diff --git a/K2-Search.md b/K2-Search.md
index bfaa784..e61c903 100644
--- a/K2-Search.md
+++ b/K2-Search.md
@@ -117,29 +117,32 @@ A vektorok előállításához használt modellek nagyban befolyásolják a kere
 Jellemzően a kevesebb paraméteres, de specifikusan embedding célra tanított modellek jobban teljesítenek, mint a komplexebb modellek.
 További előny, ha a modell tanító adathalmaza a célnyelvnek megfelelő szöveget tartalmazott.
 
-- Llama 3.2 72B
-    - Backend: Ollama
-    - Tapasztalat: 
-    	Az egyes embeddingek vektorai túl hasonlóak, ezért nem alkalmasak keresésre
-- gte-Qwen2-7B-instruct
-    - Backend: Ollama
-    - A töbnyelvű embedding rangsorban 2. helyezett jelenleg
-    - Tapasztalat:
-        Ez a modell specifikusan embedding célokra van tanítva, ezért a generált vektorok között nagyobb a távolság, jól kereshető.
-        A kisebb paraméterszám ellenére is jobb találatokat ad, mint a Llama3.2 modell.
-        Ezen felül sokkal gyorsabb a vektorok generálása, az előzetes embedding generálás és a felhasználó keresések során egyaránt.
-- bge-multilingual-gemma2
-    - Backend: egyedi (SentenceTransformer)
-    - A töbnyelvű embedding rangsorban 1. helyezett jelenleg
-    - Tapasztalat:
-        A Qwen embedding modellhez hasonlóan szintén jól összehasonlítható vektorokat generál.
-- nv-embed-v2
-    - Backend: egyedi (SentenceTransformer)
-    - Új modell (2024. 09.)
-    - Az embedding modell rangsor élén áll jelenleg
-    - Tapasztalat:
-        - Nem generál megfelelő vektorokat 16bit precízió mellett GPU-n, 32bites módban nincs elég VRAM
-        - Érdemes visszatérni hozzá, amennyiben elterjedtebb lesz és rendelkezésre áll megfelelő tooling, vagy nagyobb hardverkapacitás
+#### Llama 3.2 72B
+- Backend: Ollama
+- Tapasztalat: 
+	Az egyes embeddingek vektorai túl hasonlóak, ezért nem alkalmasak keresésre
+
+#### gte-Qwen2-7B-instruct
+- Backend: Ollama
+- A töbnyelvű embedding rangsorban 2. helyezett jelenleg
+- Tapasztalat:
+	Ez a modell specifikusan embedding célokra van tanítva, ezért a generált vektorok között nagyobb a távolság, jól kereshető.
+	A kisebb paraméterszám ellenére is jobb találatokat ad, mint a Llama3.2 modell.
+	Ezen felül sokkal gyorsabb a vektorok generálása, az előzetes embedding generálás és a felhasználó keresések során egyaránt.
+
+#### bge-multilingual-gemma2
+- Backend: egyedi (SentenceTransformer)
+- A töbnyelvű embedding rangsorban 1. helyezett jelenleg
+- Tapasztalat:
+	A Qwen embedding modellhez hasonlóan szintén jól összehasonlítható vektorokat generál.
+
+#### nv-embed-v2
+- Backend: egyedi (SentenceTransformer)
+- Új modell (2024. 09.)
+- Az embedding modell rangsor élén áll jelenleg
+- Tapasztalat:
+	- Nem generál megfelelő vektorokat 16bit precízió mellett GPU-n, 32bites módban nincs elég VRAM
+    - Érdemes visszatérni hozzá, amennyiben elterjedtebb lesz és rendelkezésre áll megfelelő tooling, vagy nagyobb hardverkapacitás
 
 ## Vektoros keresés