Update README.md

README.md

@@ -58,6 +58,24 @@ print("查询结果:", util.cos_sim(query_embedding, passage_embedding))
 | **CRE-0.5**           | 0.6854            | **0.6886**        |
 | **bge-large-zh-v1.5** | **0.7563**        | 0.7551            |
 
+### 📊 PJBenchmark 历史版本测试结果
+
+以下展示了 CRE 系列模型在招聘垂直领域基准测试（PJBenchmark）中的性能演进过程。可以看到，通过引入 CNN 结构与针对性微调，模型在 **jd2cv**（人岗匹配核心任务）上取得了突破性进展。
+
+| Model       | AVG       | jd2jd     | jd2cv     | cv2cv     |
+| :---        | :---:     | :---:     | :---:     | :---:     |
+| BGE         | 34.05     | 41.94     | 21.66     | 38.55     |
+| CRE 0.1     | 36.14     | 42.48     | 30.37     | 35.56     |
+| CRE 0.2     | 41.22     | 52.97     | 30.98     | 39.72     |
+| CRE 0.3     | 44.27     | 45.58     | 42.89     | **44.33** |
+| CRE-0.4     | 42.88     | 49.49     | 43.53     | 35.61     |
+| **CRE-0.5** | **44.99** | **50.42** | **46.25** | 38.29     |
+
+> **数据观察**：
+> 1. **核心突破**：`CRE-0.5` 版本在综合得分（AVG）上达到了最高值 **44.99**。
+> 2. **人岗匹配能力**：在最关键的 **jd2cv** 维度，`CRE_cnn_ft` 相比基座 BGE 提升了超过 **113%** (21.66 -> 46.25)。
+> 3. **局部特征优势**：CNN 投影层的引入在处理异构文本（JD 与简历）时展现了极强的表征对齐能力。
+
 <small>
 <strong>注意事项：</strong>
 <ul>