diff --git a/doc/doc_ch/FAQ.md b/doc/doc_ch/FAQ.md
index 1ffd55a7..4c7aa702 100644
--- a/doc/doc_ch/FAQ.md
+++ b/doc/doc_ch/FAQ.md
@@ -9,6 +9,7 @@
## PaddleOCR常见问题汇总(持续更新)
+* [近期更新（2020.10.19）](#近期更新)
* [【精选】OCR精选10个问题](#OCR精选10个问题)
* [【理论篇】OCR通用21个问题](#OCR通用问题)
* [基础知识3题](#基础知识)
@@ -22,6 +23,29 @@
* [预测部署14题](#预测部署)
+
+## 近期更新（2020.10.19）
+
+#### Q1： paddleocr网页上放出的通用检测模型里面的预训练模型我用之前版本的代码加载提示在模型文件.pdparams中找不到bn4e_branch2a_variance是什么情况？是网络结构发生了变化吗？
+
+**A**：1.1版的轻量检测模型去掉了mv3结构中的se模块，可以对比下这两个conf：det_mv3_db.yml，det_mv3_db_v1.1.yml
+
+#### Q2： 训练中使用的字典需要与加载的预训练模型使用的字典一样吗？
+
+**A**：是的，训练的字典与你使用该模型进行预测的字典需要保持一致的。
+
+#### Q3： crnn+ctc模型训练所用的垂直文本（旋转至水平方向）是如何生成的？
+
+**A**：方法与合成水平方向文字一致，只是将字体替换成了垂直字体。
+
+#### Q4： hubserving、pdserving这两种部署方式区别是什么？
+
+**A**：hubserving原本是paddlehub的配套服务部署工具，可以很方便的将paddlehub内置的模型部署为服务，paddleocr使用了这个功能，并将模型路径等参数暴露出来方便用户自定义修改。paddle serving是面向所有paddle模型的部署工具，文档中可以看到我们提供了快速版和标准版，其中快速版和hubserving的本质是一样的，而标准版基于rpc，更稳定，更适合分布式部署。
+
+#### Q5： hub serving部署服务时如何多gpu同时利用起来，export CUDA_VISIBLE_DEVICES=0,1 方式吗？
+
+**A**：hubserving的部署方式目前暂不支持多卡预测，除非手动启动多个serving，不同端口对应不同卡。或者可以使用paddleserving进行部署，部署工具已经发布：https://github.com/PaddlePaddle/PaddleOCR/tree/develop/deploy/pdserving ，在启动服务时--gpu_id 0,1 这样就可以
+
## 【精选】OCR精选10个问题
@@ -359,6 +383,11 @@
**A**：可以主要参考可视化效果，通用模型更倾向于检测一整行文字，轻量级可能会有一行文字被分成两段检测的情况，不是数量越多，效果就越好。
+
+#### Q3.2.10： crnn+ctc模型训练所用的垂直文本（旋转至水平方向）是如何生成的？
+
+**A**：方法与合成水平方向文字一致，只是将字体替换成了垂直字体。
+
### 模型训练调优
#### Q3.3.1：文本长度超过25，应该怎么处理？
@@ -428,6 +457,14 @@ return paddle.reader.multiprocess_reader(readers, False, queue_size=320)
**A**：TPS模块暂时无法支持变长的输入，请设置 ``--rec_image_shape='3,32,100' --rec_char_type='en' 固定输入shape``
+#### Q3.3.14： paddleocr网页上放出的通用检测模型里面的预训练模型我用之前版本的代码加载提示在模型文件.pdparams中找不到bn4e_branch2a_variance是什么情况？是网络结构发生了变化吗？
+
+**A**：1.1版的轻量检测模型去掉了mv3结构中的se模块，可以对比下这两个conf：det_mv3_db.yml，det_mv3_db_v1.1.yml
+
+#### Q3.3.15： 训练中使用的字典需要与加载的预训练模型使用的字典一样吗？
+
+**A**：是的，训练的字典与你使用该模型进行预测的字典需要保持一致的。
+
### 预测部署
#### Q3.4.1：如何pip安装opt模型转换工具？
@@ -493,3 +530,11 @@ return paddle.reader.multiprocess_reader(readers, False, queue_size=320)
#### Q3.4.14：PaddleOCR模型部署方式有哪几种？
**A**：目前有Inference部署，serving部署和手机端Paddle Lite部署，可根据不同场景做灵活的选择：Inference部署适用于本地离线部署，serving部署适用于云端部署，Paddle Lite部署适用于手机端集成。
+
+#### Q3.4.15： hubserving、pdserving这两种部署方式区别是什么？
+
+**A**：hubserving原本是paddlehub的配套服务部署工具，可以很方便的将paddlehub内置的模型部署为服务，paddleocr使用了这个功能，并将模型路径等参数暴露出来方便用户自定义修改。paddle serving是面向所有paddle模型的部署工具，文档中可以看到我们提供了快速版和标准版，其中快速版和hubserving的本质是一样的，而标准版基于rpc，更稳定，更适合分布式部署。
+
+#### Q3.4.16： hub serving部署服务时如何多gpu同时利用起来，export CUDA_VISIBLE_DEVICES=0,1 方式吗？
+
+**A**：hubserving的部署方式目前暂不支持多卡预测，除非手动启动多个serving，不同端口对应不同卡。或者可以使用paddleserving进行部署，部署工具已经发布：https://github.com/PaddlePaddle/PaddleOCR/tree/develop/deploy/pdserving ，在启动服务时--gpu_id 0,1 这样就可以