diff --git a/docs/mindspore/source_zh_cn/mindformers/function/weight_conversion.md b/docs/mindspore/source_zh_cn/mindformers/function/weight_conversion.md
index a2c2fe74fc2425b726925c4bbe9c639d8bac69ee..889f901f0ffbc65c60710e94a9d91e6d9db5bbb9 100644
--- a/docs/mindspore/source_zh_cn/mindformers/function/weight_conversion.md
+++ b/docs/mindspore/source_zh_cn/mindformers/function/weight_conversion.md
@@ -1,3 +1,478 @@
 # 权重转换功能
 
+## 概述
+
+在当前的分布式训练和推理环境中，当预训练权重与分布式策略不匹配时，需要进行**预训练权重转换**，以适应对应的分布式策略。
+
+## 前期准备
+
+### 数据集下载
+
+MindFormers提供**Wiki103**作为[预训练](https://gitee.com/mindspore/mindformers/blob/r1.2.0/research/llama3/llama3.md#%E9%A2%84%E8%AE%AD%E7%BB%83)数据集。
+
+| 数据集名称 |           适用模型           | 适用阶段 | 下载链接 |
+|:-----------|:------------------------:|:--------:|:--------------------------------------------------------------------------------------------------------------------------:|
+| Wiki103    | llama3-8b</br>llama3-70b | Pretrain | [Link](https://gitee.com/link?target=https%3A%2F%2Fdagshub.com%2FDagsHub%2FWIkiText-103%2Fsrc%2Fmain%2Fdataset%2Ftokens)   |
+
+### 模型权重下载
+
+MindFormers暂时没有提供权重，用户可以下载HuggingFace官方权重，经过[模型权重转换](https://gitee.com/mindspore/mindformers/blob/r1.2.0/research/llama3/llama3.md#%E6%A8%A1%E5%9E%8B%E6%9D%83%E9%87%8D%E8%BD%AC%E6%8D%A2)后进行使用。
+
+词表下载链接：[tokenizer.model](https://gitee.com/link?target=https%3A%2F%2Fhuggingface.co%2Fmeta-llama%2FMeta-Llama-3-8B)
+
+| 模型名称   | MindSpore权重 | HuggingFace权重 |
+|:-----------|:-------------:|:-----------------------------------------------------------------------------------------------:|
+| Llama3-8B  |      \\      | [Link](https://gitee.com/link?target=https%3A%2F%2Fhuggingface.co%2Fmeta-llama%2FMeta-Llama-3-8B) |
+| Llama3-70B |      \\      | [Link](https://gitee.com/link?target=https%3A%2F%2Fhuggingface.co%2Fmeta-llama%2FMeta-Llama-3-70B) |
+
+### 模型权重转换
+
+下载完成后，运行`mindformers/convert_weight.py`转换脚本，将HuggingFace的权重转换为完整的ckpt权重。
+
+```bash
+python convert_weight.py --model llama --input_path TORCH_CKPT_DIR --output_path {path}/MS_CKPT_NAME --dtype bf16
+```
+
+#### 参数说明
+
+- **model**: 模型名称
+- **input_path**: 下载HuggingFace权重的文件夹路径
+- **output_path**: 转换后的MindSpore权重文件保存路径
+- **dtype**: 转换权重的精度
+
+## 自动转换
+
+### 参数说明
+
+**自动权重转换**相关参数说明如下：
+
+| 参数名称              | 描述                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                            |
+| ------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| load_checkpoint     | 预加载权重的绝对路径或文件夹路径。<br>- 如果是完整权重，则填写绝对路径；<br>- 如果是分布式权重，则填写文件夹路径，分布式权重须按照`model_dir/rank_x/xxx.ckpt`格式存放，文件夹路径填写为`model_dir`。<br>**如果rank_x文件夹下存在多个ckpt，将会使用文件名默认排序最后的ckpt文件用于转换。**                                                                                                                                                  |
+| src_strategy        | 预加载权重对应的分布式策略文件路径。<br>- 如果预加载权重是完整权重，则**不填写**；<br>- 如果预加载权重是分布式权重，且预加载权重保存时使用了流水线并行，则填写**合并的策略文件路径**或**分布式策略文件夹路径**；<br>- 如果预加载权重是分布式权重，且预加载权重保存时未使用流水线并行，则填写任一**ckpt_strategy_rank_x.ckpt**路径；                                                                                                                                                             |
+| auto_trans_ckpt     | 权重自动转换开关，为True开启，默认False。                                                                                                                                                                                                                                                                                                                                                                                                                                                                        |
+| transform_process_num | 权重自动转换使用的进程数，默认为1。<br>- 如果transform_process_num = 1，使用**单进程转换**，转换时只有rank_0负责权重转换，其它进程等待rank_0转换结束；<br>- 如果transform_process_num > 1，使用**多进程转换**，比如8卡任务，transform_process_num=2时，转换时rank_0负责rank_0/1/2/3切片权重的转换，rank_4负责rank_4/5/6/7切片权重的转换，其它进程等待rank_0/4转换结束；<br>**注意**：<br>① transform_process_num越大，转换时间越短，**转换所占用的host内存越大**；当出现host侧内存不足时，需要减少transform_process_num。<br>② transform_process_num必须能够整除NPU卡数，且最大不得超过NPU卡数。 |
+| transform_by_rank   | 是否使用mindspore.transform_checkpoint_by_rank接口做权重转换。<br>- transform_process_num > 1时，自动设置为`True`；<br>- transform_process_num = 1时，如果目标权重为分布式权重，则循环调用mindspore.transform_checkpoint_by_rank串行转换每一个rank切片权重。<br>- transform_process_num = 1时，如果目标权重为完整权重，则自动设置为`False`，使用mindspore.transform_checkpoints接口做权重转换；                                                                                                                                     |
+
+### 单卡自动转换为多卡
+
+**案例描述**：使用前期准备下载的完整权重，转换为8卡分布式权重进行训练。
+
+```yaml
+# 配置预训练权重路径，填写权重文件路径
+load_checkpoint: "/worker/llama3_8b/llama3_8b.ckpt"
+
+# 打开权重自动转换开关
+auto_trans_ckpt: True
+
+# 配置数据集
+train_dataset: &train_dataset
+  data_loader:
+    type: MindDataset
+    dataset_dir: "/worker/dataset/wiki103/"
+    shuffle: True
+
+# 配置8卡分布式策略，以dp=2,mp=2,pp=2为例
+parallel_config:
+  data_parallel: 2
+  model_parallel: 2
+  pipeline_stage: 2
+  micro_batch_num: 2
+
+# 修改模型配置
+model:
+  model_config:
+    seq_length: 512
+    num_layers: 2
+```
+
+### 多卡自动转换为多卡
+
+**案例描述**：使用单卡自动转换为多卡中保存的8卡分布式权重，转换为4卡分布式权重进行训练。
+
+```yaml
+# 配置预训练权重路径，填写分布式权重文件夹路径model_dir，权重按照model_dir/rank_x/xxx.ckpt格式存放
+load_checkpoint: "/worker/checkpoint/llama3-8b-2layer-dp2mp2pp2"
+
+# 配置分布式策略文件路径
+src_strategy_path_or_dir: "/worker/checkpoint/llama3-8b-2layer-dp2mp2pp2/strategy/merged_ckpt_strategy.ckpt"
+
+# 设置auto_trans_ckpt为True
+auto_trans_ckpt: True
+
+# 设置数据集
+train_dataset: &train_dataset
+  data_loader:
+    type: MindDataset
+    dataset_dir: "/worker/dataset/wiki103/"
+    shuffle: True
+
+# 4卡分布式配置参考
+parallel_config:
+  data_parallel: 1
+  model_parallel: 2
+  pipeline_stage: 2
+  micro_batch_num: 2
+  vocab_emb_dp: True
+  gradient_aggregation_group: 4
+# when model parallel is greater than 1, we can set micro_batch_interleave_num=2, that may accelerate the train process.
+micro_batch_interleave_num: 1
+```
+
+### 多卡自动转换为单卡
+
+**案例描述**：使用多卡自动转换为多卡得到的4卡分布式权重，合并为完整权重，**该场景仅支持单进程转换**。
+
+```yaml
+# 配置权重路径，填写分布式权重文件夹路径model_dir，权重按照model_dir/rank_x/xxx.ckpt格式存放
+load_checkpoint: "/worker/checkpoint/llam3-8b-2layer-dp1mp2pp2"
+
+# 配置分布式策略文件路径
+src_strategy_path_or_dir: "/worker/checkpoint/llama3-8b-2layer-dp1mp2pp2/strategy/
+
+merged_ckpt_strategy.ckpt"
+
+# 设置auto_trans_ckpt为True
+auto_trans_ckpt: True
+
+# 设置use_parallel为False
+use_parallel: False
+
+# 设置run_mode为predict
+run_mode: 'predict'
+
+# 配置词表路径（如果配置文件没有vocab_file关键字请自行补上）
+processor:
+  tokenizer:
+    vocab_file: "/worker/checkpoint/llama3-8b-2layer/tokenizer.model"
+```
+
+### 注意事项
+
+- 若您要开启**多进程转换**（`所有场景均一致`），额外配置`transform_process_num`参数，例如：
+
+  ```yaml
+  # 设置参与权重转换的进程数量为2
+  transform_process_num: 2
+  ```
+
+- 请注意，多进程转换时需考虑实际内存的使用情况。如果发生内存溢出，建议适当降低进程数量。
+- 开启**自动权重转换**后，系统将首先删除`output`目录下的旧`strategy`和`transformed_checkpoint`文件夹，并保存当前任务的输出结果。因此，建议在转换任务结束后，将`strategy`和`transformed_checkpoint`文件夹**移动到自定义目录**，以避免后续操作中被误删。
+- 分布式策略文件将保存在`output/strategy`文件夹下。如果开启了**流水线并行**，系统会自动合并所有的`ckpt_strategy_rank_x.ckpt`文件，生成`merged_ckpt_strategy.ckpt`。若未开启流水线并行，则不会进行合并操作。
+
+## 离线转换
+
+### 参数说明
+
+**离线权重转换**相关参数说明如下：
+
+| 参数名称        | 描述                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
+| ----------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| src_checkpoint | 源权重的绝对路径或文件夹路径。<br>- 如果是​**完整权重**​，则填写​**绝对路径**​；<br>- 如果是​**分布式权重**​，则填写​**文件夹路径**​，分布式权重须按照`model_dir/rank_x/xxx.ckpt`格式存放，文件夹路径填写为`model_dir`。<br>**如果rank_x文件夹下存在多个ckpt，将会使用文件名默认排序最后的ckpt文件用于转换。**                                                                                                                      |
+| src_strategy   | 源权重对应的分布式策略文件路径。<br>- 如果是完整权重，则​**不填写**​；<br>- 如果是分布式权重，且使用了流水线并行，则填写**合并的策略文件路径**或​**分布式策略文件夹路径**​；<br>- 如果是分布式权重，且未使用流水线并行，则填写任一**ckpt_strategy_rank_x.ckpt**路径；                                                                                                                                                                                                                                |
+| dst_checkpoint | 保存目标权重的文件夹路径。                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 |
+| dst_strategy   | 目标权重对应的分布式策略文件路径，分布式权重的策略文件参考[获取分布式策略文件](https://mindformers.readthedocs.io/zh-cn/latest/docs/feature_cards/Transform_Ckpt.html#%E8%8E%B7%E5%8F%96%E5%88%86%E5%B8%83%E5%BC%8F%E7%AD%96%E7%95%A5%E6%96%87%E4%BB%B6)小节获取。<br>- 如果是完整权重，则​**不填写**​；<br>- 如果是分布式权重，且使用了流水线并行，则填写**合并的策略文件路径**或​**分布式策略文件夹路径**​；<br>- 如果是分布式权重，且未使用流水线并行，则填写任一**ckpt_strategy_rank_x.ckpt**路径； |
+| prefix          | 目标权重保存的前缀名，权重保存为”{prefix}rank_x.ckpt”，默认”checkpoint_”。                                                                                                                                                                                                                                                                                                                                                                                                                                           |
+| world_size     | 目标权重的切片总数，一般等于dp \* mp \* pp。                                                                                                                                                                                                                                                                                                                                                                                                                                                                               |
+| process_num    | 离线权重转换使用的进程数，默认为1。<br>- 如果process_num = 1，使用​**单进程转换**​；<br>- 如果process_num > 1，使用​**多进程转换**​，比如转换的目标权重为8卡分布式权重，process_num=2时，会启动两个进程分别负责rank_0/1/2/3和rank_4/5/6/7切片权重的转换；                                                                                                                                                                                                                                                   |
+
+### 单进程转换
+
+**案例描述：** 使用前期准备下载的完整权重，转换为8卡分布式权重。
+
+#### 参数配置
+
+```yaml
+# 打开策略文件保存开关
+only_save_strategy: True
+
+# 配置数据集
+train_dataset: &train_dataset
+  data_loader:
+    type: MindDataset
+    dataset_dir: "/worker/dataset/wiki103/"
+    shuffle: True
+
+# 配置8卡分布式策略，以dp=2,mp=2,pp=2为例
+parallel_config:
+  data_parallel: 2
+  model_parallel: 2
+  pipeline_stage: 2
+  micro_batch_num: 2
+
+# 修改模型配置
+model:
+  model_config:
+    seq_length: 512
+    num_layers: 2
+```
+
+#### 运行命令
+
+开启流水线并行，`dst_strategy`使用文件夹路径。
+
+```bash
+python transform_checkpoint.py \
+  --src_checkpoint=/worker/checkpoint/llama3-8b-2layer/rank_0/llama3_8b.ckpt \
+  --dst_checkpoint=/worker/transform_ckpt/llama3_8b_1to8/ \
+  --dst_strategy=/worker/mindformers/output/strategy/
+```
+
+### 多进程转换
+
+```bash
+# 使用2个进程转换
+bash transform_checkpoint.sh \
+  /worker/checkpoint/llam3-8b-2layer/rank_0/llama3_8b.ckpt \
+  None \
+  /worker/transform_ckpt/llama3_8b_1to8/ \
+  /worker/mindformers/output/strategy/ \
+  8 2
+```
+
+## 特殊场景
+
+### 物理机多机多卡训练
+
+大规模模型通常需要通过多台服务器组成的集群进行训练。在这种多机多卡的训练环境下，涉及到预训练权重的加载和转换问题。本文将根据服务器之间是否存在共享盘，分别描述在不同场景下进行多机多卡训练的流程，以两台服务器、16卡训练为例进行说明。
+
+#### 场景一：服务器之间有共享盘
+
+在服务器之间有共享盘的场景下，可以使用 MindFormers 的自动权重转换功能进行多机多卡训练。假设 `/data` 为服务器的共享盘，且 MindFormers 的工程代码位于 `/data/mindformers` 路径下。
+
+##### 1. 单进程转换
+
+在单进程转换模式下，只需在配置文件中配置预训练权重的路径并开启自动权重转换即可。
+
+**参数配置：**
+
+```yaml
+# 配置预训练权重路径，填写权重文件的绝对路径
+load_checkpoint: "/worker/checkpoint/llama3-8b/rank_0/llama3_8b.ckpt"
+
+# 设置 auto_trans_ckpt 为 True 开启自动权重转换
+auto_trans_ckpt: True
+
+# 配置数据集路径
+train_dataset: &train_dataset
+  data_loader:
+    type: MindDataset
+    dataset_dir: "/worker/dataset/wiki103/"
+    shuffle: True
+
+# 配置16卡分布式策略（仅供参考）
+parallel_config:
+  data_parallel: 2
+  model_parallel: 4
+  pipeline_stage: 2
+  micro_batch_num: 2
+  vocab_emb_dp: True
+  gradient_aggregation_group: 4
+  micro_batch_interleave_num: 1
+```
+
+**启动任务：**
+
+```bash
+# 第一台服务器（主节点）
+bash scripts/msrun_launcher.sh "run_mindformer.py \
+  --config {CONFIG_PATH} \
+  --run_mode train" \
+  16 8 ${ip} ${port} 0 output/msrun_log False 300
+# 第二台服务器（子节点）
+bash scripts/msrun_launcher.sh "run_mindformer.py \
+  --config {CONFIG_PATH} \
+  --run_mode train" \
+  16 8 ${ip} ${port} 1 output/msrun_log False 300
+```
+
+##### 2. 多进程转换（可选）
+
+若需要加速权重转换过程，可以选择多进程转换模式，通过配置 `transform_process_num` 参数实现。
+
+**参数配置：**
+
+```yaml
+# 使用2个进程进行转换
+transform_process_num: 2
+```
+
+#### 场景二：服务器之间无共享盘
+
+在服务器之间无共享盘的情况下，需要使用离线权重转换工具进行多机多卡训练。以下步骤描述了如何进行离线权重转换，并启动多机
+
+多卡训练任务。
+
+##### 1. 获取分布式策略文件
+
+在进行离线权重转换前，首先需要获取各节点的分布式策略文件。
+
+**参数配置：**
+
+```yaml
+# 设置 only_save_strategy 为 True 以获取分布式策略文件
+only_save_strategy: True
+
+# 配置数据集路径
+train_dataset: &train_dataset
+  data_loader:
+    type: MindDataset
+    dataset_dir: "/worker/dataset/wikitext_2048/"
+    shuffle: True
+
+# 配置16卡分布式策略（仅供参考）
+parallel_config:
+  data_parallel: 2
+  model_parallel: 4
+  pipeline_stage: 2
+  micro_batch_num: 2
+  vocab_emb_dp: True
+  gradient_aggregation_group: 4
+  micro_batch_interleave_num: 1
+```
+
+各节点的策略文件将分别保存在各自的`output/strategy`目录中。例如，节点0将保存`ckpt_strategy_rank_0-7.ckpt`文件，节点1将保存`ckpt_strategy_rank_8-15.ckpt`文件。随后，需将所有节点的策略文件集中到同一台服务器上，以便进行后续操作。
+
+##### 2. 离线权重转换
+
+在保存有所有策略文件的服务器上，进行离线权重转换。
+
+**单进程转换：**
+
+```bash
+python mindformers/tools/ckpt_transform/transform_checkpoint.py \
+  --src_checkpoint=/worker/checkpoint/llama3-8b/rank_0/llama_7b.ckpt \
+  --dst_checkpoint=./output/llama3_8b_dp2mp4pp2 \
+  --dst_strategy=./output/strategy
+```
+
+**多进程转换（可选）：**
+
+```bash
+# 使用2个进程进行转换
+bash mindformers/tools/ckpt_transform/transform_checkpoint.sh \
+  /worker/checkpoint/llama3-8b/rank_0/llama_7b.ckpt \
+  None \
+  ./output/llama3_8b_dp2mp4pp2 \
+  ./output/strategy \
+  16 2
+```
+
+##### 3. 复制权重到其他节点
+
+将转换得到的分布式权重分别复制到各自节点。0节点只需要 `rank_0` 到 `rank_7` 的切片权重，1节点只需要 `rank_8` 到 `rank_15` 的切片权重。
+
+##### 4. 参数配置
+
+```yaml
+# 配置预训练权重路径，填写分布式权重文件夹路径 model_dir
+load_checkpoint: "/worker/checkpoint/llama3_8b_dp2mp4pp2"
+
+# 将 only_save_strategy 改为 False
+only_save_strategy: False
+```
+
+### ModelArts 训练
+
+在 ModelArts 环境中进行训练与物理机上的多机多卡训练类似，同样支持开启权重自动转换。用户可以通过在训练作业的超参数中配置`auto_trans_ckpt=True`来启用自动权重转换，并通过设置`transform_process_num > 1`来开启多进程转换。
+
+​**注意**​：如果 ModelArts 资源池中的服务器节点NPU卡数不是8，则需要额外配置`npu_num_per_node=节点NPU卡数`。例如，如果每个节点配有16个NPU，则应设置`npu_num_per_node=16`。
+
+### AutoModel 加载分布式模型
+
+`AutoModel` 接口已经适配了权重自动转换功能，支持在分布式训练场景下自动加载并输出分布式模型。以下是使用示例：
+
+```python
+from mindformers import AutoModelForCausalLM, build_context
+
+# 配置分布式策略
+train_args = TrainingArguments(
+    use_parallel=True,
+    data_parallel=1,
+    model_parallel=2,
+    pipeline_stage=2,
+    micro_batch_num=2,
+    recompute=True,
+    enable_parallel_optimizer=True,
+    ...
+)
+
+# 初始化分布式权重
+build_context(train_args)
+
+# 初始化分布式模型
+model = AutoModelForCausalLM.from_pretrained(
+    "repo_id",
+    auto_trans_ckpt=True,
+    parallel_config=train_args.get_parallel_config()
+)
+```
+
+**注意**：`AutoModel` 的权重自动转换特性仅支持通过 `"repo_id"` 的形式加载模型，即从 OpenMind 或本地仓库加载权重，不支持通过模型名称或其他方式进行加载。
+
+## Lora权重合并
+
+### 概述
+
+LoRA（Low-Rank Adaptation）的基本原理是对原始模型的参数进行低秩重参数化。合并权重的核心过程是将 LoRA 分支的权重计算并叠加到对应的模型权重中。这一操作不会对推理结果产生任何影响，因此合并后的模型在推理时依然能够保持与原始模型一致的性能。
+
+有关 LoRA 的详细原理和实现，请参阅以下资源：
+
+- 论文: [LoRA: Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
+- GitHub: [https://github.com/microsoft/LoRA](https://github.com/microsoft/LoRA)
+
+### 使用说明
+
+本教程将指导您如何将通过 LoRA（Low-Rank Adaptation）微调后的权重与原始模型的权重进行合并，生成可用于推理的完整模型权重文件。合并后的权重将使您能够在推理过程中直接利用 LoRA 的微调效果。若有其他需求，例如仅有 LoRA 权重或对权重进行进一步操作，您可以基于此方法自行调整脚本。
+
+```bash
+python mindformers/tools/transform_ckpt_lora.py \
+  --src_ckpt_strategy src_strategy_path_or_dir \
+  --src_ckpt_path_or_dir src_ckpt_path_or_dir \
+  --dst_ckpt_dir dst_ckpt_dir \
+  --prefix "checkpoint_" \
+  --lora_scaling lora_alpha/lora_rank
+```
+
+#### 参数说明
+
+- **src_ckpt_strategy**：源权重对应的分布式策略文件路径，通常在启动训练任务后默认保存在 `output/strategy/` 目录下。如果源权重为完整权重，则无需填写此参数；如果为分布式权重，需根据以下情况填写：
+  - **源权重开启了流水线并行**：权重转换基于合并的策略文件，填写分布式策略文件夹路径。脚本会自动将文件夹内的所有 `ckpt_strategy_rank_x.ckpt` 文件合并，并在文件夹下生成 `merged_ckpt_strategy.ckpt`。如果已经存在 `merged_ckpt_strategy.ckpt`，可以直接填写该文件的路径。
+  - **源权重未开启流水线并行**：权重转换可基于任一策略文件，填写任意一个 `ckpt_strategy_rank_x.ckpt` 文件的路径即可。
+
+  **注意**：如果策略文件夹下已存在 `merged_ckpt_strategy.ckpt` 且仍传入文件夹路径，脚本会首先删除旧的 `merged_ckpt_strategy.ckpt`，再合并生成新的 `merged_ckpt_strategy.ckpt` 以用于权重转换。因此，请确保该文件夹具有足够的写入权限，否则操作将报错。
+- **src_ckpt_path_or_dir**：源权重的路径。如果为分布式权重，请填写源权重所在文件夹的路径，源权重应按 `model_dir/rank_x/xxx.ckpt` 格式存放，并将文件夹路径填写为 `model_dir`。若源权重为完整权重，则填写完整权重的绝对路径。
+- **dst_ckpt_dir**：目标权重的保存路径，需为自定义的空文件夹路径。目标权重将按 `model_dir/rank_x/xxx.ckpt` 格式保存。
+- **prefix**：目标权重文件的命名前缀，默认值为 "checkpoint_"，即目标权重将按照 `model_dir/rank_x/checkpoint_x.ckpt` 格式保存。
+- **lora_scaling**：LoRA 权重的合并系数，默认为 `lora_alpha/lora_rank`，这两个参数即为 LoRA 模型配置时的参数，需自行计算。
+
+### 示例
+
+#### 场景 1：完整的带 LoRA 的权重
+
+如果您拥有一个完整的带 LoRA 的权重文件，并希望将其转换为完整的原始权重，您可以按照以下方式填写参数（直接输入完整权重的路径）：
+
+```bash
+python mindformers/tools/transform_ckpt_lora.py \
+  --src_ckpt_path_or_dir .../xxx/xxx.ckpt \
+  --dst_ckpt_dir dst_ckpt_dir \
+  --prefix "checkpoint_" \
+  --lora_scaling lora_alpha/lora_rank
+```
+
+#### 场景 2：带 LoRA 的分布式权重
+
+如果您拥有一个经过分布式切分的带 LoRA 的权重文件，并希望将其转换为完整的原始权重，您可以按照以下方式填写参数（需输入权重文件夹路径和分布式策略文件夹路径）：
+
+```bash
+python mindformers
+
+/tools/transform_ckpt_lora.py \
+  --src_ckpt_strategy .../xxx/mindformers/output/strategy/ \
+  --src_ckpt_path_or_dir .../xxx/model_dir \
+  --dst_ckpt_dir dst_ckpt_dir \
+  --prefix "checkpoint_" \
+  --lora_scaling lora_alpha/lora_rank
+```
+
 [![查看源文件](https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/master/resource/_static/logo_source.svg)](https://gitee.com/mindspore/docs/blob/master/docs/mindspore/source_zh_cn/mindformers/function/weight_conversion.md)
\ No newline at end of file