diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md
index be3dd01..c29c08d 100644
--- a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md	
+++ b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md	
@@ -158,7 +158,7 @@ EOF
 #克隆代码仓库
 git clone https://gitlink.org.cn/metax-maca/op_optimization.git
 #切换到fused moe目录下benchmark项目
-cd op_optimization/基于AI\ Agent开发范式的国产GPU大模型推理算子库优化/operator_task_package/fused_moe_task_package/benchmark
+cd op_optimization/基于AI Agent开发范式的国产GPU大模型推理算子库优化/operator_task_package/fused_moe_task_package/benchmark
 ```
     
 
@@ -333,23 +333,6 @@ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 2
 
 本节的冒烟提交只用于验证函数接口、索引逻辑和提交流程；性能优化请在正确性通过后再进行。
 
-#### 提交前准备
-
-##### 代码准备
-
-建议在工作目录下保留一个候选版本目录，例如：
-
-```bash
-mkdir -p oj/problem_1_fused_moe
-```
-
-本教程建议把 OJ 提交源码先保存为：
-
-```text
-oj/problem_1_fused_moe/solution001.cu
-```
-
-真正提交时，只需要把这个文件里的内容复制到 XPU-OJ 提交框。
 
 ##### 账号准备
 
@@ -400,11 +383,10 @@ Candidate 就是一次可复现的候选方案。
 
 这样后续多次打榜时，不会忘记哪一版代码对应哪一次提交结果。
 
-### 步骤 7：实现 Fused MoE GEMM CUDA MACA 冒烟代码
+### 步骤 7：以 CUDA MACA 语言为例实现冒烟代码
 
-本节以当前 XPU-OJ 题目 **1. Fused MoE GEMM** 为例。
+本节以 CUDA MACA 语言为例介绍冒烟代码的编写方式，选手提交阶段可自行选择 Triton、CUDA MACA 或 TileLang 作为实现语言。
 
-题目要求你提交一份 CUDA 源码，并提供固定的 C 符号。评测程序会调用这个符号，并检查你是否把结果正确写入 `out`。
 
 #### 接口约定
 
@@ -446,7 +428,7 @@ token(r)  = token_ids[r] / topk
 expert(r) = expert_ids[r / 128]
 ```
 
-再说得直白一点：
+注意：
 
 *   `token_ids` 不是直接拿来当 `a` 的行号，要先除以 `topk`；
     
@@ -734,7 +716,7 @@ extern "C" void run_kernel(
     
 3.  进入比赛页面； [![image6](https://origin.picgo.net/2026/06/23/image6047f2ac4bd2a0f08.png)](https://www.picgo.net/image/image6.4ScJM4)
     
-4.  找到题目： ```text1. Fused MoE GEMM```
+4.  找到题目： ```text1. Fused MoE i8 tn```
     
 5.  点击题目进入详情页；