h`f<Rw6OHfsos2?kR<Gs<65Zmb7Fq|JG*Ru&t#(ISTl=BQyqpI`C%l<a
ztyk1os$`mWq4DF#k1x0?{&K1E0BdPG%4^EsZPxZSf<fY|-}za@P3_#_x3mx5)|nse
ztUzZ6jWgQk*H8{6Yk=!ww+TCagYj=@oSQB*@ozCTDbO@9IPLR0bNx~KV)Cvw&qrkp
zBI%(sv)$CnM42to)vK0$$=GK(G~E6@mbg+Ib$NM0G*P!|LPCOw{Y2?~vsTiW*2#;G
zzkfEE_`L@8BUKf2adnLk_}v&t)a=1ZF0ZRQA#wI663&nUGg0Y0hwln=T~s=f-9CH?
zVso~LaSUNWE%hdW`bJ8ec?B?`Y*8qL!=%^Ij?KpWXY}4$KdLO6T{W5C;_8DeVW*#e
zIiEz*A<K)4U3wCPCJl2qIXQ_ad8qE2UP8}!PWyPyHis5UoBD=1&$W^f&ctwQi61Sq
zn8tmlU{_g#cbcqp1~`Ir|1|_nUQK7VnwpeJq?EUA#eV$gB2iR*;dEkiUx1LQNVZhh
zek|ZO=oNTrPCmY+v!EK!O%-KjIG)*|9QCSt6KUyxDk2_%WR4UV`K^uJH$5!3$8CU7
zkfnc-S>=BO0{4wBq>qqkbZ2D{+QW!uHOunzdAYg650^Tk*|o5`E!e7bIuW<!quo`o
zjt(2Leqin+BHUc&S|jjXxii5G^b)==T_4oI&Eh3Uo-HE%vq6o=b1f}b$Lr$?ii%Y?
zSq48TV}xDVJQtuPtpXgU<JUvBKgVlRHL*#g^beh0d1V+DocEod^u2j=ZLe{Dem-8n
z%H!8iD3x{8Mk*B()BH2881+v|hsV?By@q3*OekxBZDWNdfE|tpQ_iF&kHBF$jpXSx
z4+g*~o}6y_MSj;DS%pj|<=O8h5>?SZQe*cO`;w6RXUCg3yYkj@<1*dRd;>IKKTr?D
zjQ-Lcj8GG(c<fz0%5qLeM$&_|l0IJj%HPmCUZbDC&=vatG3F>O-NJD8JNS;`$AER;
z7dy-SLbfA<9zXh@w}BB6^Eui9#~1(pJ$cnPX=!Ps#~J~8espy7e1XsJKBfm`<ZW$K
zI~c*UhARw$i2Q-G)8hi8diqoA3j0}TW1s%&gC5Jh(1R*-z?HAV72@|Dy{@wEaa?TC
zRe9@*w|Ne@0XW_DmRm;6^9SJGLRGYV2=0&*sx3$>b$Y^qfIP`ma%XMYk}!x*=Jnl$
z%M{(XBdumTnlA=&U4lS^*1@)=D$g?<^+I)4R)p`yjRpn=HXD@`7c&oWd#sLt=GZhh
z!h5j2&dJN0f6FOi)q9(n)_i_pK{;8ps&9SG18p{V5fOw7!d^cnMF}SOo$vdx|Js>!
z*awT<W#|IWkbq8^{+-0U++6&SfvT#(GTYHJm?eOeM6_4BEOhEQ)(y`;DzHz_%w%<G
z>jedL1krB^yBU@3>s&LHtBIZM{eoAPdgua;>O)S9mskP5qCTXS1p~^S@{;^T5-4Px
zb@w>W^XJd~po^9H{J_G(qIrf)9gb+C++J@!_W~A-Z=~M|%l$#Iir(K~_f1M3x8kqU
zeqv}~3$Fo5lG=o6ZF5XCXJGv9hbnN~IKoYzQTF7y_4GVX*FOjJ7Pgoix9Cv=P?4@D
zfoy~9;_JWqojEu;SD;b<`TRIBXn$gIa<8FeMQ)~%Yun07e?}W11QxsB_)h)-9KN@<
zhfXRO*-11NnTyTL&W7pY6h!sM8_317al5mh{v-+A&#ByGrS^QP`j+rLsOf!X1%`D;
z<5nrsRW5n!xQa;YAexUYrc9l7{P7`QrrJ9@JH-#@qbXzlSly7e|500Iv3dQnzloks
zutA9hL%+UNZ=%hJqYKy)0RM%%DT-PF<-SM|8B*E5QT#Ml0}+ltlqL&2*T&RxGzJP3
z6&3l6zIOYVMbeA8xVUI=4Z|U+CO#xPrIQ#1KjyvrOImFRJV515Pj`2B*+}|3-fcpQ
zzh{~(OX6!p+1Y~~-h0k82D0Ve?y(ez;vJxvmGzC4VqO_7VCZKA9Bg1fS0pY*FTW#d
zm@>L*OC|h-DKbC${V?jzk=_6@Und2ZSz9Y=I`k1#>3)Id#$*Rp1~%2z)3Xk@29I=h
zzOVK|TV1`xaa!E+)ot%oGE<@?5qB;Q4hT(R`HX%56#4UQwu`Sm5kfu9T>FdyDnKS9
z-(Fu7qWRB#pGCmg*&Y0z0R-bwQ&(EL(;7kBe0AFQczv?UHJ&R6MoA<d=(veY<>{1M
zCZSJEOw@n=ybQd&={w9+ji+in{~bwoCGUfD0JWg~O-tK&ED1N=eDxNep<uj{Tgz75
zeKQDDjGjMt|NZmvo(O0woe=8AX*C2)JK<mhf|9fZkVw3}RLI(DYzfbP*r!7<*A`j7
znqR}k%^mu$J2=hM)K|V!SiOpNS`)j8(onR)FOVp>1wk5R3yTHNF~!6ckXDd(pX0r(
z^YJl@_57NR&Ym7+d3k*73iC61#2Ntt0`euZ5T;OLq;jhgW8xZevQx}@Cja5qoyzUQ
z6W_>D*-iaG$$Slh^ix+NW}eA-j<78+AK!D;B5g*bMqIW%@~5k0rBxsOr{I_=2R`sJ
z;@w{X9K?^dw6ruENi+A?zSxG?x|xTQn_CZ}YNAEyr(7{$xGtd|_0P`Eg6zHfObn>g
zlw1-mHeTG@s@r%MtIrE);Sb18{2hE7w$b^~D1ng5<h*jhsO%tTh~8nVT^Qz*jFCDd
z``3usU6)X0ql#JY|H@8iu|qgce@*gLj^y{=nwL*^d7kyGELGLge3Gy6rA}m9lRd*j
z^Y(Xb41S3(W+84TsXgAP0rRlt4nb`nYry2Eb~rJg#dxb5SEa#@z}>mJx`Oode)S}|
z^mkh%L*y2dq^(liy_wPaGa+?%ya2pBba9x|_HTghXuj_f8jMu8#Wrr?%6(6oIyT2w
zwXq|=exa&a92iL%-<ntHpG~^<-5=M2C^wczXDeIcG*oOhzi)|~iz}?q@8;DO+k(2*
zH=OP;g5?^G;Ico7xN!l+)xh2)q%2AGlax3Jp%}><iRnZNRsD3wh*|)zEpH7?=GEA?
z7cxBw_N#s2k6U-h3)ndjggcOujEjkBIc;tSU*)tuA!IrO3qAxx&$fC7Q&IkG)NGO;
z=N1;elP73;E8e-Gn25n3eNPU6qKK)qP836bY$Hr-T0q2On;YM_u{b>TN<C`DKKfby
zlbJHS#yoIy;v0zxi=9lh8cmlxmQm*KhMzsU6vtHM6RW#9y4axG`xsSVG7lZ<vz76=
z7qy7bBvE&qqScQ22_EPf-=L)2IEuY^h1jX2VPmSMq|KNW#k71ZH@lbz*NC_Ik8MCi
zA1m=i#m4S~86?k*iH)t%=RGO|_@2>{p0XF)wJ=LOcL={LE@{Zj%mn^KmI{;XP%q2F
zH1RJY2&u_hl0)ezz{x4k97DQG_4?5}+FTw=q7o~7!~5*4se?KW@B|w>yX;|=+5oDo
z*{7s$DZ{Z?Q9&VupOu}RPrveA$K@4s8?au@lqg%<6$6_h?U2{@E3Kt&2)R{U#by(U
z#7pQbVIX6X$#CA7tXd0dHmG(x1i#*4;M$ugtTe$BbF%#UO1A4#mND^r*QH)E9R-MD
zqObFBz)TlY!a*tFJU~<>vQ(c2Z8q*nH*4Hcn=LP<f8cOCI%y!=zHe;}y@{FlH=^RN
z3O^Sx!SvqCOnXryxmpFm^xh%b*v!m;7rM<@CM88h7H^{L%*^ftp>S=iMZHP-yRJr2
zftzxOF>@gNCQsXsYdJazx@a~0y<(X)y=v!}30%#1h$Ujl1+^qcNGIr2FjEbQOQuEI
zDHCgKu43LhUT23(@o2XC=|1c}5k`3mH1hmpNdhDEZ<anU$?=e1=Lb#zGsZ@Rl4<Wc
z%+m#^J=lI1te=$D!!bKwWRH>qDHGq2RZ0@s9aNRD&*P)mS4oQN!``1%Q;k~-$GwY0
zhRB%-c5sCc_ntj||6IY!r}UJInnY~pscWuI`po`uXo>+VdH*4m=RpLVu~YD0>p$wy
z;QvCtdRX<vuI|X>#^+&`RaKYDy-)GOetvEC+X38~QMvami6gM)X>{Ukf=fux6<v?B
za?VHbO>gvM4Ipp;v`0Y{pUrx0gLXVFjL($mK84K(S)>~I#^4o?Cl_NBR$S2U-@gx9
zB<7y1$^Hkt=A;=PgccA7K=jq@uuMyENr_F}?B)TUGT572I4eY8);r5+ax~KARYq)Z
zX5F|w*4U2BXN1SpFN?Vr`;2CJ?E;2bWl?EKA#M{lg15^>UX~>|PDha<8e7Yx?voK*
zw%_vxyPHx4H<0sgyO^9)C#MwYfKKo1qU&sx(!RW}8Gq%aZ+#1D-^-7tGT(>UPLeHP
zHxEG)bw!y_F?U!cLC^+Z(b|`r4nZt23bYsjEC^hW0)YTOe<SfAbBqFf6XIY-86KF=
z6y@}zv6Og8JZAHI+C|T5`$ZNS+Jo0f{v~iOkYEt~d`;~6<)Q#;lWA)~@<9P7t+$VI
z)%4aStQH~XSn_p+=>c^edLM7{X)&wyF_l;ocM&?DK|BVL5JG%GwY{Ya4ft+)zh*KS
zycNrrB=)-@jCS&sH|t%h65~iEv6|y_y+a!O<N`K?72<~|f41-&<rnX=td*`z2HvIG
z2}J+mym58!qfp0}BX9PpPj~8`$RJq*)acQsMGwWqk}4;p<OrHJ-259D$wS8?rI)Ag
zkrH^<8XAyKlS>|@U3QiZvvr<$!p&lr4m>$cSy%@l<WkSy8}d2?MA$l;N^(UNs{4ec
z>pMiYt<D)u`6`4>%(w_xeU`z_`jjyt8_&4aXJ>3yJ<#!Xg;Q|U2<l;{gujEtt^kAu
z$f{+U_AKWmeiV_{&kN~kbo)8=l4%6Ef*=E0$~z9yxBc}}DAT$a)ae~;SgsY4%?wuU
zzicqRx7B??ka@w(F$`I+Be=hRElIO!zK*7hYwf0f*0bw0f+0w11DLh|Wb%y+yLa>+
zA=-`Re>XFpk?j$9Ru#;Yl3Z#({XuO1IOE2i)KA`d-Y5lD5iFZzIPu0NWmfxx9Fr7l
z!NWKfn#mltO5~9B_x_ZdFUBzCji=XXYaThr3T!TH)U^8Mx8{f0Z*Bj0J*LHqmFcNR
zE97&q@Q^H*N?ak!Fl-w&i@TdZ&~<S#D9{As$1aj1)wo0Tq08Lc0DX<`mZwsH{X={8
zIfKNwch1D49+e_@=BWWzjYU>wK9e5{p8#C^Wpp*gXHUmN?`dS)Hqc4VvX6iEsxI4+
zA}}b;7_Ir;D!<u}0o+0{qF0!^saj777BAE*Wc`{b<BlrCa}g3}a}vxikH9ikiBZKD
z$pb}kx;tuAa_+V^R%A2ysmSV_{X<Ml(ds=QcDmL(=n%C<xq5)<O8Uh0G&H2HQAqkd
z#q}Z@cyHdHB{;QMx#caULpY+1k=gr}DVU^^t(IG<_j4p!y0uQ-(e7z9fqzn|Fq}kP
z>HW&-YIs_|n~423ak|=Uaxwzbv$S0lYzpZJ>XpmU<CgY|^mf#BhN?q)BO@a&$0k8y
zdkKlj;@&5=e4Xub4<_@3x)uf~ca-I%)MT{jLHejyWTIQXjM}`I9(fxT<xn`b2EM56
z@JX1AebL#Z$de4sKSH=s8==?6-<F8XGieWw=m?bpl;vmEDXPt5o<RyexX&h-0P~J8
zO@mo}_|rWyZplHXtY^Xyk6oul6yEZMDJmJVk!%x@HiBS+6y9X|{Tkxj7;*(wr{XAv
zaqMMZzJ#H}J!TsJaaiJTC~mun@Tv3qV~V$=3&6O|?nRhe5d+vXDzUtNTmWcC0-(Ye
zy{X$jY@Uc;K$f{}{z&po!eDYWbH`Z%pWY~gTd+#;L9AWwvD^lpN^!`=+{$WN!d+o(
zmm2t#$vX6dntXmz0)VMD9q;c%O^@-XyxbzJ_!3S1BN}(RsJ1q-hAgG8jZV1LSP*hv
zvHqfOAkdrH^$y+p1DuxiGDno$vRwd%CD4bQ>}p_T=wq{CaeK*eFA6^gNq*yRuORMg
z%fE-s99#)OL<4OOfpN2!ic7o_n|!sif1(sC<ua%Im||yF*NU3b_?O(=CYA63HVe7o
zPrtn?U5m7N5;0gyX>IzaT=PjHL7TLVTBb#D1-o3=urljz)hov~IU0>~L$PgT=49;_
z#ocd^S*pr!GP74~9Y*>i(k9p&*-!z4HbQRFRsHX14y|Y;d`0^+T9>x%$BP4N*gXG=
z#7Ci2q<3yy1)KU7XO|}rJUYw9+^O$*wfkzw@H2JwCJ#Sms%w`WepLFNdZ$<AOmDKk
z7t4=gk#(t=KifP%<5TOB%>`<&iQ()UHo`p84UBkv=nz#_R+eM^DWW37(%pR*xZf)K
zA8{Si%orf5i{{}RBu;)m5!{SOp56qytO;^2AqzkOn4wtWzeviwcp>chuoGw-@}y3n
z*MHVr4sDt3?p9*X*!B`V-ruz1`*ZjbhJrQDRUE^3pp|+T28yxuz4UZuQxo_iBK}F$
z(c8=B(hrmhsTCBq0KIfJ>oHkdy<2&4$qDBe-eS73^9o2Zw&b+{$ux-X5s2qz0jhQl
z`DsgZ7C4B<`itIubt22Pu(Wi+8C1N&msIRBDnA@&yn94I<Yd(;_u%`m?21g?_g<r)
z7ofPN!pyM(6hJ6I(C15e8u}T<Qk4`l9%miG7{H=i^hgi8#sI?RkQYGBGRhnm>SFoo
zb_ReQg$%~L%OPZfB+d@z09RI|mM$zT;OE9bfC3~w_0>Q?$c4^xG8@`_K>PO(4Tngj
zn=}Qj0}EAGSX{gXv;Gcu3;d>XwfLgsG}P3Jd{2+qke9e(I#&j>{Z9V0tp$pwI0Eqv
z)DF;{n*&+ly4d{u{I9@e0LxmrUx^R(gk4zC9YFR%0!vbf-D$Bq9(Zp6^Q92guB@zp
zhL)C=0+_>5^MH55JPR7G_d9R!ze2GcXb1EMqz)!8kY~8<{(63t3WPg+9{7u~BD2Xa
zH;*b!&&J^n^7430gTKO5suHU{7{obhEeOFe5FST(s&f4rwTPftj~x2|yrk6SN_!jv
z3<zq7BUH+?0tW;}51o=lcijCQq6nFcVN_^<D+mm@T0XwW-m9=rskPMuAngG3@*O9B
z$;pBAXAhuXB`x%`8)YxH7Xb&6I_j6(>0oXJA?wc%x0fJBuW?^xqYSs;r#@XaZw?`o
zV$hB5kTT)`(vUs2i<_If!fsqrUn%{hSpY~0F?2b=l{M8jd8w(!z%{Q?3@&ZsCp<=q
zZnZ<KZoxke*Z9C;64GxnwMEKozixy|$vhdvPBP6%QJY-YP`ZBeSSA+d&rb6$6|iKM
z<PQheb5<uws#A3w1P4}DR$3Ywg|{5W3TMEVSXmjtNx*YhlE3Tmd<1%IAZ56-VFVH&
z#SqsOY2QYDGkDBOF0CUV(-&0<+=3}`cz77EcBfg5zEaviJm!4<3}g?}M=imSlOI4&
zLV7Ta>gSNPAU@~<#;Un<cXxO4O$a~~N?v`cp811PVb{eEA3qj*_5jll<T`~1`CIGS
ztxoR#JcQ?le){W;=1>YCAiE4__m3YSo^srnbbhtWhYWn)3$ldgMB_Zq7|svc;0()j
z?|SBwReyXhM!69}#uCzYNhRBL_{(#M4G>h<;O@zSc*0_Vksu|}A*L7g0xliEbC)?j
z&Ez7xla-=g`a*tSa4>Xma&`CXb}w>g^?xNalf4#!uw+Vp6Q{&>^vZE0FdgVcsf!vF
zxYH3m$Nqx0H`LpZZ9r5-efaPJPtN>{&K<5cZMhmH#~Pyms4POJDLJrA$f>?XtNk)l
zKVh~l$M5$*(pQYSYjeb+9dM1XN%FG$B1yb!`nb|^8gESc=hkOsp%m;gei$71ver+T
zwmdU$jQi82@dWdT-m-2n<XU;w=5NDZl0?exP`Cnb8%v$SMgwHetYv?S?~#pC@G%4A
z;XIR@AbseHbm(ui^oK+q$ZBVAujScz9oo~B%So4!^d6>X(kCG?vDUcZ@4feMv_W;j
z+un6TLPDO#2sw#@nY|(4-+)O0rJl5Vn)dVrSAVL<qwpT6pXlhpc@)HZpu-WTWjeR6
zVl`<!I-3`DA;B@0!zP*bbS#ONG90{Jhu8IPd<}r-jWpH(2unJ8dhSp<08O!cC}1;?
z3F<BT<AVm5#dNbQ3*>~6vchRV$C3^77sA?2Nm~BzfNNF$l&!&K^kN~#a+oSJD@!_g
z&IAMppM9yS%cNnU4EH<6O{*k}3Lo)*x9m-nAL6K<+5nG(@I>~5{Df29Me#7{)Oy_)
zs8orTiJ)mo{+@_{%`iO)lG^sj(KrGd?+K)OT_G@0Ch7`^GF_jgZYR0p9!KA%^#<CH
z`n=~roHO*?%e*T9X>@BETHw2~iqvAMT&hG9_=F%kGcwx55z{$+ezxC#?Wt0VH9mkZ
zK7lu9B$bpWSUCx({NwWQHW+?(P4v-9cD#xXq&R=!)07_`6kMw_tT*p?Pf%g&fBCv@
zwVTb(I;)LK)k{cjdQQ1(nQ<?>RpUqEbw({LxE!WShg0$yPR<{Zhi0ax{)E|m%K!xC
zg&^QKh5`ZCD|J6<Aj1aJWbZ@T%{oj$PFZ>3Q&cbs!=lQ^F`zfo!MuzYTaXP{#whH<
zUjUbRf9ul+g$4Y|y!!2@(Q>Tbut}?)gqy<hK&R>!o6C=NW&z-l{)`c#x`xlL(W)T6
zvjI~iSdT}YFhY}bQ0Ws`QE>SWD{L9SZr~?Al6hATDCb~a8b*KkFjV0<4G$>ub&6F<
z62Xs-1@_}jtuEx5VE*Hn_8d^of03p(Z#)^}!KahKqnVg6p~2zK9Q>IZALcPFI_Q^W
z=;`XhffU==a1N@drai?o?-&FWFsygS3-p}stgWq`9~GSA?-a;_PWmcABoYm2-lkv@
z$MMQ@g)A4qV(<lnCvT!jiOO`7Qc@sCxWi`4M)=P^{~R730<^e7e4B%h&x+&|pbd!c
z<KQFSJIl+PMqtm&-Bt!5i3WR56!)1h=f5BQ6VL;s=ZUHL&6mHYO%e(uSb(L0HH;rn
zK>5S!Xn`NVQ@vW{91REyu3x`QeEZ?cgWuLN2k#WJKu{P2EW4o)1D~J%m<zg2FND&7
zMBzNc@7Gu8sl;C%fSQ2UY)m#);f;l=2?%p@pgg1Kq6{l}4<w`^RRe%s%>CDm!C^Rv
zyAl!resdJE-s6r+tL)$45~Y~qCH&5yID&*;R9i!%SzH!sO(3U&A3EHhAzR^<m%1DQ
zX*kFQLedU0X7%o?kX<wwYmmG{-Z9$}zEY(MTuxImPJoZk5yC(3x?~*RgFG;nu<wEF
zd#9ldl<v%`P-+7?H29<|Fv*~}9-h`wazo(8q3{G?dR`StGF<ViX({J=vfAjw)3b>Q
z-I}TV!Igo5fpoi5ud|awpw>%b!I1#?BHCFszGuxJ&qJvQw7a)=^|NtHv1Ay12db^l
ztA#?LKy)yZBF8VqMFOFcNev-q`yRJmj$22SRabSOn4uKNvSfV4?bD}EG}nSCC&LHz
zoT~HzYxH2pp#n-XcX+{N#jU#esBCq0wa2mqw?4As=3V#ox@xrc@8eU*4uZ<=1pZ59
z#>or(4kX$!J-+qR#`l(Yk38D5plyVajETt(9YrAtuLUoL40v_)zp6U_qWyob>U=?f
zONP<|5I{aiphBrjm{I6|5BRI`|CF0r^Z)mMM*hDqJWUP6S8L*@gnNA!W3l_2J%Bj&
z*b+-v!Sb$BiIV%RiJZQ8ef^OPwrSz5=i}6MrbbDq&<hM0=_Ny`QAnmtJM!y^85-?I
zOgy?rwK@BjAZBXD?co%CLBWW5sHe_f2@&ZW(c>e(jdHuzLp_~S@BZ%v&i-2<dR(SH
zm7^11BKok%q68V>QEvf-o~IgpOZx(CSfD;U>B9Rq3xsqI>YfnpoGt8Ym5<Xwk)p4C
z@z}ws1(e<OY=n4nPDFlZ&TCr@hwpAexjJLx*0W>Tu>d6ksCnEL=ub;%3l8isEt^<X
zro=eW4^FHRhYuUN=Dw|qeGybyl~>@|TEJ6u^S}ChShB-3+*4;Fvcs+fnfSoA=MS%3
z-lcyZ*UT;Xe@y3~pLP+}-_VV2K^5F;_ZPk(qy2bFm8Eej^e+}31NR^T+#)$Y(|j^c
z+>cSkBJ?iQ#yeH7WHeY7M0x_@!$?(%csclpv3>3%eREP)-{#WldPs*|R((R(I$67!
z*J495{LHrO{h<71_6>4hf=m8N&;46kx2*;Qq5L~MV(Dg@pp<qplxbr<D@jevnEsGA
zKDs9-IzoOfcLS;@Ns)wb0g|6t&HWbek3n5Q{8ux+`sZkjNr8Ywh$GBYVr<TKkSB6f
zkw=Yd-kD3$ZhURGoBrCRe|bp`TV7ly`#2p!!2M3a5lU+x1w_!<<VmFV$lrPIkR))i
z!I<&);7ZRZEm`Df+e=wppE~uFFA+werf<_Z+SXMc*BTc5&uUJEir)BccYWUIu$It$
zYc?8{*zi-;$kC<k;{|>le5(R)WGr3E@<)289L*0zp@D>8(hs0bu9>Ec1E$f?Fp8=%
zw2-&r3fai|AJ*It(C?53*Lw3oW3{Mgt>PQS0Oi_%cWg0ondI`die!2Yy&1^huAWV&
z7W?0iF4>9CtlCr3dIpam6QMOCF>H{&Ht`Btg`I>#^0j_I)zs48uNgNTt1cD0)+Odr
z;5!_c8p$JbflypsO*&B|m~$bc43tdUI}r_m3)w%s*x+YSAZ;22_5Ax0a*R~ax$y5%
z=ZVbP(|DyX8tsQig&(1@Vk(dEZj{12Kj+(-OVSb<7FNVp1N8|WBuKu3!q0+k$B@F1
yLVJS$U4j1R@G;)2!k5&m|6Aqx(K%SN^Yh6YY{oCRS7Y#hATO;Vl`m=h@BaW9?tvWu

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>