Cut the throughput notes to measurements

State the numbers and the cu126 requirement; drop the narration around them.

README.fa.md

@@ -67,12 +67,11 @@ print(doc.ents)   # (محمدرضا شجریان, مشهد)
 | `lg` | ۴٬۷۱۵ | ۹٬۲۱۵ | |
 | `trf` | ۱۸۷ | ۱٬۱۵۸ | ۸٬۳۲۰ |
 
-ردهٔ `trf` روی یک پردازنده حدود ۲۹ برابر کندتر از `sm` است، و روی T4 نسبت به پردازندهٔ همان
+ردهٔ `trf` روی یک پردازنده ۲۹ برابر کندتر از `sm` است. عددهای T4 و Xeon از یک ماشین Colab
-ماشین (۳۳۶ واژه بر ثانیه) ۲۵ برابر سریع‌تر، پس کارت گرافیک برای آن یک نیاز است نه بهینه‌سازی.
+می‌آیند، یعنی شتاب ۲۵ برابری. روی 940MX دستهٔ ۳۲ در ۲ گیگابایت جا می‌شود و torch باید نسخهٔ
-حتی کارت ۲ گیگابایتی 940MX هم ۶٫۲ برابر سریع‌تر از پردازندهٔ همان دستگاه است و دستهٔ ۳۲ را بدون
+`cu126` باشد، چون هستهٔ sm_50 از نسخه‌های `cu128`/`cu129` در torch 2.8 حذف شده است. فاصلهٔ
-کمبود حافظه اجرا می‌کند، اما به نسخهٔ `cu126` از torch نیاز دارد، چون هستهٔ sm_50 از نسخه‌های
+رده‌های پردازنده‌ای کمتر از ۱۵ درصد است، پس گلوگاه تجزیه‌گر و واژه‌یاب است نه جست‌وجوی tok2vec.
-`cu128`/`cu129` در ۲٫۸ حذف شده است. فاصلهٔ رده‌های پردازنده‌ای کمتر از ۱۵ درصد است، یعنی گلوگاه
+پراکندگی اجراها روی لپ‌تاپ حدود ۱۰± درصد است.
-جست‌وجوی tok2vec نیست بلکه تجزیه‌گر و واژه‌یاب است. پراکندگی اجراها روی لپ‌تاپ حدود ۱۰± درصد است.
 
 گام‌های تبدیل پیکره، آموزش، ارزیابی و بسته‌بندی در [`project.yml`](project.yml) تعریف شده‌اند.
 توضیح بیشتر دربارهٔ گزینش پیکره و پروانه‌ها در [`docs/MODELS.md`](docs/MODELS.md) و شرح انگلیسی

README.md

@@ -95,12 +95,11 @@ timing the pipe only, warmup discarded. Reproduce with
 | `lg` | 4,715 | 9,215 | |
 | `trf` | 187 | 1,158 | 8,320 |
 
-`trf` runs 29x slower than `sm` on the same CPU, and 25x faster on a T4 than on that VM's own
+`trf` is 29x slower than `sm` on the same CPU. The T4 and Xeon figures come from one Colab VM,
-Xeon (336 words/s), so a GPU is a requirement rather than an optimization. Even a 2 GB 940MX
+a 25x GPU speedup. On the 940MX batch 32 fits in 2 GB, and torch must be a `cu126` build:
-gives 6.2x over its host CPU and fits batch 32 without running out of memory, though it needs
+sm_50 kernels were dropped from the `cu128`/`cu129` wheels at torch 2.8. The CPU tiers sit
-a `cu126` torch build: sm_50 kernels were dropped from the 2.8 `cu128`/`cu129` wheels. The CPU
+within 15% of each other, so the bottleneck is the parser and lemmatizer, not the tok2vec
-tiers sit within 15% of each other, so the tok2vec lookup is not the bottleneck; the parser and
+lookup. Laptop spread is about 10% with thermal state.
-lemmatizer are. Laptop spread is about 10% with thermal state.
 
 ## Named entity recognition
 

docs/MODELS.md

@@ -518,10 +518,7 @@ every number, so treat small differences as noise.
 `trf` is 29x slower than `sm` on the same CPU. The T4 and Xeon columns come from the same Colab
 VM, giving a clean 25x GPU speedup for the transformer.
 
-The 940MX runs `trf` at 1,158 words/s, 6.2x its host CPU, and fits batch 32 inside 2 GB without
+`trf` on the 940MX needs a `cu126` torch build. sm_50 kernels were dropped from the `cu128` and
-running out of memory, so the GPU note in §3.4 that dismissed this card for transformer work
+`cu129` wheels at torch 2.8, which is what `pip install torch` resolves to. `.venv-trf-gpu` pins
-holds only for training, not inference. It does need a `cu126` build of torch: Maxwell sm_50
+`torch==2.7.1+cu126`, separate from `.venv` because torch's pinned `nvidia-*` wheels downgrade
-kernels were dropped from the `cu128` and `cu129` wheels starting torch 2.8, and `pip install
+the CUDA libraries cupy uses there from 12.9 to 12.6. Batch 32 fits in 2 GB.
-torch` now resolves to one of those. `.venv-trf-gpu` pins `torch==2.7.1+cu126` for this reason,
-and is kept separate from `.venv` because torch's pinned `nvidia-*` wheels would downgrade the
-CUDA libraries cupy runs on there from 12.9 to 12.6.