用途：为预期部署的每 rank 形状规划单 GPU 微基准测试。脚本不加载检查点权重、不启动分布式 worker，也不测量集合通信、服务吞吐或请求延迟。
主要能力：先做形状预览（无需 FlashInfer 或 GPU），再运行完整基准。支持 BF16（W16A16 基线）、FP8（per-tensor W8A8）、NVFP4（W4A4）的 GEMM 与融合 MoE 行；MoE 覆盖 FlashInfer CUTLASS、trtllm-gen NVFP4/FP8、CuteDSL NVFP4。
使用方式：先运行形状预览：python "$SKILL_DIR/scripts/benchmark_model.py" <model> --tp <tp> --ep <ep> --ms <m1> <m2> ... --print_only。完整基准需 FlashInfer 源码检出（含 benchmarks/flashinfer_benchmark.py），命令为 CUDA_VISIBLE_DEVICES=<gpu-index> python "$SKILL_DIR/scripts/benchmark_model.py" <model> --tp <tp> --ep <ep> --ms <m1> <m2> ... --flashinfer_repo <flashinfer-repo> --workdir <workdir>。建议先加 --dry_run_iters 1 --num_iters 3 --no_autotune 做管道检查。预览中 # unsupported: 的模块用 benchmark_via_builtin.py 手动补充。
限制：mm_fp4 TensorRT-LLM 需 N % 128 == 0；mm_fp8 trtllm_low_latency 需 K % 128 == 0；门控 NVFP4 CUTLASS MoE 每 rank 2F % 128 != 0 会失败。MoE 路由为合成均匀分布，不含 router GEMM，结果为纯内核时间，不能当作端到端延迟或吞吐。
适用场景：为部署规划做内核级性能对比与形状验证。其他细节暂未提供。