diff --git a/docs/blog/index.html b/docs/blog/index.html
index 1d09d08..d7261dd 100644
--- a/docs/blog/index.html
+++ b/docs/blog/index.html
@@ -771,8 +771,8 @@ <h1 class="content-title mb-0">
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -798,8 +798,8 @@ <h1 class="content-title mb-0">
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/blog/index.xml b/docs/blog/index.xml
index d4fa53a..3e5cb22 100644
--- a/docs/blog/index.xml
+++ b/docs/blog/index.xml
@@ -44,8 +44,13 @@
       
       <guid>https://rapidai.github.io/TableStructureRec/docs/blog/table_rec_evaluate/</guid>
       <description>引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。
+以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。
+因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。
+RapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型
+lineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。
+wired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。
 指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist
-from modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( &amp;#34;table_recognition&amp;#34;, namespace=&amp;#34;liekkas&amp;#34;, subset_name=&amp;#34;default&amp;#34;, split=&amp;#34;test&amp;#34;, ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.</description>
+from modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.</description>
     </item>
     
   </channel>
diff --git a/docs/blog/lineless_table_rec/index.html b/docs/blog/lineless_table_rec/index.html
index 88d6895..638c636 100644
--- a/docs/blog/lineless_table_rec/index.html
+++ b/docs/blog/lineless_table_rec/index.html
@@ -854,8 +854,8 @@ <h3 id="参考资料">参考资料 <a href="#%e5%8f%82%e8%80%83%e8%b5%84%e6%96%9
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -881,8 +881,8 @@ <h3 id="参考资料">参考资料 <a href="#%e5%8f%82%e8%80%83%e8%b5%84%e6%96%9
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/blog/table_rec_evaluate/index.html b/docs/blog/table_rec_evaluate/index.html
index 096335f..c47f39d 100644
--- a/docs/blog/table_rec_evaluate/index.html
+++ b/docs/blog/table_rec_evaluate/index.html
@@ -34,17 +34,27 @@
 <link rel="manifest" crossorigin="use-credentials" href="https://rapidai.github.io/TableStructureRec/site.webmanifest">
 <meta property="og:title" content="三个表格识别算法评测" />
 <meta property="og:description" content="引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。
+以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。
+因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。
+RapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型
+lineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。
+wired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。
 指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist
-from modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( &#34;table_recognition&#34;, namespace=&#34;liekkas&#34;, subset_name=&#34;default&#34;, split=&#34;test&#34;, ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data." />
+from modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset." />
 <meta property="og:type" content="article" />
 <meta property="og:url" content="https://rapidai.github.io/TableStructureRec/docs/blog/table_rec_evaluate/" /><meta property="og:image" content="https://rapidai.github.io/TableStructureRec/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_3551202621770440409.png"/><meta property="article:section" content="docs" />
 
-<meta property="article:modified_time" content="2023-11-30T09:50:03+08:00" /><meta name="twitter:card" content="summary_large_image"/>
+<meta property="article:modified_time" content="2023-12-13T22:23:43+08:00" /><meta name="twitter:card" content="summary_large_image"/>
 <meta name="twitter:image" content="https://rapidai.github.io/TableStructureRec/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_3551202621770440409.png"/>
 <meta name="twitter:title" content="三个表格识别算法评测"/>
 <meta name="twitter:description" content="引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。
+以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。
+因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。
+RapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型
+lineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。
+wired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。
 指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist
-from modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( &#34;table_recognition&#34;, namespace=&#34;liekkas&#34;, subset_name=&#34;default&#34;, split=&#34;test&#34;, ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data."/>
+from modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset."/>
 
     
     <script>(()=>{var t=window.matchMedia&&window.matchMedia("(prefers-color-scheme: dark)").matches,e=localStorage.getItem("theme");t&&e===null&&(localStorage.setItem("theme","dark"),document.documentElement.setAttribute("data-dark-mode","")),t&&e==="dark"&&document.documentElement.setAttribute("data-dark-mode",""),e==="dark"&&document.documentElement.setAttribute("data-dark-mode","")})()</script>
@@ -384,7 +394,6 @@
                 <li><a href="#1-安装评测数据集和评测工具包">1. 安装评测数据集和评测工具包</a></li>
                 <li><a href="#2-安装表格识别推理库">2. 安装表格识别推理库</a></li>
                 <li><a href="#3-推理代码">3. 推理代码</a></li>
-                <li><a href="#4-写在最后">4. 写在最后</a></li>
               </ul>
             </li>
           </ul>
@@ -413,7 +422,6 @@
                 <li><a href="#1-安装评测数据集和评测工具包">1. 安装评测数据集和评测工具包</a></li>
                 <li><a href="#2-安装表格识别推理库">2. 安装表格识别推理库</a></li>
                 <li><a href="#3-推理代码">3. 推理代码</a></li>
-                <li><a href="#4-写在最后">4. 写在最后</a></li>
               </ul>
             </li>
           </ul>
@@ -438,6 +446,11 @@ <h1 class="content-title mb-0">
     
     <div data-prismjs-copy="" data-prismjs-copy-success="" data-prismjs-copy-error="">
         <h3 id="引言">引言 <a href="#%e5%bc%95%e8%a8%80" class="anchor" aria-hidden="true"><i class="material-icons align-middle">link</i></a></h3><p>为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具<a href="https://github.com/SWHL/TableRecognitionMetric" rel="external" target="_blank">TableRecognitionMetric<svg width="16" height="16" viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path fill="currentColor" d="M14 5c-.552 0-1-.448-1-1s.448-1 1-1h6c.552 0 1 .448 1 1v6c0 .552-.448 1-1 1s-1-.448-1-1v-3.586l-7.293 7.293c-.391.39-1.024.39-1.414 0-.391-.391-.391-1.024 0-1.414l7.293-7.293h-3.586zm-9 2c-.552 0-1 .448-1 1v11c0 .552.448 1 1 1h11c.552 0 1-.448 1-1v-4.563c0-.552.448-1 1-1s1 .448 1 1v4.563c0 1.657-1.343 3-3 3h-11c-1.657 0-3-1.343-3-3v-11c0-1.657 1.343-3 3-3h4.563c.552 0 1 .448 1 1s-.448 1-1 1h-4.563z"/></svg></a>和表格测试数据集<a href="https://www.modelscope.cn/datasets/liekkas/table_recognition/summary" rel="external" target="_blank">liekkas/table_recognition<svg width="16" height="16" viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path fill="currentColor" d="M14 5c-.552 0-1-.448-1-1s.448-1 1-1h6c.552 0 1 .448 1 1v6c0 .552-.448 1-1 1s-1-.448-1-1v-3.586l-7.293 7.293c-.391.39-1.024.39-1.414 0-.391-.391-.391-1.024 0-1.414l7.293-7.293h-3.586zm-9 2c-.552 0-1 .448-1 1v11c0 .552.448 1 1 1h11c.552 0 1-.448 1-1v-4.563c0-.552.448-1 1-1s1 .448 1 1v4.563c0 1.657-1.343 3-3 3h-11c-1.657 0-3-1.343-3-3v-11c0-1.657 1.343-3 3-3h4.563c.552 0 1 .448 1 1s-.448 1-1 1h-4.563z"/></svg></a>上计算不同算法的TEDS指标。</p>
+<p>以下评测仅是基于表格测试数据集<a href="https://www.modelscope.cn/datasets/liekkas/table_recognition/summary" rel="external" target="_blank">liekkas/table_recognition<svg width="16" height="16" viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path fill="currentColor" d="M14 5c-.552 0-1-.448-1-1s.448-1 1-1h6c.552 0 1 .448 1 1v6c0 .552-.448 1-1 1s-1-.448-1-1v-3.586l-7.293 7.293c-.391.39-1.024.39-1.414 0-.391-.391-.391-1.024 0-1.414l7.293-7.293h-3.586zm-9 2c-.552 0-1 .448-1 1v11c0 .552.448 1 1 1h11c.552 0 1-.448 1-1v-4.563c0-.552.448-1 1-1s1 .448 1 1v4.563c0 1.657-1.343 3-3 3h-11c-1.657 0-3-1.343-3-3v-11c0-1.657 1.343-3 3-3h4.563c.552 0 1 .448 1 1s-.448 1-1 1h-4.563z"/></svg></a>测试而来，不能完全代表模型效果。</p>
+<p>因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。</p>
+<p><strong>RapidTable</strong>: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:<a href="https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/ppstructure/docs/models_list.md#22-%E8%A1%A8%E6%A0%BC%E8%AF%86%E5%88%AB%E6%A8%A1%E5%9E%8B" rel="external" target="_blank">表格识别模型<svg width="16" height="16" viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path fill="currentColor" d="M14 5c-.552 0-1-.448-1-1s.448-1 1-1h6c.552 0 1 .448 1 1v6c0 .552-.448 1-1 1s-1-.448-1-1v-3.586l-7.293 7.293c-.391.39-1.024.39-1.414 0-.391-.391-.391-1.024 0-1.414l7.293-7.293h-3.586zm-9 2c-.552 0-1 .448-1 1v11c0 .552.448 1 1 1h11c.552 0 1-.448 1-1v-4.563c0-.552.448-1 1-1s1 .448 1 1v4.563c0 1.657-1.343 3-3 3h-11c-1.657 0-3-1.343-3-3v-11c0-1.657 1.343-3 3-3h4.563c.552 0 1 .448 1 1s-.448 1-1 1h-4.563z"/></svg></a></p>
+<p><strong>lineless_table_rec</strong>: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。</p>
+<p><strong>wired_table_rec</strong>: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。</p>
 <h3 id="指标结果">指标结果 <a href="#%e6%8c%87%e6%a0%87%e7%bb%93%e6%9e%9c" class="anchor" aria-hidden="true"><i class="material-icons align-middle">link</i></a></h3><table>
 <thead>
 <tr>
@@ -573,8 +586,6 @@ <h4 id="3-推理代码">3. 推理代码 <a href="#3-%e6%8e%a8%e7%90%86%e4%bb%a3%
 print(f&#39;{avg:.5f}&#39;)</code>
   </pre>
   </div>
-<h4 id="4-写在最后">4. 写在最后 <a href="#4-%e5%86%99%e5%9c%a8%e6%9c%80%e5%90%8e" class="anchor" aria-hidden="true"><i class="material-icons align-middle">link</i></a></h4><p>以上评测仅是基于表格测试数据集<a href="https://www.modelscope.cn/datasets/liekkas/table_recognition/summary" rel="external" target="_blank">liekkas/table_recognition<svg width="16" height="16" viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path fill="currentColor" d="M14 5c-.552 0-1-.448-1-1s.448-1 1-1h6c.552 0 1 .448 1 1v6c0 .552-.448 1-1 1s-1-.448-1-1v-3.586l-7.293 7.293c-.391.39-1.024.39-1.414 0-.391-.391-.391-1.024 0-1.414l7.293-7.293h-3.586zm-9 2c-.552 0-1 .448-1 1v11c0 .552.448 1 1 1h11c.552 0 1-.448 1-1v-4.563c0-.552.448-1 1-1s1 .448 1 1v4.563c0 1.657-1.343 3-3 3h-11c-1.657 0-3-1.343-3-3v-11c0-1.657 1.343-3 3-3h4.563c.552 0 1 .448 1 1s-.448 1-1 1h-4.563z"/></svg></a>测试而来，不能完全代表模型效果。</p>
-<p>因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。</p>
 
     </div>
 
@@ -612,9 +623,9 @@ <h4 id="4-写在最后">4. 写在最后 <a href="#4-%e5%86%99%e5%9c%a8%e6%9c%80%
     <div id="last-modified" class="mt-1">
         <p class="mb-0 fw-semibold">Last updated <span
             id="relativetime"
-            data-authdate="2023-11-30T09:50:03&#43;0800"
-            title="30 Nov 2023, 09:50 &#43;0800">
-            30 Nov 2023, 09:50 &#43;0800
+            data-authdate="2023-12-13T22:23:43&#43;0800"
+            title="13 Dec 2023, 22:23 &#43;0800">
+            13 Dec 2023, 22:23 &#43;0800
         </span>. <span class="material-icons size-20 align-text-bottom opacity-75">history</span>
         </p>
     </div>
@@ -986,8 +997,8 @@ <h4 id="4-写在最后">4. 写在最后 <a href="#4-%e5%86%99%e5%9c%a8%e6%9c%80%
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -1013,8 +1024,8 @@ <h4 id="4-写在最后">4. 写在最后 <a href="#4-%e5%86%99%e5%9c%a8%e6%9c%80%
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/blog/wired_table_rec/index.html b/docs/blog/wired_table_rec/index.html
index c6c4dd3..83d37bf 100644
--- a/docs/blog/wired_table_rec/index.html
+++ b/docs/blog/wired_table_rec/index.html
@@ -854,8 +854,8 @@ <h3 id="参考资料">参考资料 <a href="#%e5%8f%82%e8%80%83%e8%b5%84%e6%96%9
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -881,8 +881,8 @@ <h3 id="参考资料">参考资料 <a href="#%e5%8f%82%e8%80%83%e8%b5%84%e6%96%9
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/changelog/index.html b/docs/changelog/index.html
index c6530ba..479123b 100644
--- a/docs/changelog/index.html
+++ b/docs/changelog/index.html
@@ -33,14 +33,14 @@
 <link rel="icon" type="image/png" sizes="16x16" href="https://rapidai.github.io/TableStructureRec/favicon-16x16.png">
 <link rel="manifest" crossorigin="use-credentials" href="https://rapidai.github.io/TableStructureRec/site.webmanifest">
 <meta property="og:title" content="更新日志" />
-<meta property="og:description" content="2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 " />
+<meta property="og:description" content="2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 " />
 <meta property="og:type" content="article" />
 <meta property="og:url" content="https://rapidai.github.io/TableStructureRec/docs/changelog/" /><meta property="og:image" content="https://rapidai.github.io/TableStructureRec/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_9482349035022799562.png"/><meta property="article:section" content="docs" />
 
-<meta property="article:modified_time" content="2023-11-22T22:04:21+08:00" /><meta name="twitter:card" content="summary_large_image"/>
+<meta property="article:modified_time" content="2023-12-13T22:23:43+08:00" /><meta name="twitter:card" content="summary_large_image"/>
 <meta name="twitter:image" content="https://rapidai.github.io/TableStructureRec/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_9482349035022799562.png"/>
 <meta name="twitter:title" content="更新日志"/>
-<meta name="twitter:description" content="2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "/>
+<meta name="twitter:description" content="2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "/>
 
     
     <script>(()=>{var t=window.matchMedia&&window.matchMedia("(prefers-color-scheme: dark)").matches,e=localStorage.getItem("theme");t&&e===null&&(localStorage.setItem("theme","dark"),document.documentElement.setAttribute("data-dark-mode","")),t&&e==="dark"&&document.documentElement.setAttribute("data-dark-mode",""),e==="dark"&&document.documentElement.setAttribute("data-dark-mode","")})()</script>
@@ -367,6 +367,7 @@
           <ul>
             <li>
               <ul>
+                <li><a href="#2023-12-13-update">2023-12-13 update:</a></li>
                 <li><a href="#2023-11-22-update">2023-11-22 update:</a></li>
                 <li><a href="#2023-11-20-update">2023-11-20 update:</a></li>
                 <li><a href="#2023-11-19-update">2023-11-19 update:</a></li>
@@ -393,6 +394,7 @@
           <ul>
             <li>
               <ul>
+                <li><a href="#2023-12-13-update">2023-12-13 update:</a></li>
                 <li><a href="#2023-11-22-update">2023-11-22 update:</a></li>
                 <li><a href="#2023-11-20-update">2023-11-20 update:</a></li>
                 <li><a href="#2023-11-19-update">2023-11-19 update:</a></li>
@@ -419,7 +421,11 @@ <h1 class="content-title mb-0">
                                                 
     
     <div data-prismjs-copy="" data-prismjs-copy-success="" data-prismjs-copy-error="">
-        <h4 id="2023-11-22-update">2023-11-22 update: <a href="#2023-11-22-update" class="anchor" aria-hidden="true"><i class="material-icons align-middle">link</i></a></h4><ul>
+        <h4 id="2023-12-13-update">2023-12-13 update: <a href="#2023-12-13-update" class="anchor" aria-hidden="true"><i class="material-icons align-middle">link</i></a></h4><ul>
+<li>修复issue <a href="https://github.com/RapidAI/TableStructureRec/issues/4" rel="external" target="_blank">#4<svg width="16" height="16" viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path fill="currentColor" d="M14 5c-.552 0-1-.448-1-1s.448-1 1-1h6c.552 0 1 .448 1 1v6c0 .552-.448 1-1 1s-1-.448-1-1v-3.586l-7.293 7.293c-.391.39-1.024.39-1.414 0-.391-.391-.391-1.024 0-1.414l7.293-7.293h-3.586zm-9 2c-.552 0-1 .448-1 1v11c0 .552.448 1 1 1h11c.552 0 1-.448 1-1v-4.563c0-.552.448-1 1-1s1 .448 1 1v4.563c0 1.657-1.343 3-3 3h-11c-1.657 0-3-1.343-3-3v-11c0-1.657 1.343-3 3-3h4.563c.552 0 1 .448 1 1s-.448 1-1 1h-4.563z"/></svg></a></li>
+<li>发布<code>wired_table_rec==0.0.2</code>和<code>lineless_table_rec==0.0.2</code>版本</li>
+</ul>
+<h4 id="2023-11-22-update">2023-11-22 update: <a href="#2023-11-22-update" class="anchor" aria-hidden="true"><i class="material-icons align-middle">link</i></a></h4><ul>
 <li>发布<code>wired_table_rec==0.0.1</code>包</li>
 </ul>
 <h4 id="2023-11-20-update">2023-11-20 update: <a href="#2023-11-20-update" class="anchor" aria-hidden="true"><i class="material-icons align-middle">link</i></a></h4><ul>
@@ -465,9 +471,9 @@ <h4 id="2023-11-19-update">2023-11-19 update: <a href="#2023-11-19-update" class
     <div id="last-modified" class="mt-1">
         <p class="mb-0 fw-semibold">Last updated <span
             id="relativetime"
-            data-authdate="2023-11-22T22:04:21&#43;0800"
-            title="22 Nov 2023, 22:04 &#43;0800">
-            22 Nov 2023, 22:04 &#43;0800
+            data-authdate="2023-12-13T22:23:43&#43;0800"
+            title="13 Dec 2023, 22:23 &#43;0800">
+            13 Dec 2023, 22:23 &#43;0800
         </span>. <span class="material-icons size-20 align-text-bottom opacity-75">history</span>
         </p>
     </div>
@@ -828,8 +834,8 @@ <h4 id="2023-11-19-update">2023-11-19 update: <a href="#2023-11-19-update" class
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -855,8 +861,8 @@ <h4 id="2023-11-19-update">2023-11-19 update: <a href="#2023-11-19-update" class
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/faq/index.html b/docs/faq/index.html
index a951594..02618cb 100644
--- a/docs/faq/index.html
+++ b/docs/faq/index.html
@@ -794,8 +794,8 @@ <h1 class="content-title mb-0">
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -821,8 +821,8 @@ <h1 class="content-title mb-0">
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/index.html b/docs/index.html
index d7da90a..0d4f599 100644
--- a/docs/index.html
+++ b/docs/index.html
@@ -831,8 +831,8 @@ <h1 class="content-title mb-0">
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -858,8 +858,8 @@ <h1 class="content-title mb-0">
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/index.xml b/docs/index.xml
index 8c19070..cbb6ee2 100644
--- a/docs/index.xml
+++ b/docs/index.xml
@@ -61,7 +61,7 @@
       <pubDate>Sat, 08 Oct 2022 00:00:00 +0000</pubDate>
       
       <guid>https://rapidai.github.io/TableStructureRec/docs/changelog/</guid>
-      <description>2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 </description>
+      <description>2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 </description>
     </item>
     
   </channel>
diff --git a/docs/install_usage/index.html b/docs/install_usage/index.html
index 5d5f431..0639b3b 100644
--- a/docs/install_usage/index.html
+++ b/docs/install_usage/index.html
@@ -754,8 +754,8 @@ <h1 class="content-title mb-0">
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -781,8 +781,8 @@ <h1 class="content-title mb-0">
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/install_usage/lineless_table_rec/index.html b/docs/install_usage/lineless_table_rec/index.html
index 9b7e5ec..4d031f4 100644
--- a/docs/install_usage/lineless_table_rec/index.html
+++ b/docs/install_usage/lineless_table_rec/index.html
@@ -484,14 +484,14 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 		
 
 		<a class="nav-link  active"
-		   id="bfdaecTab" data-bs-toggle="tab" data-bs-target="#bfdaec"
-		   type="button" role="tab" aria-controls="bfdaec" aria-selected="true">Python脚本使用</a>
+		   id="cabdfeTab" data-bs-toggle="tab" data-bs-target="#cabdfe"
+		   type="button" role="tab" aria-controls="cabdfe" aria-selected="true">Python脚本使用</a>
 
 		
 
 		<a class="nav-link "
-		   id="bacdefTab" data-bs-toggle="tab" data-bs-target="#bacdef"
-		   type="button" role="tab" aria-controls="bacdef" aria-selected="true">终端使用</a>
+		   id="cdabfeTab" data-bs-toggle="tab" data-bs-target="#cdabfe"
+		   type="button" role="tab" aria-controls="cdabfe" aria-selected="true">终端使用</a>
 
 		
 
@@ -507,7 +507,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade show active" id="bfdaec" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="cabdfe" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -548,7 +548,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="bacdef" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="cdabfe" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1090,8 +1090,8 @@ <h3 id="查看效果">查看效果 <a href="#%e6%9f%a5%e7%9c%8b%e6%95%88%e6%9e%9
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -1117,8 +1117,8 @@ <h3 id="查看效果">查看效果 <a href="#%e6%9f%a5%e7%9c%8b%e6%95%88%e6%9e%9
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/install_usage/wired_table_rec/index.html b/docs/install_usage/wired_table_rec/index.html
index 192ad1d..6849644 100644
--- a/docs/install_usage/wired_table_rec/index.html
+++ b/docs/install_usage/wired_table_rec/index.html
@@ -481,14 +481,14 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 		
 
 		<a class="nav-link  active"
-		   id="edcafbTab" data-bs-toggle="tab" data-bs-target="#edcafb"
-		   type="button" role="tab" aria-controls="edcafb" aria-selected="true">Python脚本使用</a>
+		   id="badcefTab" data-bs-toggle="tab" data-bs-target="#badcef"
+		   type="button" role="tab" aria-controls="badcef" aria-selected="true">Python脚本使用</a>
 
 		
 
 		<a class="nav-link "
-		   id="dabecfTab" data-bs-toggle="tab" data-bs-target="#dabecf"
-		   type="button" role="tab" aria-controls="dabecf" aria-selected="true">终端使用</a>
+		   id="caedfbTab" data-bs-toggle="tab" data-bs-target="#caedfb"
+		   type="button" role="tab" aria-controls="caedfb" aria-selected="true">终端使用</a>
 
 		
 
@@ -504,7 +504,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade show active" id="edcafb" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="badcef" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -545,7 +545,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="dabecf" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="caedfb" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -1041,8 +1041,8 @@ <h3 id="查看效果">查看效果 <a href="#%e6%9f%a5%e7%9c%8b%e6%95%88%e6%9e%9
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -1068,8 +1068,8 @@ <h3 id="查看效果">查看效果 <a href="#%e6%9f%a5%e7%9c%8b%e6%95%88%e6%9e%9
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/online_demo/index.html b/docs/online_demo/index.html
index 0aad9cc..2233d8c 100644
--- a/docs/online_demo/index.html
+++ b/docs/online_demo/index.html
@@ -834,8 +834,8 @@ <h4 id="无线表格识别demohttpswwwmodelscopecnmodelsdamocv_resnet-transforme
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -861,8 +861,8 @@ <h4 id="无线表格识别demohttpswwwmodelscopecnmodelsdamocv_resnet-transforme
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/overview/index.html b/docs/overview/index.html
index 2d34615..a49a716 100644
--- a/docs/overview/index.html
+++ b/docs/overview/index.html
@@ -847,8 +847,8 @@ <h3 id="表格结构化识别">表格结构化识别 <a href="#%e8%a1%a8%e6%a0%b
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -874,8 +874,8 @@ <h3 id="表格结构化识别">表格结构化识别 <a href="#%e8%a1%a8%e6%a0%b
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/docs/scss/style.css.map b/docs/scss/style.css.map
index 8ffa7d4..4c45831 100644
--- a/docs/scss/style.css.map
+++ b/docs/scss/style.css.map
@@ -3,11 +3,11 @@
 	"file": "style.css",
 	"sourceRoot": "/home/runner/work/TableStructureRec/TableStructureRec",
 	"sources": [
-		"/home/runner/.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/style.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/plugins/icons/_google-material.scss",
+		"/home/runner/.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/style.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/plugins/icons/_google-material.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/_functions.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/_variables.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/colors/_blue.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/colors/_blue.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/_mixins.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/gohugoio/hugo-mod-bootstrap-scss/v5@v5.20300.20003/assets/scss/bootstrap/_vendor/_rfs.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/mixins/_deprecate.scss",
@@ -121,30 +121,30 @@
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/helpers/_text-truncation.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/helpers/_vr.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/utilities/_api.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/_variables.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/structure/_general.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/structure/_content.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/structure/_sidebar.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/structure/_doc-nav.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/structure/_toc.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/structure/_footer.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_buttons.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_breadcrumb.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_badge.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_backgrounds.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_dropdown.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_alerts.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_card.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_forms.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_table.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_tabs.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/components/_tooltip.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/pages/_features.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/pages/_helper.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/plugins/prism/themes/_twilight.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/plugins/prism/_prism.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/plugins/flexsearch/_flexsearch.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/docs/scss/custom/plugins/mermaid/_mermaid.scss"
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/_variables.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/structure/_general.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/structure/_content.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/structure/_sidebar.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/structure/_doc-nav.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/structure/_toc.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/structure/_footer.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_buttons.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_breadcrumb.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_badge.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_backgrounds.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_dropdown.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_alerts.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_card.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_forms.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_table.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_tabs.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/components/_tooltip.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/pages/_features.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/pages/_helper.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/plugins/prism/themes/_twilight.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/plugins/prism/_prism.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/plugins/flexsearch/_flexsearch.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/docs/scss/custom/plugins/mermaid/_mermaid.scss"
 	],
 	"sourcesContent": [
 		"/* Template Name: Lotus Docs\n   Author: Colin Wilson\n   E-mail: colin@aigis.uk\n   Created: October 2022\n   Version: 1.2.0\n   File Description: Main CSS file for Lotus Docs\n*/\n\n// Custom Font Variables\n$font-family-secondary:  Inter;\n$font-family-sans-serif: Inter;\n$font-family-monospace:  Fira Code;\n\n// Code Padding Variables\n$code-block-padding-top: 0;\n\n// Icon Fonts\n@import \"custom/plugins/icons/google-material\";\n\n// Core files\n@import \"../../scss/bootstrap/functions\";\n@import \"../../scss/bootstrap/variables\";\n@import 'custom/colors/blue'; // current theme color\n@import \"../../scss/bootstrap/mixins\";\n@import \"../../scss/bootstrap/bootstrap\";\n@import \"variables\";\n\n\n\n// Structure\n@import \"custom/structure/general\";\n@import \"custom/structure/content\";\n@import \"custom/structure/sidebar\";\n@import \"custom/structure/doc-nav\";\n@import \"custom/structure/toc\";\n@import \"custom/structure/footer\";\n\n// Components\n@import \"custom/components/buttons\";\n@import \"custom/components/breadcrumb\";\n@import \"custom/components/badge\";\n@import \"custom/components/backgrounds\";\n@import \"custom/components/dropdown\";\n@import \"custom/components/alerts\";\n@import \"custom/components/card\";\n@import \"custom/components/forms\";\n@import \"custom/components/table\";\n@import \"custom/components/tabs\";\n@import \"custom/components/tooltip\";\n\n// Pages\n@import \"custom/pages/features\";\n@import \"custom/pages/helper\";\n\n// Plugins\n\n// Prism / Chroma\n@import 'custom/plugins/prism/themes/twilight'; // current prism theme\n@import \"custom/plugins/prism/prism\";// FlexSearch\n@import \"custom/plugins/flexsearch/flexsearch\";\n\n// Feedback Widget\n\n\n// Mermaid\n@import \"custom/plugins/mermaid/mermaid\";",
diff --git a/docs/sponsor/index.html b/docs/sponsor/index.html
index 82d3395..f37e879 100644
--- a/docs/sponsor/index.html
+++ b/docs/sponsor/index.html
@@ -852,8 +852,8 @@ <h4 id="buy-me-a-coffee">Buy me a Coffee <a href="#buy-me-a-coffee" class="ancho
                 id:  8 ,
                 href: "\/TableStructureRec\/docs\/blog\/table_rec_evaluate\/",
                 title: "三个表格识别算法评测",
-                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.",
-                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') 4. 写在最后 link以上评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\n"
+                description: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.",
+                content: "引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。\n以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。\n因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。\nRapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型\nlineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。\nwired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。\n指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist\nfrom modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( \"table_recognition\", namespace=\"liekkas\", subset_name=\"default\", split=\"test\", ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.get(\"image:FILE\") gt = one_data.get(\"label\") pred_str, _ = table_engine(img_path) scores = teds(gt, pred_str) content.append(scores) print(f\"{img_path}\\t{scores:.5f}\") avg = sum(content) / len(content) print(f'{avg:.5f}') "
             }
         );
     index.add(
@@ -879,8 +879,8 @@ <h4 id="buy-me-a-coffee">Buy me a Coffee <a href="#buy-me-a-coffee" class="ancho
                 id:  11 ,
                 href: "\/TableStructureRec\/docs\/changelog\/",
                 title: "更新日志",
-                description: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
-                content: "2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
+                description: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 ",
+                content: "2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 "
             }
         );
     index.add(
diff --git a/index.xml b/index.xml
index 793a03d..c587834 100644
--- a/index.xml
+++ b/index.xml
@@ -94,8 +94,13 @@
       
       <guid>https://rapidai.github.io/TableStructureRec/docs/blog/table_rec_evaluate/</guid>
       <description>引言 link为了便于比较不同表格识别算法的效果差异，本篇文章基于评测工具TableRecognitionMetric和表格测试数据集liekkas/table_recognition上计算不同算法的TEDS指标。
+以下评测仅是基于表格测试数据集liekkas/table_recognition测试而来，不能完全代表模型效果。
+因为每个模型训练数据不同，测试数据集如与训练数据相差较大，难免效果较差，请针对自身场景客观看待评测指标。
+RapidTable: 有英文和中文两个模型，大多都是印刷体截屏表格。具体可参见:表格识别模型
+lineless_table_rec: 训练数据部分来自SciTSR与PubTabNet，训练集共45000张。这两个数据大多是来自论文截图，所以这个模型也是比较适用于论文中表格识别。
+wired_table_rec: 训练数据为WTW，训练集为10970张。WTW数据组成有50%的自然场景下、30%的档案和20%的印刷体表格。所以这个模型更适合自然场景下拍照的表格识别。
 指标结果 link 方法 TEDS RapidTable 0.58786 lineless_table_rec 0.50054 wired_table_rec 0.63316 评测步骤 link1. 安装评测数据集和评测工具包 link pip install table_recognition_metric pip install modelscope==1.5.2 pip install rapidocr_onnxruntime==1.3.8 2. 安装表格识别推理库 link pip install rapid_table pip install lineless_table_rec pip install wired_table_rec 3. 推理代码 link info 完整评测代码，请移步Gist
-from modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.load( &amp;#34;table_recognition&amp;#34;, namespace=&amp;#34;liekkas&amp;#34;, subset_name=&amp;#34;default&amp;#34;, split=&amp;#34;test&amp;#34;, ) # 这里依次更换不同算法实例即可 table_engine = RapidTable() # table_engine = LinelessTableRecognition() # table_engine = WiredTableRecognition() teds = TEDS() content = [] for one_data in test_data: img_path = one_data.</description>
+from modelscope.msdatasets import MsDataset from rapid_table import RapidTable from lineless_table_rec import LinelessTableRecognition from wired_table_rec import WiredTableRecognition from table_recognition_metric import TEDS test_data = MsDataset.</description>
     </item>
     
     <item>
@@ -125,7 +130,7 @@ from modelscope.msdatasets import MsDataset from rapid_table import RapidTable f
       <pubDate>Sat, 08 Oct 2022 00:00:00 +0000</pubDate>
       
       <guid>https://rapidai.github.io/TableStructureRec/docs/changelog/</guid>
-      <description>2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 </description>
+      <description>2023-12-13 update: link 修复issue #4 发布wired_table_rec==0.0.2和lineless_table_rec==0.0.2版本 2023-11-22 update: link 发布wired_table_rec==0.0.1包 2023-11-20 update: link 发布lineless_table_rec==0.0.1包 2023-11-19 update: link 添加无线表格识别算法（LORE）的推理代码 </description>
     </item>
     
   </channel>
diff --git a/scss/style.css.map b/scss/style.css.map
index 878bbd5..85f66c8 100644
--- a/scss/style.css.map
+++ b/scss/style.css.map
@@ -3,10 +3,10 @@
 	"file": "style.css",
 	"sourceRoot": "/home/runner/work/TableStructureRec/TableStructureRec",
 	"sources": [
-		"/home/runner/.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/style.scss",
+		"/home/runner/.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/style.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/_functions.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/_variables.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/_variables.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/_variables.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/_mixins.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/gohugoio/hugo-mod-bootstrap-scss/v5@v5.20300.20003/assets/scss/bootstrap/_vendor/_rfs.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/mixins/_deprecate.scss",
@@ -120,17 +120,17 @@
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/helpers/_text-truncation.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/helpers/_vr.scss",
 		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/twbs/bootstrap@v5.3.0+incompatible/scss/utilities/_api.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/plugins/icons/_google-material.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/structure/_general.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/structure/_topbar.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/structure/_footer.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/components/_buttons.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/components/_badge.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/components/_backgrounds.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/pages/_features.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/pages/_helper.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/pages/_hero.scss",
-		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231121160905-3655fe94f416/assets/scss/custom/pages/_image-compare-viewer.scss"
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/plugins/icons/_google-material.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/structure/_general.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/structure/_topbar.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/structure/_footer.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/components/_buttons.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/components/_badge.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/components/_backgrounds.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/pages/_features.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/pages/_helper.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/pages/_hero.scss",
+		"../../../.cache/hugo_cache/modules/filecache/modules/pkg/mod/github.com/colinwilson/lotusdocs@v0.1.1-0.20231204194639-f5785a2399ca/assets/scss/custom/pages/_image-compare-viewer.scss"
 	],
 	"sourcesContent": [
 		"/* Template Name: LotusLabs Docs\n   Author: Colin Wilson\n   E-mail: colin.wilson@proton.me\n   Created: October 2022\n   Version: 1.0.0\n   File Description: Main CSS file of the Landing Page template\n*/\n\n//Custom Font Variables\n$font-family-secondary:  Inter;\n$font-family-sans-serif: Inter;\n$font-family-monospace:  Fira Code;\n\n//Fonts\n// @import \"custom/fonts/fonts\";\n\n//Core files\n@import \"bootstrap/functions\";\n@import \"bootstrap/variables\";\n@import \"variables\";\n@import \"bootstrap/mixins\";\n@import \"bootstrap/bootstrap\";\n\n// Plugins\n@import \"custom/plugins/icons/google-material\";\n\n// Structure\n@import \"custom/structure/general\";\n@import \"custom/structure/topbar\";\n// @import \"custom/structure/content\";\n// @import \"custom/structure/sidebar-layouts\";\n// @import \"custom/structure/doc-nav\";\n// @import \"custom/structure/toc-layouts\";\n@import \"custom/structure/footer\";\n\n// // Components\n@import \"custom/components/buttons\";\n@import \"custom/components/badge\";\n@import \"custom/components/backgrounds\";\n// @import \"custom/components/alerts\";\n// @import \"custom/components/card\";\n\n// // Pages\n// @import \"custom/pages/blog\";\n\n@import \"custom/pages/features\";\n@import \"custom/pages/helper\";\n@import \"custom/pages/hero\";\n@import \"custom/pages/image-compare-viewer\";\n\n// @import \"custom/pages/simplebar\";\n",
diff --git a/sitemap.xml b/sitemap.xml
index 4b43799..3daeed8 100644
--- a/sitemap.xml
+++ b/sitemap.xml
@@ -27,7 +27,7 @@
     <lastmod>2023-11-22T22:20:48+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/docs/blog/table_rec_evaluate/</loc>
-    <lastmod>2023-11-30T09:50:03+08:00</lastmod>
+    <lastmod>2023-12-13T22:23:43+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/docs/sponsor/</loc>
     <lastmod>2023-11-20T08:29:38+08:00</lastmod>
@@ -36,13 +36,13 @@
     <lastmod>2023-11-20T08:29:38+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/docs/changelog/</loc>
-    <lastmod>2023-11-22T22:04:21+08:00</lastmod>
+    <lastmod>2023-12-13T22:23:43+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/docs/</loc>
-    <lastmod>2023-11-30T09:50:03+08:00</lastmod>
+    <lastmod>2023-12-13T22:23:43+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/</loc>
-    <lastmod>2023-11-30T09:50:03+08:00</lastmod>
+    <lastmod>2023-12-13T22:23:43+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/categories/</loc>
   </url><url>