TL;DR: 用 Qwen3.5-9B（Q4_K）在單張 16GB AMD GPU 上跑本地 LLM-as-a-Verifier，每次 code comparison 約 0.5–2 秒，cache hit rate 66%，正確程式碼穩定給 1.0 分，有 bug 的給 0.0–0.14 分。16GB 跑 9B 模型綽綽有餘，還有空間跑其他服務。 這篇是實測續篇，前兩篇分別講了 架構設計 和 Docker 封裝 。前兩篇講的是「做什麼」跟「怎麼做」，這篇來量「到底多快」。 1. 測試環境 在一台 homelab Linux（CachyOS）上跑的： 項目 內容 GPU AMD 16GB（15.9 GiB）via ROCm 模型 Qwen3.5-9B（8.95B 參數，Q4_K ~5.7GB GGUF） 後端 llama.cpp（llama-server，ROCm HIP build） Verifier Docker container（llm-verifier），port 8010 模型 VRAM ~10.2 GB（模型本身 + 動態 KV cache） GPU 使用率 78% 系統 RAM 62 GB；使用 27 GB（swap 用了 9.3 GB） Context window 131,072 tokens MIN_SCORE 0.8 後端跑在另一台機器上，走 local Gigabit 網路連線。 2. Verifier 在幹嘛 docker-llm-as-a-verifier 包裝了 LLM-as-a-Verifier 這個研究套件，讀取 token-level log probability 來算連續分數，不是簡單的 yes/no 判斷。 Container 開了 7 個 HTTP endpoint： Endpoint Method 用途 /health GET 健康檢查 /v1/compare POST 兩組答案比對評分 /v1/select POST Best-of-N 選最佳 /v1/track POST Agent 軌跡分數追蹤 /v1/directed POST 導...
去年買了這支大廈扇，覺得蠻不賴的，有負離子功能，可以簡單的做空氣淨化，外觀也蠻好看的，有附遙控器，擺頭的範圍蠻廣的，一整排的送風口，比起傳統的電扇風力強多了！
很熱的時候，可以先開冷氣降一下溫，靠這台大廈扇加速客廳溫度的下降，然後就可以關冷氣了！
找到 Unimall 上有賣，送貨到府還不用自己去載，價錢還比我去年去買的時候便宜，我還自己載回來咧！而且最近 Unimall 上有新加入會員的迎賓禮券哦！不要錯過囉！
在 Unimall 買一些生活用品還蠻方便哦！省掉不少上逛大賣場的時間，特別是像我們是只有兩夫妻在照顧小孩，出一趟門都懶，大概都是用網路購物解決大部份的需要了！你也可以透過集點王的機制，還可以積點換禮券哦！
最新入會優惠：Unimall 新會員入會優惠大升級！
Yahoo 購物中心價格參考：
留言
張貼留言
回應不用錢，請多多益善！懶得寫字按個讚也是相當感謝！