diff --git a/knowledges/Intro-Modbus-Diffusion-Tech-Route.md b/knowledges/Intro-Modbus-Diffusion-Tech-Route.md
index 6158f3f..e94c83b 100644
--- a/knowledges/Intro-Modbus-Diffusion-Tech-Route.md
+++ b/knowledges/Intro-Modbus-Diffusion-Tech-Route.md
@@ -79,7 +79,7 @@
 *   **工程师视角**：这个过程是不含可学习参数的，是固定的数学变换。
 
 ##### B. 反向过程 (Reverse Process / Denoising Process)
-这是模型训练的核心。既然我们知道前向过程是加噪声，如果我们能训练一个神经网络 $p_\theta$，让它预测每一步加入了什么噪声，我们就能把它减掉。
+这是模型训练的核心。既然我们知道前向过程是加噪声，如果我们能训练一个神经网络 $p_\theta$ ，让它预测每一步加入了什么噪声，我们就能把它减掉。
 *   **目标**：从  $x_T$  （纯噪声）开始，通过神经网络预测并减去噪声，逐步得到  $x_{T-1}, \dots, x_0$ 。
 *   **神经网络的作用**：论文中的 **STUnet** 就是这个网络。它的输入是当前时刻的噪声数据 $x_t$ 和时空条件，输出是预测的噪声  $\epsilon_\theta$ 。
 *   **损失函数**：通常使用均方误差（MSE）或 L1 损失，计算“预测的噪声”与“实际加入的噪声”之间的差异。