docs(i18n): add benchmark section to all README translations

Add benchmark comparison data (metrics table, key conclusion, and
screenshot) to EN, ZH-CN, JA-JP, KO-KR, and RU-RU READMEs.
Non-Chinese languages use the English screenshot.

README.ja-JP.md

@@ -24,6 +24,22 @@ Gitのdiffを読み取り、変更されたファイルをツール利用機能
 
 ![Highlights](imgs/highlights-en.png)
 
+## ベンチマーク
+
+> 汎用エージェント（Claude Code）と比較して、Open Code Reviewは同じ基盤モデルで有意に高い**精度（Precision）**と**F1スコア**を達成し、トークン消費量は**約1/9**にとどまり、レビューもより高速です。ただし、リコール（Recall）は汎用エージェントより低くなります——これはノイズを抑え精度を優先する設計上のトレードオフです。
+
+実際のコードレビューに基づくベンチマーク。**50**の人気オープンソースリポジトリから**200**の実際のPull Requestを厳選し、**10**のプログラミング言語をカバー——80人以上のシニアエンジニアによるクロスバリデーション（**1,505**件のアノテーション済み欠陥）。
+
+| 指標 | 測定内容 | 重要性 |
+|------|----------|--------|
+| **F1** | 精度とリコールの調和平均 | レビュー品質を示す最良の単一指標 |
+| **精度 (Precision)** | 報告された問題のうち実際の欠陥の割合 | 高い = 確認すべき偽陽性が少ない |
+| **リコール (Recall)** | 実際の欠陥のうち発見された割合 | 高い = 見逃しが少ない |
+| **平均時間 (Avg Time)** | レビューあたりの実時間 | CIパイプラインの待機時間に影響 |
+| **平均トークン (Avg Token)** | レビューあたりの総トークン消費量 | APIコストに直接影響 |
+
+![Benchmark](imgs/benchmark-en.png)
+
 ## なぜOpen Code Reviewなのか？
 
 ### 汎用エージェントの問題点

README.ko-KR.md

@@ -24,6 +24,22 @@ Open Code Review는 AI 기반 코드 리뷰 CLI 도구입니다. Alibaba Group
 
 ![Highlights](imgs/highlights-en.png)
 
+## 벤치마크
+
+> 범용 Agent(Claude Code)와 비교할 때, Open Code Review는 동일한 기반 모델에서 유의미하게 높은 **정밀도(Precision)**와 **F1 점수**를 달성하며, 토큰 소비량은 **약 1/9** 수준이고 리뷰 속도도 더 빠릅니다. 다만 재현율(Recall)은 범용 Agent보다 낮습니다 — 이는 노이즈를 줄이고 정밀도를 우선하는 설계적 트레이드오프입니다.
+
+실제 코드 리뷰 기반 벤치마크. **50**개 인기 오픈소스 저장소에서 **200**개 실제 Pull Request를 엄선하고, **10**개 프로그래밍 언어를 커버 — 80명 이상의 시니어 엔지니어가 교차 검증(**1,505**개 어노테이션된 결함).
+
+| 지표 | 측정 내용 | 중요한 이유 |
+|------|-----------|-------------|
+| **F1** | 정밀도와 재현율의 조화 평균 | 리뷰 품질을 나타내는 최적의 단일 지표 |
+| **정밀도 (Precision)** | 보고된 이슈 중 실제 결함 비율 | 높을수록 확인할 오탐이 적음 |
+| **재현율 (Recall)** | 실제 결함 중 발견된 비율 | 높을수록 놓치는 이슈가 적음 |
+| **평균 시간 (Avg Time)** | 리뷰당 실제 소요 시간 | CI 파이프라인 대기 시간에 영향 |
+| **평균 토큰 (Avg Token)** | 리뷰당 총 토큰 소비량 | API 비용에 직접 영향 |
+
+![Benchmark](imgs/benchmark-en.png)
+
 ## 왜 Open Code Review인가?
 
 ### 범용 Agent의 문제

README.md

@@ -24,6 +24,22 @@ It reads Git diffs, sends changed files to a configurable LLM via an agent with
 
 ![Highlights](imgs/highlights-en.png)
 
+## Benchmark
+
+> Compared to general-purpose agents (Claude Code), Open Code Review achieves significantly higher **Precision** and **F1** with the same underlying model, while consuming only **~1/9 of the tokens** and completing reviews faster. Note that its Recall is lower than general-purpose agents — a deliberate trade-off favoring precision over noise.
+
+A real-world code review benchmark built from **50** popular open-source repositories, **200** real Pull Requests, and **10** programming languages — cross-validated by 80+ senior engineers (**1,505** annotated ground-truth issues).
+
+| Metric | What it measures | Why it matters |
+|--------|-----------------|----------------|
+| **F1** | Harmonic mean of precision and recall | Best single number for overall review quality |
+| **Precision** | % of reported issues that are real defects | Higher = fewer false alarms to triage |
+| **Recall** | % of real defects that are found | Higher = fewer issues slip through review |
+| **Avg Time** | Wall-clock time per review | Matters for CI pipeline latency |
+| **Avg Token** | Total tokens consumed per review | Directly impacts API cost |
+
+![Benchmark](imgs/benchmark-en.png)
+
 ## Why Open Code Review?
 
 ### The Problem with General-Purpose Agents

README.ru-RU.md

@@ -24,6 +24,22 @@ Open Code Review — это CLI-инструмент для код-ревью н
 
 ![Highlights](imgs/highlights-en.png)
 
+## Бенчмарк
+
+> По сравнению с агентами общего назначения (Claude Code), Open Code Review при той же базовой модели достигает значительно более высоких показателей **Precision** и **F1**, потребляя лишь **~1/9 токенов** и выполняя ревью быстрее. При этом показатель Recall ниже, чем у агентов общего назначения — это осознанный компромисс в пользу точности и минимального шума.
+
+Бенчмарк на основе реальных код-ревью: **50** популярных open-source-репозиториев, **200** реальных Pull Request, **10** языков программирования — перекрёстная валидация 80+ старшими инженерами (**1 505** размеченных дефектов).
+
+| Метрика | Что измеряет | Почему важна |
+|---------|-------------|--------------|
+| **F1** | Гармоническое среднее precision и recall | Лучший единый показатель качества ревью |
+| **Precision** | % найденных проблем, являющихся реальными дефектами | Выше = меньше ложных срабатываний |
+| **Recall** | % реальных дефектов, которые были найдены | Выше = меньше пропущенных проблем |
+| **Avg Time** | Время выполнения одного ревью | Влияет на задержки в CI-пайплайне |
+| **Avg Token** | Суммарное потребление токенов за ревью | Прямо влияет на стоимость API |
+
+![Benchmark](imgs/benchmark-en.png)
+
 ## Почему Open Code Review?
 
 ### Проблема агентов общего назначения

README.zh-CN.md

@@ -24,6 +24,22 @@ Open Code Review 是一款 AI 驱动的代码审查 CLI 工具。它的前身是
 
 ![Highlights](imgs/highlights-zh.png)
 
+## 基准测试
+
+> 相比通用 Agent（Claude Code），Open Code Review 在相同底层模型下取得了显著更高的 **准确率（Precision）** 与 **F1 综合得分**，同时仅消耗 **约 1/9 的 token**、审查更快。但召回率（Recall）低于通用 Agent——这是以精准度换取低噪声的设计取舍。
+
+基于真实场景的代码审查基准测试，从 **50** 个热门开源仓库中精选 **200** 个真实的 Pull Request，覆盖 **10** 种编程语言——由 80+ 位资深工程师交叉标注验证（共 **1,505** 个标注缺陷）。
+
+| 指标 | 含义 | 为什么重要 |
+|------|------|-----------|
+| **F1** | 准确率与召回率的调和均值 | 综合衡量审查质量的最佳单一指标 |
+| **准确率 (Precision)** | 报告的问题中真正有效的比例 | 越高 = 误报越少，减少人工确认成本 |
+| **召回率 (Recall)** | 真实缺陷中被发现的比例 | 越高 = 漏报越少，更多问题不会遗漏 |
+| **平均耗时 (Avg Time)** | 每次审查的实际耗时 | 决定 CI 流水线的等待时间 |
+| **平均 Token (Avg Token)** | 每次审查消耗的总 token 数 | 直接影响 API 使用成本 |
+
+![Benchmark](imgs/benchmark-zh.png)
+
 ## 为什么选择 Open Code Review？
 
 ### 通用 Agent 的局限