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...
使用相機：Minolta Hi-matic CS
使用底片：Fujicolor 100
沖掃店家：公館五色鳥
走路亂瞄，騎車亂瞄，開車亂瞄，總之都不是太好的行為。
這卷居然總共照了 40 張，得歸功於自己很精省地裝片跟這台手動捲片的 Minolta Hi-matic CS，硬是讓我省了一些底片錢。
我最近總是揹著一個小側包，裡頭塞著一至兩台的小相機，在人行道上、馬路上，前進之外，頭經常是到處亂撇的，有時候得連續經過好幾次，才找到一次有感覺有機會的場景，然後順手取出相機，不顧旁人的目光，停下來拍個那麼一張，離開。
在往往必須瞬間對焦和決定光圈快門的狀態之下，對於手動相機的操控也算是一種強迫式的訓練，除了部份機種可以自動決定光圈快門外，最近是帶 Pentax MX 和 S-M-C 24mm 出門，在全手動的情況下，快速地熟悉 MX 這台相機。
有時候在馬路上總會猶豫該不該停下來，如果 Timing 正確，用眼睛決定構圖的同時，取出相機加上對好焦按下快門可以壓在 30 秒內，通常都不會輕易錯過，慢慢的變成一種不斷挑戰自己的過程，當然太危險的情況是不敢啦，命比較重要，不過一次又一次地縮短時間，更快速地離開該場景。
開車之後，還是會很無聊地拿出相機拍照，但有在想一件事，如果加上一條快門線，然後將自動捲片的小相機固定在方向盤的前面，與自己的視線相應，這樣或許可以少一點危險吧。
摩托車當載具》
汽車當載具》
雙腳當載具》
其他本卷照片：Minolta Hi-matic CS vol.1
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！