diff --git a/docs/mindformers/docs/source_zh_cn/acc_optimize/acc_optimize.md b/docs/mindformers/docs/source_zh_cn/acc_optimize/acc_optimize.md
index b73bcf5be802dce71e9af7f2b69bfc072125de3b..a7fbea6d27fd98fab8625a9747929ad99d2e3f71 100644
--- a/docs/mindformers/docs/source_zh_cn/acc_optimize/acc_optimize.md
+++ b/docs/mindformers/docs/source_zh_cn/acc_optimize/acc_optimize.md
@@ -185,7 +185,7 @@ export MS_ACL_DUMP_CFG_PATH=${JSON_PATH}
 
 ## 精度定位通用流程
 
-通过章节[精度问题定位CheckList](#精度问题定位checklist)进行快速的排查。若完成CheckList的检查后，精度问题依然存在且无明显指向时，可通过本章节的精度定位通用流程缩小问题范围排查。当前通用流程主要针对有标杆的场景，下文将以 GPU+PyTorch 与 Ascend+MindSpore 精度对比的场景为例，对精度定位流程进行介绍。
+首先，可通过之前章节描述的[精度问题定位CheckList](#精度问题定位checklist)进行快速的排查。若完成CheckList的检查后，精度问题依然存在且无明显指向时，可通过本章节的精度定位通用流程缩小问题范围排查。当前通用流程主要针对有标杆的场景，下文将以 GPU+PyTorch 与 Ascend+MindSpore 精度对比的场景为例，对精度定位流程进行介绍。
 
 问题定位的主要思路有两点：