Update README.md

README.md

@@ -3,30 +3,23 @@ library_name: transformers
 license: apache-2.0
 ---
 
-Voici une version mise à jour et correcte pour votre README.md :
-
-ECE-TRIOMPHANT-2.1-YL-72B-SLERP-V1
-
-ECE-TRIOMPHANT-2.1-YL-72B-SLERP-V1 est un modèle de langage fusionné créé à partir des modèles Sakalti/ultiima-72B et MaziyarPanahi/calme-3.2-instruct-78b. Grâce à la méthode SLERP (Spherical Linear Interpolation), il combine les forces des deux architectures pour offrir des performances optimales sur des tâches complexes de traitement du langage naturel (NLP).
-
-Caractéristiques :
-	•	Méthode de fusion : SLERP (Spherical Linear Interpolation).
-	•	Modèles sources :
-	•	Sakalti/ultiima-72B
-	•	MaziyarPanahi/calme-3.2-instruct-78b
-	•	Points forts :
-	•	Performances améliorées sur des tâches multi-domaines et de raisonnement.
-	•	Capacité de traitement étendue grâce à la fusion des couches critiques.
-	•	Optimisation en bfloat16 pour des calculs rapides et efficaces.
-	•	Applications cibles :
-	•	Raisonnement mathématique.
-	•	Compréhension contextuelle.
-	•	Tâches instructives (Instruction Following).
-
-
-Détails techniques :
-	•	Nombre de couches : Fusion basée sur les configurations des modèles sources (72 couches et 78 couches).
-	•	Type de données : bfloat16 pour une meilleure efficacité mémoire.
+# **ECE-TRIOMPHANT-2.1-YL-72B-SLERP-V1**
+
+**ECE-TRIOMPHANT-2.1-YL-72B-SLERP-V1** est un modèle de langage fusionné créé à partir des modèles **Sakalti/ultiima-72B** et **MaziyarPanahi/calme-3.2-instruct-78b**. Grâce à la méthode **SLERP (Spherical Linear Interpolation)**, il combine les forces des deux architectures pour offrir des performances optimales sur des tâches complexes de traitement du langage naturel (NLP).
+
+## **Caractéristiques**
+- **Méthode de fusion :** SLERP (Spherical Linear Interpolation).
+- **Modèles sources :**
+  - [Sakalti/ultiima-72B](https://huggingface.co/Sakalti/ultiima-72B)
+  - [MaziyarPanahi/calme-3.2-instruct-78b](https://huggingface.co/MaziyarPanahi/calme-3.2-instruct-78b)
+- **Points forts :**
+  - Performances améliorées sur des tâches multi-domaines et de raisonnement.
+  - Capacité de traitement étendue grâce à la fusion des couches critiques.
+  - Optimisation en **bfloat16** pour des calculs rapides et efficaces.
+- **Applications cibles :**
+  - Raisonnement mathématique.
+  - Compréhension contextuelle.
+  - Tâches instructives (Instruction Following).