diff --git a/benchmark/README.md b/benchmark/README.md
index e4684cf4..07996b2c 100644
--- a/benchmark/README.md
+++ b/benchmark/README.md
@@ -48,16 +48,14 @@ kvlang 是被测对象，**分别在三个 kvspace 后端上各跑一遍，占
 |------|------|------|
 | `nqueens` | 递归 + 整数位运算 + 分支 | 位掩码回溯，`occ ^ all` 求可用列、`0-avail` 取最低位 |
 | `fib` | 调用 / 帧寻址深度 | naive 递归，key 长度随深度增长（对齐 #116） |
-| `quicksort` | 数组访问 + 递归 | 显式栈迭代 Lomuto 分区，LCG 造数 |
+| `quicksort` | 数组访问 + 递归 | 显式栈迭代 Lomuto 分区，LCG 造数；待排数组与显式栈都落**单个 compact XValue**（`[N]int64`） |
 | `binary_search` | 有序表折半 | int 键映射作数组，逐次二分求和 |
 | `binary_trees` | 内存分配 + 指针/引用 | L/R 子结点映射建满树，遍历栈跟随指针计数 |
 | `hash_table` | 哈希表增删查 | Knuth 乘法散列，插入 + 查找求和 |
-| `matmul` | 浮点运算 + 循环优化 | 稠密方阵乘三重循环，float64 校验和 ×1e6 精确对齐 |
+| `matmul` | 浮点运算 + 循环优化 | 稠密方阵乘三重循环，float64 校验和 ×1e6 精确对齐；矩阵落**单个 compact XValue**（`[N,N]float64`，storetype=ARRAYND） |
 | `k_nucleotide` | 字符串 + 哈希表 | 逐字符 `ord` 入哈希表统计碱基频次 |
 | `iops` | 最小寻址单元往返地板价 | 单 key 读-改-写 `a=a+1`，per-op 延迟（对齐 #204，参考基线） |
 | `prime_sieve` | 计算 / 控制流密集 | 嵌套 `while` + 取模，O(n²) 内层迭代（参考基线） |
-| `matmul_compact` | **数组物理形态**（compact） | 同 `matmul` 算法，矩阵落单个 `[N,N]float64`（storetype=ARRAYND，元素连续打包），对照「每元素一个 key 的散 key map」 |
-| `quicksort_compact` | **数组物理形态**（compact） | 同 `quicksort` 算法，待排数组与显式栈都落单个 `[N]int64`，全程在 compact 数组里直接交换 |
 
 kvlang 的性能瓶颈是「PC/帧/局部全落 KV 树、每步一次往返」的架构本质（见 kvlang#194 #204 #116），
 不是某个热点函数；`iops`/`prime_sieve` 单独隔离出这条地板价，其余八例是跨语言等价算法对照。
diff --git a/benchmark/run.py b/benchmark/run.py
index 515ed2ec..16d3239c 100644
--- a/benchmark/run.py
+++ b/benchmark/run.py
@@ -61,10 +61,6 @@
     "hash_table":    [50, 100, 200],
     "matmul":        [4, 6, 8],
     "k_nucleotide":  [3, 5, 8],
-    # 同一算法的 compact 形态：数组落单个 ARRAYND XValue（`[N]T`），而非每元素一个 key 的散 key map。
-    # 与 matmul / quicksort 同规模、同基线（native 三份与原 case 算法完全一致，仅输出标签不同）。
-    "matmul_compact":    [4, 6, 8],
-    "quicksort_compact": [32, 64, 128],
 }
 SCALE_ENV = "BENCH_SCALE"   # python/rust/c 从此环境变量读规模
 SCALE_TOKEN = "__SCALE__"   # kvlang 源码里的规模占位符