diff --git a/README.md b/README.md
index 0571abd..b9ba9d1 100644
--- a/README.md
+++ b/README.md
@@ -6,13 +6,13 @@
 * MiniCPM‑V 2.6 是 MiniCPM‑V 系列中最新且最强大的 8 B 参数模型，具备更优的单图、多图与视频理解能力、卓越 OCR 效果、低 hallucination 率，并支持端侧设备（如 iPad）实时视频理解
 
 ## Quick Start
-1. 首先从modelscope上下载文本生成大模型，如`Qwen1.5-1.8B-Chat`  
+1. 首先从modelscope上下载vlm，如`gemma-3-4b-it`  
 ```bash
 modelscope download --model LLM-Research/gemma-3-4b-it --local_dir /mnt/contest_ceph/wenyunqing/models/gemma-3-4b-it
 ```
-2. 拉取vllm server 镜像.   
+2. 拉取server 镜像.   
 ```
-docker pull harbor.4pd.io/hardcore-tech/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1
+docker pull git.modelhub.org.cn:9443/enginex-iluvatar/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1
 ```   
 3. 启动docker 
 ```bash
@@ -20,9 +20,9 @@ docker run -it --rm \
   -p 10086:8000 \
   --name test_wyq1 \
   -v /mnt/contest_ceph/wenyunqing/models/gemma-3-4b-it:/model:rw \
-  --privileged harbor.4pd.io/hardcore-tech/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1
+  --privileged git.modelhub.org.cn:9443/enginex-iluvatar/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1
 ```   
-注意需要在本地使用寒武纪 mlu370 芯片   
+注意需要在本地使用天垓100 芯片   
 4. 测试服务   
 4.1 加载模型    
 ```bash
@@ -72,9 +72,9 @@ curl -X POST "http://localhost:10086/infer" \
 ## 如何使用视觉理解多模态测试框架
 由于VLM相关的模型一般需要较大的存储空间，为了更好的测试效率，需要提前下载好模型相关文件，k8s集群可以mount的持久化介质（比如cephFS），之后提交测试时指定模型存放的地址。
 
-`docker-images/server.py`代码实现了一个接收图片和问题并返回回答文本和统计延迟信息的VLM HTTP 服务。测试框架集成了现成的可用的镜像`harbor.4pd.io/hardcore-tech/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1`（`server.py`作为入口），可以用于本地端（如有GPU卡）测试。
+`docker-images/server.py`代码实现了一个接收图片和问题并返回回答文本和统计延迟信息的VLM HTTP 服务。测试框架集成了现成的可用的镜像`git.modelhub.org.cn:9443/enginex-iluvatar/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1`（`server.py`作为入口），可以用于本地端（如有GPU卡）测试。
 
-作为测试对比，我们也提供a100相对应的镜像 `harbor.4pd.io/hardcore-tech/a100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1`
+作为测试对比，我们也提供a100相对应的镜像 `git.modelhub.org.cn:9443/enginex-iluvatar/a100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1`
 ## 天垓100上视觉理解多模态模型运行测试结果
 在天垓100上对部分视觉理解多模态模型进行适配，测试方式为在 Nvidia A100 和 天垓100 加速卡上对10个图片相关问题回答，获取运行时间