用途：对 gstack 技能或任意提示词做跨模型横向对比，衡量速度、成本与输出质量差异。与 /benchmark 不同，后者测网页性能（Core Web Vitals、加载时间），本技能测 AI 模型表现。
主要能力：同一提示词并行跑 Claude、GPT（通过 Codex CLI）、Gemini；表格输出延迟、token、成本；可选 --judge 用 Anthropic Claude 按 0-10 打分评估质量，约增加 USD 0.05/次；可将结果保存为 JSON 便于后续对比。
使用方式：先定位二进制文件 gstack-model-benchmark（缺失时需在 gstack 安装目录运行 ./setup）。选提示词（某个技能的 SKILL.md、内联提示词或磁盘文件），先做 dry-run 查看各提供方鉴权状态，再选择模型与是否启用评委，最后执行："$BIN" --models <picked-models> [--judge] --output table -- "$PROMPT_PATH"。运行较慢，约 30 秒到 5 分钟。结束后汇总最快、最便宜、质量最高与综合最优，并可选择保存到 ~/.gstack/benchmarks/<date>-<skill-or-prompt-slug>.json（用 --output json）。
适用场景：在多个模型间选择最适合某技能的模型、做跨模型对比或“模型对决”。
限制：必须先 dry-run 再真实运行；不硬编码模型名；不自动加 --judge；若所有提供方都未鉴权则停止；需要至少一个已鉴权的提供方；具体安装与鉴权命令以官方为准，资料未提供完整列表。