Give the typed-graph bench a warm-base mode and count tokens by phase from the server log

scripts/bench/README.md

@@ -664,3 +664,30 @@ bound / none / undecided。0044 的门槛：裁判精度不低于完整原型的
 每篇 token 从 15.8 万 / 18.3 万到 3.1 万 / 3.4 万。组 4 有两篇文档的勘误回复不是合法 JSON，重试三次后
 放弃，那两篇没勘误，任务记为失败（`jobs.last_error`）。
 
+### 温库第二批：产品口径的每篇边际成本（2026-09-25，同一二进制，组 3 的库再灌 100 篇）
+
+`--into <kb> --corpus redocred-100b`：`fetch-redocred.mjs --seed 2 --name redocred-100b --exclude corpora/redocred-100.json`
+抽的第二批 100 篇（与第一批零重叠，3600 条金标全在库里那 95 条属性上），灌进组 3 跑完的库，只排新文档的
+抽取，对齐照常（已判过、指纹没变的签名不重问），只对新文档打分，token 从服务端日志按阶段算
+（`BENCH_SERVER_LOG`）。裁判只抽本批文档有证据的事实——全库抽样会抽到第一批的事实，脚本正文表里没有它们，
+模型读到空正文就判 not_stated（第一次跑就是这么得出 24.6% 的）。
+
+| 第二批 | 值 |
+|---|---|
+| 开放陈述 / 全库实体 | 1491 / 3217 |
+| 全库签名 bound / none / undecided（第一批跑完时 426 / 1178 / 178） | 674 / 1698 / 277 |
+| 类型化 勘误前 → 后 | 486 → 684 |
+| gold recall 勘误前 → 后（同句） | 5.6%（7.7%）→ 8.3%（11.7%） |
+| 裁判精度（勘误后，200 抽样） | 80.0% |
+| 勘误 | 看了全库 200 篇 1209 条：撤 7 / 改 2 / 加 499 / 留人 221 |
+| token：抽取 / 对齐 / 勘误 / 合计 | 68 万 / 142 万 / 39 万 / 255 万 |
+| 每篇 | 2.5 万（新库 3.1 万） |
+| 用时 | 67 分 |
+
+读数：温库只省了 18%，对齐从每篇 2.2 万到 1.4 万，没有摊薄多少——第二批 100 篇带来约 800 条新签名
+（绑定 +248，判无 +520），和第一批的约 1000 条差不多。Re-DocRED 是维基百科各领域的条目，短语签名跨文档
+几乎不重复；每条签名约 1.4 千 token，每篇 8 到 10 条。同一领域的语料重复率会高得多，那是摊薄能兑现
+的地方，这份语料量不出来。第二批召回低于第一批（同句 7.7% 对 14.2%），因为库里已经判"无"的签名不再重问，
+第一批判错的"无"第二批照样错——温库就是这样工作的。勘误在温库上复查了全部 200 篇：新绑定给旧文档也添了
+类型化事实，所以旧文档也在它的清单里，每篇边际里的勘误那 0.4 万有一半是复查旧文档。
+