diff --git a/.vitepress/zh.ts b/.vitepress/zh.ts
index 7cbccb8..886bc94 100644
--- a/.vitepress/zh.ts
+++ b/.vitepress/zh.ts
@@ -198,6 +198,7 @@ function sidebarExamples(): DefaultTheme.SidebarItem[] {
       { text: 'BERT文本分类', link: 'bert' },  
       { text: 'Qwen微调案例', link: 'qwen_finetune' },  
       { text: 'LLM预训练', link: 'pretrain_llm' },  
+      { text: 'openMind大模型微调', link: 'openMind' },  
     ]
   },
   {
diff --git a/zh/examples/openMind.md b/zh/examples/openMind.md
new file mode 100644
index 0000000..22310fd
--- /dev/null
+++ b/zh/examples/openMind.md
@@ -0,0 +1,434 @@
+# openMind大模型微调教程
+
+## 简介
+
+魔乐社区（[Modelers.cn](https://modelers.cn)）是一个为人工智能开发者及爱好者打造的社区，提供工具链、数据集、模型和应用等AI领域生产要素的托管及展示服务和支撑系统。目前，魔乐社区已支持openMind Library。该工具通过简单的API接口，帮助开发者完成模型预训练、微调、推理等流程。同时，openMind Library原生兼容PyTorch 和 MindSpore 等主流框架，原生支持昇腾NPU处理器。openMind Library可以和PEFT、DeepSpeed等三方库配合使用，来提升模型微调效率。
+
+友情链接：
+
+* [魔乐社区](https://modelers.cn/docs/zh/openmind-library/0.9.1/overview.html)
+* [Huggingface](https://huggingface.co)
+* [SwanLab](https://swanlab.cn)
+
+---
+
+## 1、基本概念
+
+1、[openMind Library](https://modelers.cn/docs/zh/openmind-library/0.9.1/overview.html)--->[Huggingface Transformers](https://huggingface.co/docs/transformers/index)
+
+openMind Library类似于transformers的大模型封装工具，其中就有AutoModelForSequenceClassification、AutoModelForCausalLM等等模型加载工具以及像TrainingArguments参数配置工具等等，原理基本一样，不过对NPU适配更友好些。
+![openmind vs transformers](./openMind/openmind_transformers.png)
+
+2、[魔乐社区](https://modelers.cn/)--->[HuggingFace](https://huggingface.co/)
+
+魔乐社区类似于huggingface这种模型托管社区，里面除了torch的模型还有使用MindSpore实现的模型。transformers可以直接从huggingface获取模型或者数据集，openMind也是一样的，可以从魔乐社区获取模型和数据集。
+![魔乐社区 vs huggingface](./openMind/mole.png)
+
+---
+
+## 2、微调代码
+
+如果了解了上述的对应机制，那么就可以跑一个简单的微调代码了，该代码参考了[魔乐社区的教程文档](https://modelers.cn/docs/zh/openmind-library/0.9.1/overview.html)，稍作调整，可以对比NVIDIA显卡的结果。
+
+### 概述
+
+openMind Library是一个深度学习开发套件，通过简单易用的API支持模型预训练、微调、推理等流程。openMind Library通过一套接口兼容PyTorch和MindSpore等主流框架，同时原生支持昇腾NPU处理器，同时openMind Library可以和PEFT、DeepSpeed等三方库配合使用，来加速模型微调效率。
+
+### 环境配置
+
+如果是昇腾AI卡系列的话，配置环境前需要先安装驱动等设备，具体可以参考[软件安装-CANN商用版8.0.RC3开发文档-昇腾社区](https://www.hiascend.com/document/detail/zh/canncommercial/80RC3/softwareinst/instg/instg_0000.html?Mode=PmIns&OS=Ubuntu&Software=cannToolKit)。
+
+然后安装好驱动了之后就可以配置环境了，本次微调代码使用pytorch框架，openMind中自带了基于pytorch框架的各类函数，因此正常安装openMind就行。
+
+> 注意以下几点：
+>
+> 1、可以使用镜像源来安装环境，不然会很浪费时间，可以使用清华源：
+>
+> ```
+> pip install -i https://pypi.tuna.tsinghua.edu.cn/simple name
+> ```
+>
+> 2、魔乐社区中有两个框架的分类，如果是pytorch就只能选择pytorch框架，同理如果是mindspore就只能选择mindspore框架
+> ![魔乐社区模型](./openMind/models.png)
+> 3、配置环境的时候，按照openmind官方文档说可以同时存在两个框架，使用的时候分别设置就行，但是实际使用的时候只能存在一个框架，一旦设置了两个框架，使用的时候无论如何设置都会报错说openmind不知道使用哪个框架，所以最好在环境里只安装一个
+>
+> ```
+> >>>import openmind
+> Traceback (most recent call last):
+>   File "<stdin>", line 1, in <module>
+>   File "/home/miniconda3/envs/openmind-pt-cp39/lib/python3.9/site-packages/openmind/__init__.py", line 20, in <module>
+>     from .utils import is_ms_available, is_torch_available
+>   File "/home/miniconda3/envs/openmind-pt-cp39/lib/python3.9/site-packages/openmind/utils/__init__.py", line 14, in <module>
+>     from .import_utils import (
+>   File "/home/miniconda3/envs/openmind-pt-cp39/lib/python3.9/site-packages/openmind/utils/import_utils.py", line 69, in <module>
+>     CURRENT_FRAMEWORK = get_framework()
+>   File "/home/miniconda3/envs/openmind-pt-cp39/lib/python3.9/site-packages/openmind/utils/import_utils.py", line 66, in get_framework
+>     raise RuntimeError(replace_invalid_characters(error_msg))
+> RuntimeError: Multiple frameworks detected, including: pt, ms.
+> ```
+
+然后直接安装环境
+
+![bert模型环境](./openMind/bert.png)
+
+```
+openmind
+torch
+transformers
+swanlab
+```
+
+### 数据集处理
+
+OmDataset.load_dataset()方法目前支持下载的数据集格式如下：
+
+* parquet
+* json或者jsonl
+* tar.gz
+* csv
+* 下载python脚本加载魔乐社区数据集
+* 下载python脚本加载三方站点数据集
+
+```
+from openmind import OmDataset
+from openmind import AutoTokenizer
+ 
+### 准备数据集
+dataset = OmDataset.load_dataset("AI_Connect/glue", "cola")
+ 
+### 结果
+"""
+DatasetDict({
+    train: Dataset({
+        features: ['sentence', 'label', 'idx'],
+        num_rows: 8551
+    })
+    validation: Dataset({
+        features: ['sentence', 'label', 'idx'],
+        num_rows: 1043
+    })
+    test: Dataset({
+        features: ['sentence', 'label', 'idx'],
+        num_rows: 1063
+    })
+})
+"""
+ 
+### 加载分词器
+tokenizer = AutoTokenizer.from_pretrained("PyTorch-NPU/bert_base_cased")
+ 
+### 处理数据集
+def tokenize_function(examples):
+    return tokenizer(examples["sentence"],truncation=True,padding="max_length",max_length=512)
+ 
+### 训练数据封装
+tokenized_datasets = dataset.map(tokenize_function, batched=True)
+ 
+# 训练数据+验证数据，验证发生在每个epoch之后
+small_train_dataset = tokenized_datasets["train"].shuffle(seed=42)
+small_eval_dataset = tokenized_datasets["validation"].shuffle(seed=42)
+```
+
+### 加载模型
+
+和transformers使用差不多，分别加载模型和分词器
+
+```
+from openmind import AutoTokenizer
+from openmind import AutoModelForSequenceClassification  ## 做分类任务
+ 
+ 
+### 加载分词器
+tokenizer = AutoTokenizer.from_pretrained("PyTorch-NPU/bert_base_cased")
+ 
+### 加载模型
+model = AutoModelForSequenceClassification.from_pretrained("PyTorch-NPU/bert_base_cased", num_labels=2)  # 二分类任务
+```
+
+### 训练参数配置
+
+创建一个TrainingArguments类，其中包含可以调整的所有超参数以及不同的训练选项。
+
+```
+from openmind import TrainingArguments
+ 
+### 参数初始化
+# 指定保存训练检查点的路径
+training_args = TrainingArguments(logging_steps=1,
+                                  output_dir="test_trainer",
+                                  evaluation_strategy="epoch",
+                                  half_precision_backend="auto",  # auto:自动选择合适的混合精度训练后端；apex：英伟达的 ；cpu_amp：在CPU上运行
+                                  per_device_train_batch_size=4,
+                                  optim="adamw_torch",
+                                  learning_rate=2e-5)
+```
+
+### 评估参数设置
+
+Trainer在训练过程中不会自动评估模型性能，需要向Trainer传递一个函数来计算和展示指标。
+
+```
+import numpy as np
+from openmind import metrics
+ 
+### 配置评估参数
+metric = metrics.Accuracy()
+ 
+ 
+def compute_metrics(eval_pred):
+    logits, labels = eval_pred
+    preds = np.argmax(logits, axis=-1)
+    return metric.compute(preds=preds, labels=labels)
+```
+
+### 可视化工具配置
+
+swanlab支持记录openMind Library。能够在线/离线查看训练日志。SwanLab支持openMind Library通过callback调用，调用代码可参考后文。
+
+![SwanLab可视化工具](./openMind/juzhong.png)
+关于SwanLab的使用方法可以参考[SwanLab官方文档-快速开始](https://docs.swanlab.cn/guide_cloud/general/quick-start.html)
+
+> 如果提示登录swanlab，可以在[官网完成注册](https://swanlab.cn)后，使用[获取API KEY](https://swanlab.cn/settings)找到对应的登陆密钥并粘贴，这样将能够使用**云上看版**随时查看训练过程与结果。
+
+```
+from openmind import Trainer
+from swanlab.integration.transformers import SwanLabCallback
+ 
+### 使用swanlab监测
+swanlab_config = {
+    "dataset": "glue",
+    "fp16_backend":"auto",
+    "datacollator":"transformer"
+}
+swanlab_callback = SwanLabCallback(
+    project="new_qwen2.5-7B-finetune",
+    experiment_name="跑的官方例子的微调",
+    description="这个是使用transformers的datacollator封装函数",
+    workspace=None,
+    config=swanlab_config,
+)
+ 
+### 创建训练器并且启动训练
+trainer = Trainer(
+    model=model,
+    args=training_args,
+    train_dataset=small_train_dataset,
+    eval_dataset=small_eval_dataset,
+    compute_metrics=compute_metrics,
+    callbacks=[swanlab_callback],
+)
+ 
+trainer.train()
+ 
+### 保存模型
+output_dir="./output"
+final_save_path = join(output_dir)
+trainer.save_model(final_save_path)
+```
+
+### 全过程代码
+
+```
+from openmind import OmDataset
+from openmind import AutoTokenizer
+from openmind import AutoModelForSequenceClassification
+from openmind import TrainingArguments
+from openmind import metrics
+import numpy as np
+from openmind import Trainer
+from swanlab.integration.transformers import SwanLabCallback
+from os.path import join
+ 
+ 
+### 准备数据集
+dataset = OmDataset.load_dataset("AI_Connect/glue", "cola")
+ 
+### 加载分词器
+tokenizer = AutoTokenizer.from_pretrained("PyTorch-NPU/bert_base_cased")
+ 
+ 
+### 处理数据集
+def tokenize_function(examples):
+    # 填充
+    return tokenizer(examples["sentence"],truncation=True,padding="max_length",max_length=512)
+ 
+ 
+tokenized_datasets = dataset.map(tokenize_function, batched=True)
+ 
+# 减少数据量
+small_train_dataset = tokenized_datasets["train"].shuffle(seed=42)
+small_eval_dataset = tokenized_datasets["validation"].shuffle(seed=42)
+ 
+ 
+### 加载模型
+model = AutoModelForSequenceClassification.from_pretrained("PyTorch-NPU/bert_base_cased", num_labels=2)
+ 
+### 参数初始化
+# 指定保存训练检查点的路径
+training_args = TrainingArguments(logging_steps=1,
+                                  output_dir="test_trainer",
+                                  evaluation_strategy="epoch",
+                                  half_precision_backend="auto",  # auto:自动选择合适的混合精度训练后端；apex：英伟达的 ；cpu_amp：在CPU上运行
+                                  per_device_train_batch_size=4,
+                                  optim="adamw_torch",
+                                  learning_rate=2e-5)
+ 
+### 配置评估参数
+metric = metrics.Accuracy()
+ 
+ 
+def compute_metrics(eval_pred):
+    logits, labels = eval_pred
+    preds = np.argmax(logits, axis=-1)
+    return metric.compute(preds=preds, labels=labels)
+ 
+ 
+### 使用swanlab监测
+swanlab_config = {
+    "dataset": "glue",
+    "fp16_backend":"auto",
+    "datacollator":"transformer"
+}
+swanlab_callback = SwanLabCallback(
+    project="new_qwen2.5-7B-finetune",
+    experiment_name="跑的官方例子的微调",
+    description="这个是使用transformers的datacollator封装函数",
+    workspace=None,
+    config=swanlab_config,
+)
+### 创建训练器并且启动训练
+trainer = Trainer(
+    model=model,
+    args=training_args,
+    train_dataset=small_train_dataset,
+    eval_dataset=small_eval_dataset,
+    compute_metrics=compute_metrics,
+    callbacks=[swanlab_callback],
+)
+ 
+trainer.train()
+ 
+### 保存模型
+output_dir="./output"
+final_save_path = join(output_dir)
+trainer.save_model(final_save_path)
+```
+
+---
+
+## 3、结果展示
+
+这里使用HF Transformers实现同样的训练过程，使用NVIDIA-A100卡来跑了一次做个对比，A100对应的代码如下：
+
+```
+from datasets import load_dataset
+from transformers import AutoTokenizer
+from transformers import AutoModelForSequenceClassification
+from transformers import TrainingArguments
+import evaluate
+import numpy as np
+from transformers import Trainer
+from swanlab.integration.transformers import SwanLabCallback
+from os.path import join
+import os
+ 
+# 设置只使用第一个GPU
+os.environ["CUDA_VISIBLE_DEVICES"] = "0"  # 使用第一块 GPU
+ 
+### 加载数据集
+dataset = load_dataset("nyu-mll/glue","cola")
+ 
+### 加载分词器
+tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-cased")
+ 
+### 处理数据集
+def tokenize_function(examples):
+    # 填充
+    return tokenizer(examples["sentence"], padding="max_length", truncation=True)
+ 
+tokenized_datasets = dataset.map(tokenize_function, batched=True)
+ 
+# 减少数据量
+small_train_dataset = tokenized_datasets["train"].shuffle(seed=42)
+small_eval_dataset = tokenized_datasets["validation"].shuffle(seed=42)
+ 
+### 加载模型
+model = AutoModelForSequenceClassification.from_pretrained("google-bert/bert-base-cased", num_labels=2)
+ 
+### 参数初始化
+# 指定保存训练检查点的路径
+training_args = TrainingArguments(logging_steps=1,
+                                  output_dir="test_trainer",
+                                  evaluation_strategy="epoch",
+                                  half_precision_backend="auto",  
+                                  per_device_train_batch_size=4,
+                                  optim="adamw_torch",
+                                  learning_rate=2e-5)
+ 
+### 配置评估参数
+metric = evaluate.load("accuracy")
+ 
+def compute_metrics(eval_pred):
+    logits, labels = eval_pred
+    preds = np.argmax(logits, axis=-1)
+    # 添加评估数据
+    metric.add_batch(predictions=preds, references=labels)  # 使用add_batch方法添加批次数据
+    # 计算准确度
+    return metric.compute()
+ 
+### 使用swanlab监测
+swanlab_config = {
+    "dataset": "glue"
+}
+swanlab_callback = SwanLabCallback(
+    project="new_qwen2.5-7B-finetune",
+    experiment_name="跑的官方例子的微调",
+    description="用例子跑的，模型用的是bert，做文本分类任务",
+    workspace=None,
+    config=swanlab_config,
+)
+### 创建训练器并且启动训练
+trainer = Trainer(
+    model=model,
+    args=training_args,
+    train_dataset=small_train_dataset,
+    eval_dataset=small_eval_dataset,
+    compute_metrics=compute_metrics,
+    callbacks=[swanlab_callback],
+)
+ 
+trainer.train()
+ 
+### 保存模型
+output_dir="./output/A100"
+final_save_path = join(output_dir)
+trainer.save_model(final_save_path)
+```
+
+下面是各项对比，
+
+首先是实验时间，此次实验epoch=3，
+
+![时间对比](./openMind/time.png)
+
+看样子昇腾卡比A100稍微快点
+
+然后是显存消耗，其中两个观察NPU/GPU的代码如下：
+
+```
+NPU：
+watch -n 1 npu-smi info
+ 
+GPU：
+nvtop
+```
+
+![显存对比](./openMind/xiancun.png)
+
+显存消耗差不多
+
+最后是loss等参数的变化
+
+![loss对比](./openMind/loss.png)
+
+感觉A100上运行的结果震荡比较明显，昇腾卡震荡比较少。
diff --git a/zh/examples/openMind/bert.png b/zh/examples/openMind/bert.png
new file mode 100644
index 0000000..b30af67
Binary files /dev/null and b/zh/examples/openMind/bert.png differ
diff --git a/zh/examples/openMind/juzhong.png b/zh/examples/openMind/juzhong.png
new file mode 100644
index 0000000..5631f4c
Binary files /dev/null and b/zh/examples/openMind/juzhong.png differ
diff --git a/zh/examples/openMind/loss.png b/zh/examples/openMind/loss.png
new file mode 100644
index 0000000..c9937b2
Binary files /dev/null and b/zh/examples/openMind/loss.png differ
diff --git a/zh/examples/openMind/models.png b/zh/examples/openMind/models.png
new file mode 100644
index 0000000..0bb8681
Binary files /dev/null and b/zh/examples/openMind/models.png differ
diff --git a/zh/examples/openMind/mole.png b/zh/examples/openMind/mole.png
new file mode 100644
index 0000000..00f409b
Binary files /dev/null and b/zh/examples/openMind/mole.png differ
diff --git a/zh/examples/openMind/openmind.png b/zh/examples/openMind/openmind.png
new file mode 100644
index 0000000..37cee4f
Binary files /dev/null and b/zh/examples/openMind/openmind.png differ
diff --git a/zh/examples/openMind/openmind_transformers.png b/zh/examples/openMind/openmind_transformers.png
new file mode 100644
index 0000000..20c9c00
Binary files /dev/null and b/zh/examples/openMind/openmind_transformers.png differ
diff --git a/zh/examples/openMind/time.png b/zh/examples/openMind/time.png
new file mode 100644
index 0000000..e800310
Binary files /dev/null and b/zh/examples/openMind/time.png differ
diff --git a/zh/examples/openMind/xiancun.png b/zh/examples/openMind/xiancun.png
new file mode 100644
index 0000000..f534886
Binary files /dev/null and b/zh/examples/openMind/xiancun.png differ