Update app.py

app.py

@@ -149,8 +149,6 @@ def create_report_tab():
     report_content_markdown = """
 # 🚀 Hugging Face 模型对比实验报告
 
----
-
 ## 1. 模型及类别选择
 
 ### 1.1 所选模型的类型与背景说明
@@ -162,7 +160,7 @@ def create_report_tab():
 ### 1.2 模型用途对比简述
 我们选择了以下 2 个模型进行对比：
 * **模型 1: GPT2-Large (文本生成模型)**
-    * **用途简述**: 作为一个大型的通用文本生成模型, GPT2-Large 能够进行开放式文本生成、续写、摘要、创意写作等多种任务。它能理解较复杂的指令并生成语法流畅、内容丰富的文本。
+    * **用途简述**: 作为一个大型的通用文本生成模型，GPT2-Large 能够进行开放式文本生成、续写、摘要、创意写作等多种任务。它能理解较复杂的指令并生成语法流畅、内容丰富的文本。
 * **模型 2: deepset/roberta-base-squad2 (抽取式问答模型)**
     * **用途简述**: 这是一个专门用于抽取式问答任务的模型。它接收一个问题和一段上下文文本，然后从上下文中找到并返回问题的确切答案片段。主要应用于精准信息提取、文档问答系统等。
 
@@ -181,7 +179,7 @@ def create_report_tab():
     * **任务类型**: GPT2-Large 专注于**文本生成**（从无到有），而 RoBERTa-SQuAD2 专注于**信息抽取**（从已有文本中找）。
     * **输入输出模式**:
         * GPT2-Large 接收一个提示词，输出一段新的、连贯的文本。
-        * RoBERTa-SQuAD2 接收一个问题和一段上下文，输出上下文中最精确的答案片段。
+        * RoBERTa-SQuAD2 接收一个问题和一段上下文，输出上下文中精确的答案片段。
     * **“创造性”**: GPT2-Large 具有更强的创造性，能够生成新的、未曾出现过的句子和想法；RoBERTa-SQuAD2 不具备创造性，它只从原文中抽取答案。
     * **对上下文的依赖**: 问答模型对上下文的依赖性极强，没有上下文就无法回答；文本生成模型则更灵活，即便没有明确上下文也能生成内容。
 
@@ -192,7 +190,7 @@ def create_report_tab():
 ### 2.1 Gradio 交互界面截图
 
 以下是我们在 Hugging Face Space 中构建的 Gradio 交互界面截图。
-![Gradio Arena 界面截图](https://your-space-link/file/path/to/arena_screenshot.png)
+[Image of Gradio Arena 界面截图]
 *(请将此处的图片链接替换为你实际上传到 Space Files 中的截图链接，例如：`/file/main/arena_screenshot.png`)*
 *说明：此图展示了我们构建的“Arena”选项卡界面。用户可以在左侧输入问题/提示词和上下文，右侧同步显示文本生成模型和问答模型的输出。*