Update README.md

README.md

@@ -85,18 +85,18 @@ CodeBERT、GraphCodeBERT、既存の ModernBERT-base を上回る性能を示し
 | GraphCodeBERT-base            |   0.9422   |   0.8009   |   **0.7466**   |   0.8434   |   0.8852   |   **0.8095**   |   0.8379   |
 | UniXCoder-base                 |   0.8810   |   0.8369   |   0.7137   |   0.8185   |   0.8733   |   0.7496   |   0.8122   |
 | ModernBERT-base               |   0.9364   |   0.7749   |   0.7475   |   0.8347   |   0.8922   |   0.7866   |   0.8287   |
-| Owl-v3-Pre-len512             |   0.9383   |   0.8062   |   0.7307   |   0.8369   |   0.8845   |   0.7725   |   0.8282   |
-| Owl-v3-Pre-len2048            |   0.9323   |   0.8093   |   0.7231   |   0.8373   |   0.8891   |   0.7669   |   0.8263   |
-| **Owl-v3-len512**         | **0.9447** | **0.8399** | 0.7426    | 0.8400 | 0.9044 | 0.7998 | **0.8452** |
-| Owl-v3-len2048            |   0.9370   |   0.8368   |   0.7435   |   **0.8435**   |   **0.9076**  |   0.7964   |   0.8441   |
+| Owl-ph1-base-len512             |   0.9383   |   0.8062   |   0.7307   |   0.8369   |   0.8845   |   0.7725   |   0.8282   |
+| Owl-ph1-base-len2048            |   0.9323   |   0.8093   |   0.7231   |   0.8373   |   0.8891   |   0.7669   |   0.8263   |
+| **Owl-ph2-base-len512**         | **0.9447** | **0.8399** | 0.7426    | 0.8400 | 0.9044 | 0.7998 | **0.8452** |
+| Owl-ph2-base-len2048            |   0.9370   |   0.8368   |   0.7435   |   **0.8435**   |   **0.9076**  |   0.7964   |   0.8441   |
 
-また各学習率の最良のモデルは以下のようになりました。各学習率全てのパターンにおいても低い学習率で学習したOwl-v3群が最も性能が高いことが確認されました。
+また各学習率の最良のモデルは以下のようになりました。各学習率全てのパターンにおいても低い学習率で学習したOwl-ph2-base群が最も性能が高いことが確認されました。
 |    学習率   | 最良モデル                 |    平均MRR   | 備考                             |
 | :------: | :-------------------- | :--------: | :----------------------------- |
 |   5e-5   | GraphCodeBERT   |   0.8429   | 高学習率条件での最良結果                   |
 |   3e-5   | ModernBERT-base       |   0.8404   | GraphCodeBERTとほぼ同等 |
-| **1e-5** | **Owl-v3-len512** | **0.8452** | **全条件中で最良**                    |
-|   1e-5   | Owl-v3-len2048    |   0.8441   | 5e-5 / 3e-5 の最良値を上回る           |
+| **1e-5** | **Owl-ph2-base-len512** | **0.8452** | **全条件中で最良**                    |
+|   1e-5   | Owl-ph2-base-len2048    |   0.8441   | 5e-5 / 3e-5 の最良値を上回る           |
 
 
 ---
@@ -135,15 +135,15 @@ CodeBERT、GraphCodeBERT、既存の ModernBERT-base を上回る性能を示し
 ```python
 from transformers import AutoTokenizer, AutoModelForMaskedLM
 #MLMモデルとして読み込む場合
-tokenizer = AutoTokenizer.from_pretrained("Shuu12121/CodeModernBERT-Owl-v3-len2048")
-model = AutoModelForMaskedLM.from_pretrained("Shuu12121/CodeModernBERT-Owl-v3-len2048")
+tokenizer = AutoTokenizer.from_pretrained("Shuu12121/Owl-ph2-base-len2048")
+model = AutoModelForMaskedLM.from_pretrained("Shuu12121/Owl-ph2-base-len2048")
 ```
 Sentence-Transformersを用いてファインチューニングを行う場合の読み込み方
 ```python
 from sentence_transformers import SentenceTransformer,models
 
-word_embedding_model = models.Transformer("Shuu12121/CodeModernBERT-Owl-v3-len2048")
-word_embedding_model.max_seq_length = 512
+word_embedding_model = models.Transformer("Shuu12121/Owl-ph2-base-len2048")
+word_embedding_model.max_seq_length = 2048
 #CLSトークンを用いる場合pooling_mode_cls_tokenのみTrue
 #平均プーリングを用いる場合 pooling_mode_mean_tokensのみTrue
 pooling_model = models.Pooling(
@@ -158,6 +158,6 @@ model = SentenceTransformer(modules=[word_embedding_model, pooling_model])
 ```
 
 そのほかのモデル
-- [Owl-ph1-base (512)](https://huggingface.co/Shuu12121/CodeModernBERT-Owl-v3-Pre-len512)
-- [Owl-ph2-base (512)](https://huggingface.co/Shuu12121/CodeModernBERT-Owl-v3-len512)
-- [Owl-ph1-base (2048)](https://huggingface.co/Shuu12121/CodeModernBERT-Owl-v3-Pre-len2048)
+- [Owl-ph1-base (512)](https://huggingface.co/Shuu12121/Owl-ph1-base-len512)
+- [Owl-ph2-base (512)](https://huggingface.co/Shuu12121/Owl-ph2-base-len512)
+- [Owl-ph1-base (2048)](https://huggingface.co/Shuu12121/Owl-ph1-base-len2048)