diff --git a/doc/code-docs/source/tf32.rst b/doc/code-docs/source/tf32.rst
index 06ad730..29f9fb8 100644
--- a/doc/code-docs/source/tf32.rst
+++ b/doc/code-docs/source/tf32.rst
@@ -3,20 +3,26 @@ TF32训练
 
 InternLM支持使用TF32训练模型。TensorFloat-32（TF32）是Nvidia在Ampere架构GPU上推出的专门运用于TensorCore的一种计算格式。其与其他常用数据格式的比较如下图：
 
+InternLM supports training models using TF32. TensorFloat-32 (TF32) is a computational format introduced by Nvidia for TensorCores on Ampere architecture GPUs. Here's a comparison of TF32 with other data formats:
+
 .. figure:: ../../imgs/tf32.png
    :scale: 50%
    :class: with-border
 
 使用TF32的前置条件：
 
+Prerequisites for using TF32:
+ input data must be of type FP32 (single-precision floating-point) and the computations should be matrix multiplication, convolution and so on. 
 1. 输入数据类型为FP32，且计算为矩阵乘法及卷积相关运算，才可以使用TF32作为TensorCore的中间计算类型。
 
-
+Ampere GPU
 2. Ampere架构的GPU。
 
 
 值得注意的是，TF32仅仅是在使用TensorCore时的一种中间计算格式，并不是一个完全的数据类型。因此，为了区分不同的精度与计算格式（ ``BF16`` 、``FP16`` 、``FP32`` 、``TF32`` ），InternLM支持用户在 ``model config`` 中传入 ``torch.tf32`` 来表示想要使用TF32加速运算，本质上数据类型依旧为 ``FP32``。
 
+It is noticed that TF32 is an intermediate calculation format when employing TensorCores. InternLM allows users to speficy ``torch.tf32`` in the model config to using TF32 acceleration while dtype is still ``torch.float32``.
+
 .. code-block:: python
 
     model = dict(
@@ -38,6 +44,7 @@ InternLM支持使用TF32训练模型。TensorFloat-32（TF32）是Nvidia在Amper
     )
 
 InternLM会根据 ``model config`` 中的 ``dtype`` 字符串来判断真正的数据类型。InternLM通过设置以下变量来开启TF32训练。
+InternLM enables TF32 training by setting the following variables.
 
 .. code-block:: python