diff --git a/README.md b/README.md
index 4c6f305..34c1171 100644
--- a/README.md
+++ b/README.md
@@ -23,54 +23,45 @@
 
 ## 📥 参赛流程
 
-1. 访问GPUCodeForces赛事首页
-
-2. 登录Gitee账号，完成CLA签署
-
-3. Fork仓库到个人账户
-
-4. 创建或选择赛题进行优化
-
-5. 提交PR并等待审核
+* 进入[GPUCodeForces赛事首页](https://gitee.com/ccf-ai-infra/GPUCodeForces)，登录参与本期比赛的Gitee账号，完成一份成功合并到仓库内的提交即为参赛成功！时间自由，方法自由，只要有灵感就可以动手开code~
 
    ### 🌰举个栗子
 
-   * 登录or注册自己的Gitee账号后，进入赛事首页查看仓库内的文件内容。仔细阅读[how-to-contribute.md](https://gitee.com/ccf-ai-infra/GPUCodeForces/blob/main/how-to-contribute.md)，选择fork到自己gitee账号下的仓库内，然后完成CLA签署，并熟悉提交流程。
+   * 登录or注册自己的Gitee账号后，进入赛事首页查看仓库内的文件内容。仔细阅读[how-to-contribute.md](https://gitee.com/ccf-ai-infra/GPUCodeForces/blob/main/how-to-contribute.md)，完成CLA签署，并熟悉提交流程。
 
    * 看到仓库内文件，有一个example文件夹：
 
-     <img src="./images/readme_sample_check.png" class = center>
+     <img src="./images/readme_sample_check.png">
    
-     这是我们提供的一个样例，着重关注关注四份文件：torchcode.py、prompt.txt、cudacode_ori.py、example_cudacode.py，接下来我们在这几份文件的基础上进行一次完整的算子优化，**最终需要提交的代码文件也正是这四个**（我们鼓励大家自己找到更好的算子并优化）。
+     这是我们提供的一个样例，接下来我们在这个基础上进行一次完整的算子优化的提交（我们鼓励大家自己找到更好的算子并优化）。
 
-   * 本次比赛在[模力方舟](https://ai.gitee.com/compute)平台上使用云端算力，需要使用算力券购买实例：
+   * 我们将样例clone到自己电脑上，
+     并关注四份文件：  torchcode.py、prompt.txt、cudacode_ori.py、example_cudacode.py，最终需要提交的代码文件正是这四个。本次比赛在[模力方舟](https://ai.gitee.com/compute)平台上使用沐曦算力，需要使用算力券购买实例：
 
-     <img src="./images/readme_git_compute.png" class = center>
+     <img src="./images/readme_git_compute.png">
 
      接着便可以在云端实例上进行代码修改。相关算力券的领取方式请见[算力平台使用说明](https://ai.gitee.com/docs/compute/container)、[算力券兑换发放和兑换](https://ai.gitee.com/docs/billing/coupons)。
 
    * 然后在该比赛仓库新建一个issue，填写赛题。这里我们是对example-001算子优化，因此issue的主题就可以是“对001-example数据集进行性能优化”：
 
-     <img src="./images/readme_sample_issue.png" class = center>
+     <img src="./images/readme_sample_issue.png">
    
      可以看到这里有一个“#ICVXKH”，这是issue id，你的算子优化、新算子都应该绑定一个独立的issue id（最终有多少份issue被审核通过，就表示提交成功了多少份）。在即将提交的时候，在该赛题仓库的S1文件夹下新建一个以该id命名（无需带#号）的文件夹，该文件夹内容为四份必要文件和其他视参赛者情况需要补充的材料（如readme文件、用到的其他数据集等）：
 
-     <img src="./images/readme_sample_folder.png" class = center>
+     <img src="./images/readme_sample_folder.png">
 
    * 准备工作就绪，接下来看到example-001内的代码：
 
      **example_torchcode.py：** 基准模型（Baseline）。示例提供一个简单的PyTorch模型，只包含一个ReLU激活函数。
+      
+      * <span style="background-color: grey; color: black; user-select: none;">get_inputs()</span>：生成模型运行时需要的输入数据。
+      * <span style="background-color: grey; color: black; user-select: none;">get_init_inputs()</span>：成模型初始化所需的参数（这里就是权重矩阵 weight）。
 
-     其中
+     <span style="background-color: grey; color: black; user-select: none;">example_cudacode.py</span>：优化模型。示例使用PyTorch的load_inline功能直接编译和加载CUDA代码，创建了一个新的模型类，使用自定义CUDA实现替代PyTorch的ReLU。
 
-      * **get_inputs()**：生成模型运行时需要的输入数据。
-      * **get_init_inputs()**：成模型初始化所需的参数（这里就是权重矩阵 weight）。
+     <span style="background-color: grey; color: black; user-select: none;">run_code.py</span>：验证和性能测试脚本。验证自定义CUDA实现与原始PyTorch实现的数值精度一致性，比较两种实现的性能，计算加速比。
 
-     **example_cudacode.py**：优化模型。示例使用PyTorch的load_inline功能直接编译和加载CUDA代码，创建了一个新的模型类，使用自定义CUDA实现替代PyTorch的ReLU。
-
-     **run_code.py**：验证和性能测试脚本。验证自定义CUDA实现与原始PyTorch实现的数值精度一致性，比较两种实现的性能，计算加速比。
-
-     **prompt.txt**：这份文件给予参赛者一些提示：
+     <span style="background-color: grey; color: black; user-select: none;">prompt.txt</span>：这里给予参赛者一些提示：
 
        *  要求编写自定义CUDA内核来替换PyTorch算子以获得加速
 
@@ -82,13 +73,13 @@
 
     * 然后我们来优化这个算子：
 
-       **优化-example_torchcode.py**：从单一的ReLU操作扩展为矩阵乘法 + ReLU的复合操作，增加可学习的权重参数(weight)，指定输入张量的预期形状和输出形状。
+       <span style="background-color: skyblue; color: black; user-select: none;">example_torchcode.py</span>：从单一的ReLU操作扩展为矩阵乘法 + ReLU的复合操作，增加可学习的权重参数(weight)，指定输入张量的预期形状和输出形状。
 
-       **优化-example_cudacode.py**：采用部分替换策略，只将ReLU替换为CUDA实现，保留PyTorch的高度优化矩阵乘法。
+       <span style=" background-color: skyblue; color: black; user-select: none;">example_cudacode.py</span>：采用部分替换策略，只将ReLU替换为CUDA实现，保留PyTorch的高度优化矩阵乘法。
 
-       **优化-run_code.py**：增加了最大差异和平均差异计算，使用更严格的容差(1e-05)，增加了预热步骤，确保GPU状态稳定；增加迭代次数(1000次)提高测量准确性。
+       <span style="background-color: skyblue; color: black; user-select: none;">run_code.py</span>：增加了最大差异和平均差异计算，使用更严格的容差(1e-05)，增加了预热步骤，确保GPU状态稳定；增加迭代次数(1000次)提高测量准确性。
 
-       **优化-prompt.txt**：展示了加法操作和ReLU操作两种不同的优化示例,强调了可以自由选择优化策略，包括算子融合等高级技术。
+       <span style="background-color: skyblue; color: black; user-select: none;">prompt.txt</span>：展示了加法操作和ReLU操作两种不同的优化示例,强调了可以自由选择优化策略，包括算子融合等高级技术。
 
     * 优化好后，可以在模力方舟的实例上运行:
 
@@ -100,26 +91,43 @@
     * 接下来将优化好的代码保存到本地，然后参照[how-to-contribute.md](https://gitee.com/ccf-ai-infra/GPUCodeForces/blob/main/how-to-contribute.md)的指引进行代码仓库的提交与合并。
 
     * 最终，成功提交的代码会合并到 S1/#your_issue id 下，并且你的相关pr也会关闭。就像下面这样：
-    <img src="./images/readme_sample_merge.png" class = center>
+    <img src="./images/readme_sample_merge.png">
   
   🌳一份完整的提交流程如上，期待各位自由发挥，赛出风采与水平！
 
 
-### 📦 提交PR格式
+### 📦 提交PR内容
 
 *   **一个PR包含样本的目录** [提交样例](https://gitee.com/ccf-ai-infra/GPUCodeForces/tree/main/example/001-example)
     
-
 *   每个提交目录建议包含如下：
+    
+    1.  **示例代码：** torch代码示例
+        
+    2.  **对比代码：** 和torch对应的CUDA代码
+        
+    3.  **测试代码入口：** run\_code.py（请务必用这个名称，提交的PR会根据这个名称在GPU上测试结果）
+        
+    4.  **其它文件（或目录）：** prompt（利用LLM从torch代码生成cuda代码的prompt示例）或者其它优化代码
+        
+    5.  **PR目录说明文件：** https://gitee.com/ccf-ai-infra/GPUCodeForces/blob/main/example/001-example/readme.md
+        
+
+### 📦 提交PR的格式
+
+建议在开始做题目之前创建一个赛题，提交的PR和自己创建的赛题相关联。参赛选手在每个比赛周期的目录下（例如：第一期S1、第二期S2、第三期S3...）创建一个目录，目录名称赛题的ID（ICTXSZ)，例如：
+
+```plaintext
+.
+├── S1(说明：第一季比赛名称)
+│   ├── ICTXSZ(说明：以赛题ID命名的目录存放PR提交样本的目录)
+|   |   ├── 示例代码
+│   |   ├── 对比代码
+|   |   └── ……
+│   └── ……
+└── S2(第二季比赛)
+    └── 赛题1
 
-```text
-S1/（比赛周期）
-└── [Issue_ID]/（以赛题ID命名的目录）
-    ├── torchcode.py（示例代码）
-    ├── cudacode.py（对比代码）
-    ├── run_code.py（测试入口代码，必须使用此名称）
-    ├── prompt.txt（LLM生成提示）
-    └── 其他必要文件
 ```
 
 ### ⭐审核流程
@@ -138,9 +146,10 @@ S1/（比赛周期）
 
 ### ⚠️注意事项
 
-1.  请勿抄袭他人代码
+1.  请勿抄袭他人代码或成果
     
-2.  避免重复提交相同或相近优化
+2.  请勿恶意提交（如相同算子多次提交、相近优化重复提交）  
+    \---相近优化：即指同一份参赛用例在优化后加速比没有提升或更低的用例提交
     
 3.  请遵守提交的格式要求、内容规范
     
@@ -202,8 +211,8 @@ S1/（比赛周期）
 
 ## 📬 联系与帮助
 
-需要更多信息？请查看：
+如需更多信息或格式说明，请查看官方文档或在本仓库提交[想法](https://gitee.com/ccf-ai-infra/GPUCodeForces/issues/new?template=feature.yml)进行讨论。  祝你挑战成功，贡献出高质量的 GPU 评测数据集！🚀
 
- [官方文档](https://gitee.com/ccf-ai-infra/GPUCodeForces)
- [提交想法讨论](https://gitee.com/ccf-ai-infra/GPUCodeForces/issues/new/choose)
- [第一季FAQ](https://gitee.com/ccf-ai-infra/GPUCodeForces/blob/main/FAQ.md)
\ No newline at end of file
+## FAQ
+
+[第一季FAQ参考](FAQ.md)
\ No newline at end of file