diff --git a/docs/zh/06-advanced/06-TDgpt/01-introduction.md b/docs/zh/06-advanced/06-TDgpt/01-introduction.md
index b808aef339..da983308ef 100644
--- a/docs/zh/06-advanced/06-TDgpt/01-introduction.md
+++ b/docs/zh/06-advanced/06-TDgpt/01-introduction.md
@@ -32,7 +32,9 @@ TDgpt 的主要包含四个部分的内容。
 - 第三部分是通用大语言模型的请求适配模块。将时序数据预测请求转换后，基于 Prompt 向 DeepSeek、LlaMa 等通用大语言模型 MaaS 请求服务（这部分功能暂未开源）；
 - 第四部分是通过 Adapter 直接向本地部署的 Time-MoE、TDtsfm 等时序数据模型请求服务。时序数据专用模型相对于通用语言大模型，无需 Prompt，更加便捷轻量，本地应用部署对硬件资源要求也较低；除此之外，Adapter 还可以直接请求 TimeGPT 这种类型的时序数据分析 MaaS 服务，调用云端的时序模型服务提供本地化时序数据分析能力。
 
+<figure style={{textAlign: "center"}}>
 <img src={TDgpt} alt="TDgpt架构图" />
+</figure>
 
 查询过程中，TDengine 中的Vnode 会将涉及时序数据高级分析的部分直接转发到 Anode，并等待分析完成后将结果组装完成，嵌入查询执行流程。
 
diff --git a/docs/zh/06-advanced/06-TDgpt/04-preprocess.md b/docs/zh/06-advanced/06-TDgpt/04-preprocess.md
index 0d350ebb8b..396e74a93b 100644
--- a/docs/zh/06-advanced/06-TDgpt/04-preprocess.md
+++ b/docs/zh/06-advanced/06-TDgpt/04-preprocess.md
@@ -9,14 +9,18 @@ import wndata from './pic/white-noise-data.png'
 ### 分析流程
 时序数据分析之前需要有预处理的过程，为减轻分析算法的负担，TDgpt 在将时序数据发给具体分析算法进行分析时，已经对数据做了预处理，整体的流程如下图所示。
 
+<figure style={{textAlign: "center"}}>
 <img src={activity} alt="预处理流程"/>
+</figure>
 
 TDgpt 首先对输入数据进行白噪声检查（White Noise Data check）, 检查通过以后针对预测分析，还要进行输入（历史）数据的重采样和时间戳对齐处理（异常检测跳过数据重采样和时间戳对齐步骤）。
 预处理完成以后，再进行预测或异常检测操作。预处理过程不属于预测或异常检测处理逻辑的一部分。
 
 ### 白噪声检查
 
+<figure style={{textAlign: "center"}}>
 <img src={wndata} alt="white-noise-data"/>
+</figure>
 
 白噪声时序数据可以简单地认为是随机数构成的时间数据序列（如上图所示的正态分布随机数序列），随机数构成的时间序列没有分析的价值，因此会直接返回。白噪声检查采用经典的 `Ljung-Box` 统计量检验，计算 `Ljung-Box` 统计量需遍历整个输入时间序列。如果用户能够明确输入序列一定不是白噪声序列，那么可以在参数列表中增加参数 `wncheck=0` 强制要求分析平台忽略白噪声检查，从而节省计算资源。
 TDgpt 暂不提供独立的时间序列白噪声检测功能。
diff --git a/docs/zh/06-advanced/06-TDgpt/05-forecast/index.md b/docs/zh/06-advanced/06-TDgpt/05-forecast/index.md
index 48fca92061..dbc57db07e 100644
--- a/docs/zh/06-advanced/06-TDgpt/05-forecast/index.md
+++ b/docs/zh/06-advanced/06-TDgpt/05-forecast/index.md
@@ -191,5 +191,6 @@ python3.10 ./analytics_compare.py forecast
 
 如果设置了 `gen_figure` 为 true，分析结果中还会有绘制的分析预测结果图（如下图所示）。
 
+<figure style={{textAlign: "center"}}>
 <img src={fc_result} alt="预测对比结果"/>
-
+</figure>
diff --git a/docs/zh/06-advanced/06-TDgpt/06-anomaly-detection/index.md b/docs/zh/06-advanced/06-TDgpt/06-anomaly-detection/index.md
index 0171db8ad5..b2a0e5ae3c 100644
--- a/docs/zh/06-advanced/06-TDgpt/06-anomaly-detection/index.md
+++ b/docs/zh/06-advanced/06-TDgpt/06-anomaly-detection/index.md
@@ -17,7 +17,9 @@ ANOMALY_WINDOW(col_val, "algo=iqr");
 
 如下图所示，Anode 将返回时序数据异常窗口 $[10:51:30, 10:53:40]$ 
 
+<figure style={{textAlign: "center"}}>
 <img src={ad} alt="异常检测"/>
+</figure>
 
 在此基础上，用户可以针对异常窗口内的时序数据进行查询聚合、变换处理等操作。
 
@@ -110,6 +112,7 @@ lof={"algorithm":"auto", "n_neighbor": 3}
 
 如果设置了 `gen_figure` 为 `true`，比较程序会自动将每个参与比较的算法分析结果采用图片方式呈现出来（如下图所示为 ksigma 的异常检测结果标注）。
 
+<figure style={{textAlign: "center"}}>
 <img src={ad_result} alt="异常检测标注图"/>
-
+</figure>