Update README_ZH: sync Chinese version with latest English README changes

README_ZH.md

@@ -4,12 +4,9 @@
   <img src="assets/ultradata-math-logo.png" width="600"/>
 </div>
 
-<div align="center">
-
-[🤗 数据集](https://huggingface.co/datasets/openbmb/UltraData-Math) | [💻 代码仓库](https://github.com/UltraData-OpenBMB/UltraData-Math) | [🇺🇸 English README](README.md)
-
-
-</div>
+<p align="center">
+<a href="https://huggingface.co/datasets/openbmb/UltraData-Math">🤗 数据集</a> | <a href="https://github.com/UltraData-OpenBMB/UltraData-Math">💻 源代码</a> | <a href="README.md">🇺🇸 English README</a>
+</p>
 
 ## 📚 简介
 
@@ -19,24 +16,24 @@
 - **数据质量层面**：现有数据集普遍缺乏系统的质量分级机制，高价值数学内容与低质噪声混杂。
 - **数据多样性层面**：主流数据集多源自教科书或竞赛题库，缺少真实网页中的数学讨论与应用场景；合成数据格式单一，难以覆盖多轮对话、多风格表达等多样化需求。
 
-针对上述问题，我们提出 ***UltraData-Math***——一个面向数学推理任务的大规模高质量预训练数据集。本数据集基于 [UltraData](xxx) 的 L0-L4 分级数据管理框架开发，包含四个递进层级：
+针对上述问题，我们提出 ***UltraData-Math***——一个面向数学推理任务的大规模高质量预训练数据集。本数据集基于 [UltraData](https://huggingface.co/collections/openbmb/ultradata) 的 L0-L4 分级数据管理框架开发，包含四个递进层级：
 
 - **L0 原始数据层**：基于 *magic-html* 开发数学解析器，结合 *w3m* 布局保持渲染与多级回退策略，将 MathML、KaTeX、AsciiMath 标准化为 LaTeX 格式。
 - **L1 过滤数据层**：通过启发式规则清洗噪声并进行文档级去重。
-- **L2 精选数据层**：使用闭源大模型标注种子数据并蒸馏至轻量 Embedding 分类器，实现全量语料的高效质量分级。
+- **L2 精选数据层**：使用闭源大模型标注种子数据并蒸馏至轻量 embedding 分类器，实现全量语料的高效质量分级。
 - **L3 精炼数据层**：通过改写、合成生成与精炼，生成具有清晰推理链条的结构化内容，涵盖 Q&A、多轮对话、多风格改写、知识教材等多种格式。
 
 实验表明，在 MiniCPM-1.2B 架构上，***UltraData-Math*** 在 MATH500 基准上达到 **37.02** 分，相较 Nemotron-CC 4plus 提升 **+3.62** 分；在 GSM8K 上达到 **61.79** 分，提升 **+3.34** 分，同时保持代码生成与通用知识能力。
 
 ***UltraData-Math*** 已应用于 [MiniCPM 系列](https://huggingface.co/collections/openbmb/minicpm-4-6841ab29d180257e940baa9b) 模型的数学预训练。
 
-- **[UltraData-Math-L1](https://huggingface.co/datasets/openbmb/UltraData-Math)**: 大规模高质量数学预训练数据集，包含 170.5B tokens 的网页数学语料。(**<-- you are here**)
+- **[UltraData-Math-L1](https://huggingface.co/datasets/openbmb/UltraData-Math)**: 大规模高质量数学预训练数据集，包含 170.5B tokens 的网页数学语料。
 - **[UltraData-Math-L2](https://huggingface.co/datasets/openbmb/UltraData-Math-L2)**: 经质量模型精选的高质量数学预训练数据集，包含 33.7B tokens 的高质量网页数学语料。
 - **[UltraData-Math-L3](https://huggingface.co/datasets/openbmb/UltraData-Math-L3)**: 高质量精炼数学数据集，包含 88B tokens 的多格式精炼数据（Q&A、多轮对话、知识教材等）。
 
 ## 🏗️ 数据处理流水线
 
-为突破现有数学数据集在质量与多样性上的局限，我们建立了一套以"数学内容完整性"和"信息密度"为核心的精细化分级标准。***UltraData-Math*** 采用了 [UltraData](xxx) 论文提出的 **L0-L4 分级数据管理框架**，通过标准化的层级定义，实现数学数据资产的有序管理与高效流转。每一级都代表了更高的数据纯度与数学价值，同时也对应着更精细的加工程度。
+为突破现有数学数据集在质量与多样性上的局限，我们建立了一套以"数学内容完整性"和"信息密度"为核心的精细化分级标准。***UltraData-Math*** 采用了 [UltraData](https://huggingface.co/collections/openbmb/ultradata) 论文提出的 **L0-L4 分级数据管理框架**，通过标准化的层级定义，实现数学数据资产的有序管理与高效流转。每一级都代表了更高的数据纯度与数学价值，同时也对应着更精细的加工程度。
 
 <div align="center">
   <img src="assets/ultradata-math-pipeline.png" width="900"/>
@@ -46,7 +43,7 @@
 
 **目标**：解决通用 HTML 解析器对数学公式支持不佳的问题，最大限度保留网页中的数学语义。
 
-L0 阶段主要处理从 Common Crawl 等来源获取的原始网页数据。针对数学网页的特殊性，我们开发了专用的解析策略，而非直接使用通用的 trafilatura 或 readability。
+L0 阶段主要处理从 Common Crawl 等来源获取的原始网页数据。针对数学网页的特殊性，我们通过 [UltraData-Math-Parser](https://github.com/UltraData-OpenBMB/UltraData-Math/tree/main/UltraData-Math-L0-Parser) 开发了专用的解析策略，而非直接使用通用的 trafilatura 或 readability。
 
 - **统一解析模式**：自动识别页面类型，尽可能保证完整内容提取。
 - **多级回退策略**：为了防止解析失败导致数据丢失，我们实施了多级回退机制，确保在结构化解析失败时仍能捕获文本内容。
@@ -73,7 +70,7 @@ L0 阶段主要处理从 Common Crawl 等来源获取的原始网页数据。针
 L1 数据虽然格式整洁，但内容质量参差不齐。L2 阶段引入了基于模型的质量评估体系：
 
 - **种子数据标注**：使用闭源大模型对一部分种子数据进行多维度打分。
-- **分类器训练与蒸馏**：基于标注数据训练轻量级的 Embedding 分类器，使其具备识别高价值数学内容的能力。
+- **分类器训练与蒸馏**：基于标注数据训练轻量级的 embedding 分类器，使其具备识别高价值数学内容的能力。
 - **全量推理**：使用训练好的分类器对 L1 数据进行全量打分与筛选。
   - *保留*：包含详细解题步骤、数学概念解释、高水平学术讨论的内容。
   - *剔除*：简单的名词堆砌、无意义的数字列表、低幼或非数学领域的噪声。
@@ -82,7 +79,7 @@ L1 数据虽然格式整洁，但内容质量参差不齐。L2 阶段引入了
 
 **目标**：通过改写、合成生成与精炼，生成具有清晰推理链条和显式教学意图的结构化内容，达到教科书级质量标准，确保最大化可学习性。
 
-自然网页数据多为陈述性文本，缺乏结构化的推理步骤和多样化的教学格式。为了增强模型的推理链条（CoT）能力和多轮交互能力，我们通过 [UltraData-Math-Generator](https://github.com/UltraData-OpenBMB/UltraData-Math/tree/main/UltraData-Math-L3-Generator) 构建了 L3 精炼数据层：
+自然网页数据多为陈述性文本，缺乏结构化的推理步骤和多样化的教学格式。为了增强模型的推理链条（CoT）能力和多轮交互能力，我们通过 [UltraData-Math-Generator](https://huggingface.co/spaces/openbmb/UltraData-Math-L3-Generator) 构建了 L3 精炼数据层：
 
 - **Q&A 对生成**：利用高性能模型将陈述性文档改写为"问题-回答"对，构建包含显式推理步骤的 QA 风格数据。
 - **多轮对话合成**：模拟"老师-学生"的辅导场景，生成包含追问、纠错、引导的多轮对话数据。
@@ -90,12 +87,36 @@ L1 数据虽然格式整洁，但内容质量参差不齐。L2 阶段引入了
 - **知识点教材生成**：基于特定知识点生成系统化的教材类内容，确保模型掌握核心数学概念。
 - **格式修复与增强**：修复源数据中的格式问题（如损坏的 LaTeX 公式、不一致的符号标记），并增强内容连贯性，以达到教科书级质量标准。
 
+基于上述方法，我们最终产出了以下 ***UltraData-Math*** 数据集：
+
 | 数据集 | # Tokens | # Documents |
 |:---|:---:|:---:|
 | UltraData-Math-L1 | 170.5B | 85.6M |
 | UltraData-Math-L2-preview | 33.7B | 14.98M |
 | UltraData-Math-L3 | 88B | 81.4M |
 
+## 🚀 快速开始
+
+你可以直接从 Hugging Face 加载数据集：
+
+```python
+from datasets import load_dataset
+
+# 加载 UltraData-Math-L1
+ds = load_dataset("openbmb/UltraData-Math", "UltraData-Math-L1")
+
+# 加载 UltraData-Math-L2-preview
+ds = load_dataset("openbmb/UltraData-Math", "UltraData-Math-L2-preview")
+
+# 加载 UltraData-Math-L3（默认：Conversation-Synthetic）
+ds = load_dataset("openbmb/UltraData-Math", "UltraData-Math-L3-Conversation-Synthetic")
+
+# 其他 L3 配置：
+# - UltraData-Math-L3-Multi-Style-Synthetic
+# - UltraData-Math-L3-QA-Synthetic
+# - UltraData-Math-L3-Textbook-Exercise-Synthetic
+```
+
 ## 📈 实验结果
 
 我们使用 **衰减验证（Decay Verification）** 方法评估数据质量：在 **MiniCPM-1.2B** 基座模型（使用 **MiniCPM3-4B** 分词器，预训练 1.3T tokens）上继续训练 **~100B tokens**（30% 目标数据 + 70% 通用数据）。我们使用 [OpenCompass](https://github.com/open-compass/opencompass) 作为评估框架。评估基准包括：