README: replace 'free lunch' claim with empirical experiment results

- vs English prompt: big win
- vs Modern Chinese prompt: -11.3pp accuracy loss
- Idiom prompting: -25% tokens but quality cost
- chrF correlates only +0.46 with LLM judge

README.md

@@ -39,13 +39,34 @@ configs:
 
 ## 为什么做这个
 
-短答：**中文（尤其文言文）在 LLM 时代有一个被严重低估的优势 —— 信息密度。**
+中文（尤其文言文）常被说成"高密度优势"。这套基础设施（bench + corpus + 4 个论点实证实验）想把这个论点变成可验证的数字 —— **包括它在哪些场景成立、在哪些场景不成立**。
 
-- **Token 经济学**：同一句话的文言文表达，token 数约为现代英文的 1/2，比现代白话还再压缩 30-40%。在 1M 上下文卷成本的今天，这是 free lunch（**实测数据见 [Tokenizer 横评](https://github.com/gujilab/chinese-classical-bench/blob/main/tokenizer_study/report.md)**：DeepSeek-V3 tokenizer 上文言文是英文 0.57×、现代中文 0.69×；老 GPT-3.5/4 cl100k_base 对中文反而比英文还费 19% token）
-- **典故 = 语义级 RAG 压缩**："图穷匕见"四字承载一整段故事 —— 典故是嵌在语言里的、人类沉淀 2000+ 年的"超浓缩 token"，英文几乎没有等价机制
-- **3000+ 年单一书写系统**：跨时代知识图谱、概念演化建模、长时间窗文本相似度学习，所需的时间深度训练信号只有中文有
+### Tokenizer 层面（实证）
+7 个主流 tokenizer 横评（详见下方 [Tokenizer 横评章节](#tokenizer-横评实证文言文的-token-经济学)）：
+- 国产 tokenizer (Qwen / DeepSeek / GLM) 上**文言文 = 英文 0.57×、现代中文 0.69×**
+- 老 GPT-3.5/4 (cl100k_base) **对中文比英文还费 19% token**
+- 这一层的"省 token"是真的 ✓
 
-但现状是：训练语料古典占比极低，公开 benchmark（CMMLU / C-Eval）几乎只评白话，没人针对古典的"高密度短文本"优化 tokenizer 或评测体系。本评测 + 配套语料集是想把这条赛道做扎实的两个基础设施 —— 让 LLM 中文古典能力变得**可量化、可对比、可训练**。
+### Prompt / 任务层面（实证）
+3 组下游实验（[experiments/](https://github.com/gujilab/chinese-classical-bench/tree/main/experiments)）：
+
+| 场景 | Token 节省 | 准确率 / 质量 | 结论 |
+|---|---|---|---|
+| **英文 prompt → 文言文 prompt** | **−74%** 字符 | **+2pp** 准确率 | **大赢** |
+| **现代中文 prompt → 文言文 prompt**（同任务） | −4.7% | **−11.3pp** | 不是 free lunch |
+| **典故 prompt vs 字面展开**（盲评 140 对） | −25% token | 字面赢 49% > 典故 38% | 省 token，质量有代价 |
+
+### 校准结论
+> Chinese 高密度 = 真的 **tokenizer-level 优势**，≠ **LLM-task-level free lunch**。
+> 替换英文 prompt 大赢；替换现代中文或用典故压缩则省 token 但有质量代价。
+> 详细数据：[prompt-compression](https://github.com/gujilab/chinese-classical-bench/blob/main/experiments/prompt-compression/report.md) / [idiom-prompting](https://github.com/gujilab/chinese-classical-bench/blob/main/experiments/idiom-prompting/report.md)
+
+### 时间深度（未实证）
+3000+ 年单一书写系统的跨时代训练信号 —— 尚未做 task，欢迎社区贡献。
+
+---
+
+现状问题：训练语料古典占比极低，公开 benchmark（CMMLU / C-Eval）几乎只评白话，没人针对古典的"高密度短文本"优化 tokenizer 或评测体系。本评测 + 配套语料集是想把这条赛道做扎实的两个基础设施 —— 让 LLM 中文古典能力变得**可量化、可对比、可训练**。
 
 具体到这个 bench，600 题在回答两个问题：
 
@@ -132,6 +153,7 @@ python scripts/aggregate.py --out leaderboard.md
 ### 关于分数
 
 - `chrF` 是字符级 n-gram F2 分数（n=1..6），同义改写会扣分但语义对的话主要靠 `char_f1` 兜底
+- **`chrF` 与 LLM-as-judge 相关性 moderate** — Claude Opus 4.7 对 5 模型 × 1000 道题重打分（[experiments/llm-judge](https://github.com/gujilab/chinese-classical-bench/blob/main/experiments/llm-judge/report.md)）：translate Pearson +0.46 / char-gloss +0.47。**chrF 是方向正确的下限，不是质量指标**。Judge 重排后 Sonnet 4.6 上升、GLM-5 下降 —— 当前 chrF leaderboard 排名需要结合 judge 分数解读
 - `idiom-source` 的 Book EM 较宽松：模型答 "《史记》" 就算对，不要求卷次/篇名匹配
 - `fill-in` 单字答案，模型能从带引号或单字输出中抽取
 
@@ -156,7 +178,7 @@ python scripts/aggregate.py --out leaderboard.md
 
 ## 已知 limitation
 
-- `translate` / `char-gloss` 用 chrF 评分，对同义改写过严 — 后续会加 LLM judge
+- `translate` / `char-gloss` 用 chrF 评分，对同义改写过严 — **已加 LLM judge 实验**（[experiments/llm-judge](https://github.com/gujilab/chinese-classical-bench/blob/main/experiments/llm-judge/report.md)，Pearson 0.46-0.47，建议结合使用）
 - 题目均从配套 corpus 抽样，可能与某些模型的训练数据有重合污染（开源模型大多训练过《十三经》《史记》）
 - 100 题/task 是 trade-off：太少噪声大，太多跑评测贵 — 后续可能扩到 200/task