diff --git a/profiler/README.md b/profiler/README.md
index 19eb55f03f84adf4d93a127b357ca59e30932e5b..314606cb08b06032fbbf547756c0bb36795c737b 100644
--- a/profiler/README.md
+++ b/profiler/README.md
@@ -91,6 +91,7 @@ ascend pytorch profiler数据目录结构如下：
 
    | profiler版本 | 发布日期   | 下载链接                                                     | 校验码                                                       |
    | ------------ | ---------- | ------------------------------------------------------------ | ------------------------------------------------------------ |
+   | 1.1.T1       | 2024-05-25 | [msprof_analyze-1.1.T1-py3-none-any.whl](https://ptdbg.obs.myhuaweicloud.com/profiler/package/1.1.T1/msprof_analyze-1.1.T1-py3-none-any.whl) | d49890a6452bd584e9135ca2fb89354e1460393aed3d910bfc6db3d9a2cd1def |
    | 1.0          | 2024-05-10 | [msprof_analyze-1.0-py3-none-any.whl](https://ptdbg.obs.myhuaweicloud.com/profiler/package/1.0/msprof_analyze-1.0-py3-none-any.whl) | 95b2f41c8c8e8afe4887b738c8cababcb4f412e1874483b6adae4a025fcbb7d4 |
 
    
diff --git a/profiler/compare_tools/README.md b/profiler/compare_tools/README.md
index 16eaeaccd7f8fc6fd01271ec6ad88d4443482770..0b9e8f918f00af6f211d259524bd5b80a012f0b1 100644
--- a/profiler/compare_tools/README.md
+++ b/profiler/compare_tools/README.md
@@ -6,7 +6,9 @@ compare_tools（性能比对工具）支持比较GPU与NPU之间、NPU与NPU之
 
 场景一：PyTorch训练工程从GPU迁移至NPU后出现性能劣化，通过工具分析出劣化点。
 
-场景二：PyTorch训练工程在NPU上，不同版本之间存在性能差距，通过工具定位具体差异。
+场景二：PyTorch或MindSpore训练工程在NPU上，不同版本之间存在性能差距，通过工具定位具体差异。
+
+场景三：PyTorch训练工程从GPU迁移至MindSpore NPU后出现性能劣化，通过工具分析出劣化点。
 
 ## 使用指导
 
@@ -21,7 +23,7 @@ pip3 install pandas
 pip3 install numpy
 ```
 
-### 性能数据采集
+### PyTorch框架性能数据采集
 
 使用本工具之前需要采集GPU或者NPU的性能数据，然后进行性能比对分析。
 
@@ -32,11 +34,11 @@ pip3 install numpy
 采集样例代码参考一：
 
 ```Python
-with torch_npu.profiler.profile(
+with torch.profiler.profile(
         profile_memory=True,  # 内存数据采集的开关
         record_shapes=True,  # 算子input shape信息采集的开关
-        schedule=torch_npu.profiler.schedule(wait=10, warmup=0, active=1, repeat=1),
-        on_trace_ready=torch_npu.profiler.tensorboard_trace_handler("./result_dir")
+        schedule=torch.profiler.schedule(wait=10, warmup=0, active=1, repeat=1),
+        on_trace_ready=torch.profiler.tensorboard_trace_handler("./result_dir")
 ) as prof:
     for step in ranges(step_number):
         train_one_step()
@@ -46,10 +48,10 @@ with torch_npu.profiler.profile(
 采集样例代码参考二：
 
 ```Python
-prof = torch_npu.profiler.profile(
+prof = torch.profiler.profile(
     profile_memory=True,  # 内存数据采集的开关
     record_shapes=True,  # 算子input shape信息采集的开关
-    on_trace_ready=torch_npu.profiler.tensorboard_trace_handler("./result_dir"))
+    on_trace_ready=torch.profiler.tensorboard_trace_handler("./result_dir"))
 for step in range(step_number):
     if step == 11:
         prof.start()
@@ -58,7 +60,7 @@ for step in range(step_number):
         prof.stop()
 ```
 
-pytorch profiler数据目录结构如下：
+PyTorch Profiler采集结果数据目录结构如下：
 
 ```Python
 |- pytorch_profiling
@@ -66,13 +68,12 @@ pytorch profiler数据目录结构如下：
 ```
 
 #### NPU性能数据采集
-通过Ascend PyTorch Profiler工具（与PyTorch Profiler工具对标）采集NPU的性能数据，采集参数配置跟GPU一致，具体可以参考链接：[Profiling数据采集](https://gitee.com/ascend/att/tree/master/profiler)。
 
-将GPU的性能数据采集代码中torch.profiler替换成torch_npu.profiler。
+通过Ascend PyTorch Profiler工具采集NPU的性能数据，采集参数配置与GPU基本一致，只需将GPU的性能数据采集代码中torch.profiler替换成torch_npu.profiler。，参考链接：[Profiling数据采集](https://gitee.com/ascend/att/tree/master/profiler)。
 
-ascend pytorch profiler数据目录结构如下：
+Ascend PyTorch Profiler采集结果数据目录结构如下：
 
-```
+```bash
 |- ascend_pytorch_profiling
     |- * _ascend_pt
         |- ASCEND_PROFILER_OUTPUT
@@ -82,6 +83,25 @@ ascend pytorch profiler数据目录结构如下：
     |- * _ascend_pt
 ```
 
+### MindSpore框架性能数据采集
+
+#### NPU性能数据采集
+
+当前MindSpore场景仅支持NPU环境性能数据与PyTorch GPU性能数据进行比对；以及MindSpore训练工程在NPU上，不同版本之间的性能数据进行比对。
+
+通过MindSpore性能调试工具采集NPU的性能数据，参考链接：[性能调试（Ascend）](https://www.mindspore.cn/mindinsight/docs/zh-CN/r2.3/performance_profiling_ascend.html)。
+
+MindSpore性能调试工具采集结果数据目录结构如下：
+
+```
+|- profiler/{rank-*}_{timestamps}_ascend_ms
+   |- ASCEND_PROFILER_OUTPUT
+      |- kernel_details.csv
+      |- trace_view.json
+```
+
+进行性能比对时，MindSpore采集的性能数据须指定到`profiler/{rank-*}_{timestamps}_ascend_ms`或`ASCEND_PROFILER_OUTPUT`层级。
+
 ### 性能数据比对
 
 性能比对工具将总体性能拆解为训练耗时和内存占用，其中训练耗时可拆分为算子（包括算子和nn.Module）、通信、调度三个维度，以打屏的形式输出总体指标，帮助用户定界劣化的方向。与此同时，工具还会生成performance_comparison_result_*.xlsx，展示每个算子在执行耗时、通信耗时、内存占用的优劣，可通过DIFF列大于0筛选出劣化算子。详细介绍请参见“**比对结果说明**”。
@@ -119,12 +139,12 @@ python performance_compare.py [基准性能数据文件所在路径] [比对性
 
 #### 通用参数说明
 
-| 参数名                            | 说明        | 是否必选 |
-|--------------------------------|-----------|------|
-| --enable_profiling_compare     | 开启总体性能比对。 | 否    |
-| --enable_operator_compare      | 开启算子性能比对。 | 否    |
-| --enable_communication_compare | 开启通信性能比对。 | 否    |
-| --enable_memory_compare        | 开启算子内存比对。 | 否    |
+| 参数名                         | 说明                                      | 是否必选 |
+| ------------------------------ | ----------------------------------------- | -------- |
+| --enable_profiling_compare     | 开启总体性能比对。                        | 否       |
+| --enable_operator_compare      | 开启算子性能比对。MindSpore场景暂不支持。 | 否       |
+| --enable_communication_compare | 开启通信性能比对。                        | 否       |
+| --enable_memory_compare        | 开启算子内存比对。MindSpore场景暂不支持。 | 否       |
 
 说明：以上4个开关均不设置的情况下，**工具默认开启所有的性能比对**，当用户设置了以上开关，则按照用户设置的开关进行性能比对，示例如下：
 
@@ -151,6 +171,8 @@ python performance_compare.py [基准性能数据文件] [比对性能数据文
 
 ## 比对结果说明
 
+MindSpore场景仅支持**总体性能**和**通信性能**的对比。
+
 ### 总体性能
 
 总体性能比对结果以打屏的形式呈现。
@@ -192,6 +214,8 @@ activities配置仅采集NPU数据，不配置experimental_config参数以及其
 
 ### 算子性能
 
+MindSpore场景暂不支持。
+
 #### 比对数据无Python Function
 
 算子性能比对结果在performance_comparison_result_*.xlsx中OperatorCompare和OperatorCompareStatistic的sheet页呈现。
@@ -259,6 +283,8 @@ ModuleCompare：模块及模块下算子比对的明细展示，可以查看每
 
 ### 算子内存
 
+MindSpore场景暂不支持。
+
 算子内存比对结果在performance_comparison_result_*.xlsx中MemoryCompare和MemoryCompareStatistic的sheet页呈现。
 
 - MemoryCompareStatistic：算子为粒度的统计呈现，按照算子占用的总内存与基准算子的差距值(Diff Memory(MB))进行逆序。