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：Olympus ECR
使用底片：Kodak Tri-X 400 過期分裝片，增感一格
沖掃：自己沖，自己掃 (掃描器為 Plustek Opticfilm 7500i)
算是拍底片以來一個新里程碑，自己沖片掃描。
這台 Olympus ECR 的快門不像其他幾台 70 年代日系小 RF，得按得很深，如果按得不夠深，光圈葉片會打開，可是相機沒辦法捲片，得再拍攝一次，這個暫且稱為意料外的重曝功能。
這捲因為是自己沖掃，所以不太能確定是不是自己沖的時候顯影時間不太夠，掃描的時候大部份都有加 1EV 左右，當然也可能是相機測光的關係，總之變數太多，所以也懶得去探究。
自己掃描有一個很大的好處，是你可以自己決定你那張照片想要表達的重點，而且是在底片一沖完正新鮮就拿來掃，避免被店家沖完裝入底片套之後再自己掃，底片刮痕就出現了，所以這次掃的時候完全沒開類似 ICE 這種功能，幾乎都是提高 1EV 之後直掃，少部份有調整了一下對比才掃。
從拍照，到沖片掃描全在自己手裡完成，雖然拍得不好也沖得不好，但整捲就是亂有感覺一把的！
這張下半部沖壞了，所以索性就掃成正方形，配上被強迫的重曝，挺有感覺的！
這張也是上下都沖壞了，裁切掉了，Olympus ECR 的鏡頭算銳利
底下幾張是沖得比較 OK 的
不怕傷眼的話可以到 Flickr 看看本卷其他照片：Olympus ECR 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！