gstack /benchmark-models 指南：如何同题对比 Claude、GPT、Gemini 的延迟、成本与质量-港品优选

gstack /benchmark-models 指南：如何同题对比 Claude、GPT、Gemini 的延迟、成本与质量

【免费下载链接】gstackUse Garry Tan's exact Claude Code setup: 23 opinionated tools that serve as CEO, Designer, Eng Manager, Release Manager, Doc Engineer, and QA项目地址: https://gitcode.com/GitHub_Trending/gs/gstack

gstack /benchmark-models是 Garry Tan 开源工作流工具 gstack 中的跨模型基准测试技能。它把同一个提示词同时交给 Claude、GPT（通过 Codex CLI）和 Gemini 并行运行，用真实数据对比响应延迟、Token 消耗、成本与质量评分——用数据回答"哪个模型最适合这个技能"，而不是凭感觉。

/benchmark-models 是什么：模型同题竞速

先划清边界：gstack 里有两个容易混淆的 benchmark 技能：

技能	测量对象
`/benchmark`	网页性能（Core Web Vitals、加载时间、包体积），详见 benchmark/SKILL.md
`/benchmark-models`	AI 模型性能（延迟、Token、成本、质量），详见 benchmark-models/SKILL.md

/benchmark-models的工作方式是：同一个提示词 → 三家模型并行"跑分" → 一张对比表。它包装了 bin/gstack-model-benchmark 这个命令行工具，并串联起三个模型适配器：

claude→ Claude Code CLI，默认模型 claude-opus-4-7
gpt→ OpenAI Codex CLI（codex exec），默认模型 gpt-5.4
gemini→ Gemini CLI，默认模型 gemini-2.5-pro

三家并行执行（Promise.allSettled），跑得慢的模型不会阻塞跑得快的；任何一家的认证失败、超时或限流，都只会让表格中那一行显示错误原因，而不会中止整个批次。核心实现位于 test/helpers/benchmark-runner.ts。

完整使用流程：从选提示词到保存结果

跑分是交互式流程，一共六步，跟着提示选就行。

第 1 步：选择提示词

三种来源任选其一：

跑一个真实的 gstack 技能（推荐）：工具会列出所有带SKILL.md的技能文件供你挑选。用真实技能跑分最能暴露模型在工具调用上的实际差异，而不只是裸生成能力
内联提示词：直接输入一段文字，通过--prompt "<text>"传递
磁盘文件：指定路径，工具会读取文件内容作为提示词

第 2 步：干运行预览认证状态

正式跑分前，工具会先执行--dry-run：它只验证参数、检查各模型的 CLI 是否安装且已登录，不发送任何提示词、不花一分钱。输出的 "Adapter availability" 部分会告诉你每个厂商是 OK 还是 NOT READY（并附带修复提示，比如claude login、codex login或export GOOGLE_API_KEY）。

然后由你选择参赛阵容：全部已认证厂商（推荐，对比信息最丰富）、仅 Claude、或指定两个。未登录的厂商会被干净地跳过，不会中断批次。

第 3 步：决定是否启用质量裁判

如果检测到 Anthropic 访问凭证，工具会询问是否启用--judge质量裁判。裁判用 claude-sonnet-4-6 对每个输出打分，每次运行额外花费约 $0.05。官方建议开启——既然要跨模型对比，质量才是重点，不只是速度。这一步必须手动确认，工具绝不会自动启用。

第 4 步：正式跑分

三家模型在同一个工作目录里并行运行，每个模型有独立的 5 分钟超时（--timeout-ms，默认 300000）。典型耗时 30 秒到 5 分钟，取决于提示词复杂度和是否开启裁判。输出会以表格形式流式打印。

第 5 步：解读结果

跑完后工具会直接给出四个结论：最快（最低延迟）、最便宜（最低成本）、质量最高（裁判评分最高，仅当启用--judge）、综合最优（需结合权衡判断）。任何一家出错（认证、超时、限流）都会单独标出并附修复路径。

第 6 步：保存基线

结果可以存为~/.gstack/benchmarks/<日期>-<技能名>.json。厂商会不定期更新模型，技能表现存在漂移——保存的基线能让你在未来跑分中捕捉到质量回退，趋势数据很值钱。

跑分报告：6 个指标 + 内置价格表

一份标准报告长这样（--output支持 table / json / markdown 三种格式）：

指标	说明
Model	实际使用的模型名（以运行时真实返回为准）
Latency	从调用到返回的总耗时
In→Out Tokens	输入 / 输出 Token 数
Cost	按内置价格表估算的美元成本，每次跑分都可见
Quality	裁判评分（0–10），未启用裁判时为`-`
Tool Calls	工具调用次数——最能体现模型执行力的差异

成本不是拍脑袋算的，而是查内置价格表（2026 年 4 月版，按季度更新）：

模型	输入 $/百万 Token	输出 $/百万 Token
claude-opus-4-7	15.00	75.00
claude-sonnet-4-6	3.00	15.00
gpt-5.4	2.50	10.00
gpt-5.4-mini	0.60	2.40
gemini-2.5-pro	1.25	5.00
gemini-2.5-flash	0.30	1.20

完整价格表见 test/helpers/pricing.ts。缓存读取的 Token 按输入价的 10% 计费；表外的模型会打警告并计 0。

质量裁判：0-10 分怎么打

裁判的实现见 test/helpers/benchmark-judge.ts。它把原提示词和各家输出放在一起，从 4 个维度逐项打 0–10 分：

correctness正确性：是否解决了提示词要求的问题
completeness完整性：边缘情况和错误路径是否覆盖
code_quality代码质量：命名、结构、显式性
edge_cases边界处理：nil / 空 / 非法输入的处理

总分取 4 个维度的平均。裁判只给成功的输出打分，固定使用 claude-sonnet-4-6 保证评分稳定，每次运行成本约 $0.05。

成本可见 + 5 条铁律

/benchmark-models内置了几条防踩坑规则，值得新手记住：

没干运行，不跑分——花钱前必须先看到认证状态
不硬编码模型名——参赛模型永远来自你的选择
裁判绝不自动开启——它花真金白银，必须用户明确点头
零认证就停下——没有任何可用厂商时，跑分不会产生有用输出
成本必须可见——每次运行都在表格里展示各家成本，让你下一次运行前心里有数

新手常见疑问：NOT READY 怎么办？

Claude 显示 NOT READY：确认claudeCLI 已安装，并完成登录（或设置ANTHROPIC_API_KEY）
GPT 显示 NOT READY：确认codexCLI 已安装，并执行过codex login（凭据存在~/.codex/）
Gemini 显示 NOT READY：确认geminiCLI 已安装，并导出GEMINI_API_KEY（或GOOGLE_API_KEY）。注意 gemini CLI 已不再支持个人 OAuth 免费额度，需使用 AI Studio 的 API 密钥
单家超时或限流：表格中对应行标注ERROR timeout/rate_limit及原因，其余厂商结果不受影响
想换模型？：适配器支持按厂商指定具体模型（--models之外的模型覆盖参数），但新手用默认模型即可

小结

/benchmark-models是 gstack 中"用数据代替感觉"的代表技能：一个提示词、三家模型、一张对比表，把延迟、成本、质量三个维度一次性摊开。跑分前花 10 秒干运行，跑分后花 10 秒存基线，你就能看到模型选择的真实成本曲线。更多技能清单可参考 docs/skills.md 与 README.md。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析