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...
(攝於台北萬華剝皮寮，Minolta 707si，Minolta AF 50mm，Konica PAN 100 1998)
使用器材：Minolta 707si，Minolta AF 50mm，Konica PAN 100 過期底片
沖掃店家：公館五色鳥
朋友給的，從來沒看過，網路上幾乎找不到這卷底片的討論串，盒子上的效期是 1998 年 8 月，超過十年的底片，猜想朋友應該也是亂丟亂放，不太可能放冰箱。
拍的時候並沒有做減感或是加 EV 的動作，感覺可以再加個 1EV 會好一點。
底下挑幾張在剝皮寮拍的照片：
下表是網路上找到的這卷黑白底片的沖片參數參考，不過大概不容易找到這款底片吧。
上表來源：http://www.digitaltruth.com/devchart.php?Film=Konica&Developer=&mdc=Search
底片長這樣
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！