update readme

README.md

@@ -311,7 +311,7 @@ GPT模型根据现有token预测输出下一个下下一个下下下一个token
 和LlaVA、Qwen-VL等视觉语言模型类似，MiniMind-V同样选用开源Clip系列模型作为Visual Encoder。
 具体使用[clip-vit-base-patch16](https://huggingface.co/openai/clip-vit-base-patch16)，
 一种基于 ViT-B/16 架构的经典Visual Encoder用于描述图像文本信息。
-输入的图像尺寸为224x224，因为划分的Patch是16×16，所以会产生16*16=196个token作为encoder编码层的输入，
+输入的图像尺寸为224x224，因为划分的Patch是16×16，所以会产生14*14=196个token作为encoder编码层的输入，
 最终产生1×768维的嵌入向量用于和文本对计算误差。
 我们并不需要最终嵌入表示，因此只取encoder层的输出，也就是VIT核心主干的输出特征即可。
 它拿到前一层维度196×768大小的特征，我们把它作为196个visual token输入MiniMind-V。

README_en.md

@@ -338,7 +338,7 @@ Like LlaVA, Qwen-VL, and other visual language models, MiniMind-V also uses the
 Visual Encoder.  
 Specifically, we use [clip-vit-base-patch16](https://huggingface.co/openai/clip-vit-base-patch16), a classic Visual
 Encoder based on the ViT-B/16 architecture for describing image-text information.  
-The input image size is 224x224, and because the Patch size is 16×16, it generates 16*16=196 tokens as the input to the
+The input image size is 224x224, and because the Patch size is 16×16, it generates 14*14=196 tokens as the input to the
 encoder layer, which produces a 1×768 dimensional embedding vector for calculating error with the text.  
 We don’t need the final embedding representation, so we only take the output from the encoder layer, which is the output
 feature from the core ViT backbone.