diff --git a/README.md b/README.md
index e490d98..ceb5979 100644
--- a/README.md
+++ b/README.md
@@ -8,19 +8,28 @@
 
 ## 参考项目
 
-模型及V4数据集：https://github.com/taisuii/ClassificationCaptchaOcr
+resnet模型及V4数据集：https://github.com/taisuii/ClassificationCaptchaOcr
 
 点选检测模型https://github.com/Peterande/D-FINE
 
-api：https://github.com/ravizhan/geetest-v3-click-crack
+另一个点选检测模型https://github.com/facebookresearch/dinov3
+
+另一个点选的检测模型https://github.com/ultralytics/ultralytics
+
+api：https://github.com/ravizhan/geetest-v3-click-crack (此项目近期未更新，当前9.2.0-guwyxh参数修改```"captcha_token":"2064329542", "tsfq":"xovrayel")```
+
+感谢@kissnavel 提供的关于我没玩的那两款的api
 
 ## 运行步骤
 
 ### 1.安装依赖（本地必选，使用docker跳至[5-b](#docker)）
 
-（可选）a.如果要训练paddle的话还得安装paddlex及图像分类模块，安装看项目https://github.com/PaddlePaddle/PaddleX
-（可选）b.d-fine训练看项目https://github.com/Peterande/D-FINE
-（* 必选！）c.模型需要在项目目录下新建一个model文件夹，然后把模型文件放进去，具体命名可以是resnet18.onnx或者PP-HGNetV2-B4.onnx，默认使用PP-HGNetV2-B4模型，如果用resnet则use_v3_model设置为False，因为模型的输入输出不一样，可以自行修改，d-fine的模型同样放置此路径用于通过点选
+（可选）a-0. 如果要训练paddle的话还得安装paddlex及图像分类模块，安装看项目[https://github.com/PaddlePaddle/PaddleX](https://github.com/PaddlePaddle/PaddleX)
+（可选）a-1. d-fine训练看项目[https://github.com/Peterande/D-FINE](https://github.com/Peterande/D-FINE)
+（可选）a-2. dinov3使用看项目[https://github.com/Peterande/D-FINE](https://github.com/facebookresearch/dinov3) 具体分类基于patch token
+（可选）a-3. yolo训练看项目[https://github.com/Peterande/D-FINE](https://github.com/ultralytics/ultralytics)
+（可选）a-4. 基于dinov3的分类，架构极其简陋，从一组图片中抽取所有已定位的图片的特征图，而后在一组中以下侧作为锚点，设置1正面样本，其余均做负面样本，学习dinov3提取特征中影响相似度比对的维度
+（* 必选！）b.模型需要在项目目录下新建一个model文件夹，然后把模型文件放进去，具体命名可以是resnet18.onnx或者PP-HGNetV2-B4.onnx，默认使用PP-HGNetV2-B4模型，如果用resnet则use_v3_model设置为False，因为模型的输入输出不一样，可以自行修改，d-fine的模型同样放置此路径用于通过点选，另外的dinov3和yolo1n和我自己做的任务头整体组合为一个流水线作业，全都要放进去
 
 ```
 pip install -r requirements.txt
@@ -38,7 +47,7 @@ pip install -r requirements_without_train.txt
 - 数据集详情参考上面标注的项目，但是上面项目是V4数据集，V3没有demo，自行发挥吧，用V4练V3不改代码正确率有点感人
 - 主要是V4的尺寸和V3有差别，V4的api直接给两张图，一张是目标图，一张是九宫格，V3放在一起要切目标，且V3目标图清晰度很低，V4九宫格切了之后是100 * 86的图（去掉黑边），但是V3九宫格切的是112 * 112，不确定V4九宫格内容在V3基础上做了什么变换，反正改预处理就完事了
 
-##### b. 训练PP-HGNetV2-B4（可选）
+##### a-0. 训练PP-HGNetV2-B4（可选）
 
 在paddle上随便找的，数据集格式如下，如果拿V4练V3，建议是多整点变换
 
@@ -50,17 +59,22 @@ pip install -r requirements_without_train.txt
    └─验证集和测试集同上
 ```
 
-##### b. 训练d-fine（可选）
+##### a-1. 训练d-fine（可选）
 
 数据集格式如d-fine中标识，如果不修改源码则num_classes需+1，采用coco格式即可，我用的320*320，dataloader注释掉了RandomZoomOut、RandomHorizontalFlip、RandomIoUCrop（这些我全写在数据集生成中了）
 
-##### c. 如果要切V3的九宫格图用crop_image.py的crop_image_v3，切V4则使用crop_image，自行编写切图脚本
+##### a-2. 训练基于dinov3和yolo的流水线（可选）
+
+数据集格式我自己拟定的，因为一次加载使用一个锚点一个正面多个负面，所以我先组织了格式，当然原始标注时还是用的coco，将每个image上的所有标注全组合在两个列表，根据y轴划分top和bottom，以bottom为锚点（实际上没差，但是实际使用不涉及top组内比对就跳过了节省资源），top中1✅多❌
+
+##### b. 如果要切V3的九宫格图用crop_image.py的crop_image_v3，切V4则使用crop_image，自行编写切图脚本
 
 ### 3.训练模型（可选）
 
 - 训练resnet18运行 `python train.py`
 - 如果训练PP-HGNetV2-B4运行`python train_paddle.py`
 - 训练d-fine参照原项目，一个模型拿下，比ddddocr+相似性检测资源开销小点
+- 训练代码极其简单，可以基于我提出的思路即数据集组织，使用llm直接生成，yolo训练参考其仓库即可，dinov3没训练，也没拿来做定位，因为定位头的规模大于yolo11n，不划算
 
 ### 4-a.PP-HGNetV2-B4模型和resnet模型转换为onnx（可选）
 
@@ -71,18 +85,29 @@ pip install -r requirements_without_train.txt
 
 - 依原项目转换
 - 推理时图像预处理应于训练时一致，d-fine仓库中onnx推理的预处理和训练不一致……
-  
+
+### 4-c. 复合模型转onnx（可选）
+
+- yolo依原项目转换
+- dinov3直接使用官方即可，只是拿来提取特征
+- 分类的导出也是pytorch和onnx内置函数，由于太小所以没必要做什么操作
+- 之所以不组合为一个模型主要还是考虑到未来如果更新，可以复用，dinov3提取的特征实际上可以完成上述所有任务，虽然定位的模型会大一点，但一个几百kb大小的头可以替代九宫格的分类模型，点选定位如果只划分上下的部分或许也能用更小的模型
+
 ### 5-a.启动fastapi服务（必须要有训练完成的onnx格式模型）
 
-运行 `python main.py`（默认用的paddle的onnx模型，如果要用resnet18可以自己改注释）或者`uvicorn main:app --host 0.0.0.0 --port 9645 --reload`
+基于环境变量可以自定义加载哪些模型，目前支持use_pdl，use_dfine，use_multi，日志也有环境变量改，LOG_LEVEL
 
-由于轨迹问题，可能会出现验证正确但是结果失败，所以建议增加retry次数，训练后的paddle模型正确率在99.9%以上
+运行 `python main.py`（九宫格默认用的paddle的onnx模型，如果要用resnet18可以自己改注释）或者`uvicorn main:app --host 0.0.0.0 --port 9645 --reload`
+
+由于轨迹问题，可能会出现验证正确但是结果失败，所以建议增加retry次数，训练后的paddle模型正确率在99.9%以上，
+由于dinov3的onnx和pth不完全一致，导致基于pth训练的头精度低了一点，4613张图里面错了1张，如果采用量化的dinov3会多错几张，当然，可以使用onnx量化提取的特征训练，但是速度比pth慢得多就是了，再说吧
 
 ### 5-b.使用docker启动服务 
 
-镜像地址为<span id="docker">luguoyixiazi/test_nine:25.7.2</span>
+镜像地址为<span id="docker">luguoyixiazi/test_nine:25.7.2</span> 此版本特供只需要九宫格和便笺的
+镜像地址为<span id="docker">luguoyixiazi/test_nine:25.11.2</span> 此版本在上述基础上支持🛤和3z
 
-运行时只需指定绑定的port和两个环境变量`use_pdl`和`use_dfine`，1为启用模型，0为不启用，默认均启用，api端口为/pass_uni，必填参数gt、challenge，单独的pass_nine和pass_icon也写了，有更多可选参数
+运行时只需指定绑定的port和两个环境变量`use_pdl`和`use_dfine`和`use_multi`，1为启用模型，0为不启用，默认均启用，api端口为/pass_uni，必填参数gt、challenge，单独的pass_nine和pass_icon也写了，有更多可选参数
 
 ### 6.api调用
 
@@ -103,8 +128,11 @@ def game_captcha(gt: str, challenge: str):
 
 在snap hutao中的服务端口为/pass_hutao,返回值已做对齐，填写api如`(http://127.0.0.1:9645/pass_hutao?gt={0}&challenge={1})`即可
 
+添加了辅助api加载卸载模型和查看模型，以及更改日志等级
+
 具体调用代码看使用项目，此处示例仅为API url和参数示例
 
 #### --宣传--
 
 欢迎大家支持我的其他项目(搭配使用)喵~~~~~~~~
+