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...
10月24日這天，老婆的同學聚餐，約在華山創意文化園區的 Alleycat’s，一聽到在華山，當下就想帶著 MZ-L 前往。
店內濃濃的異國情調，燈光很有氣氛之下，DA 40mm 的 F2.8，ISO 400 的底片快門速度居然只到 1/10，當下決定來個增感。
玩底片以來，多虧很多前輩留下的資料，讓我能夠憑著 Google，學習到不少知識。
先來談一下增感：
當我們使用 ISO 400 度的底片，卻將相機的ISO值故意設 800 時，這樣的話曝光會少一格。同理，若您降一格 EV，也是如此，有些無法調整 ISO 值的底片相機就可以這麼做，當然還有一招用 DX 條碼騙相機的大絕招。
你會問，那這樣不就變暗了嗎？別擔心，請店家沖片時告訴他，要增感一格，店家會依該底片沖片時的原來溫度，拉長顯影時間（但並不是增加一倍時間），讓感光粒子延長顯影時間，以達到暗部粒子正確顯影，這就是增感一格。
增感拍攝的特色：
1. 色彩濃厚，與現場光源的關係，會產生特殊而迷人的色調，影像的反差也會加大。
2. 增加快門速度，以利某些場合無法打閃時可以保持在安全快門內，手持拍攝。
3. 變粗的銀塩粒子，迷人的獨特風格。
關於底片增感必看的好文章：486把拔談增感攝影、486把拔再談增感、486把拔三談增感。
攝於華山1914創意文化園區，Pentax MZ-L，DA 40mm Limited，Fujifilm X-tra 400 增感一格
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！