diff --git "a/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md" "b/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
index b4a73abbdd9bd20165572681cd084474ccf27284..541de6d610f9b62ce09d67c0d4d9461915fb22cf 100644
--- "a/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
+++ "b/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
@@ -557,7 +557,7 @@ python tools/eval.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec.yml -o \
 |PP-OCRv3中英文超轻量识别预训练模型 fine-tune| 94.54% |10.3m|
 |PP-OCRv3中英文超轻量识别预训练模型 fine-tune + 量化| 93.4%  |4.8m|
 
-可以看到量化后能显著降低模型体积
+可以看到量化后能显著降低模型体积，但是由于识别数据过少，量化带来了1%的精度下降。
 
 #### 4.2.5 模型导出
 
@@ -593,8 +593,6 @@ python tools/eval.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec.yml -o \
 ![](https://ai-studio-static-online.cdn.bcebos.com/76b6a0939c2c4cf49039b6563c4b28e241e11285d7464e799e81c58c0f7707a7)
 
 
-
-
 ### 4.4 实验总结
 
 我们分别使用PP-OCRv3中英文超轻量预训练模型在车牌数据集上进行了直接评估和finetune 和finetune+量化3种方案的实验，指标对比如下：