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：Canon AF 35 ML
使用底片：Konica Centuria Super 100 過期原裝片
沖掃店家：公館五色鳥
這台是 mgtelu 老師回美國前又多送我的禮物，特此銘謝。
這卷拍的時間，從裝好底片到拍完，扣掉睡覺時間大概不到十二小時吧，因為有 1fps 的連拍，加上快門很輕，很容易就多拍了好幾張，連拍的時候，對焦點應該是固定的，另外在對焦的精度方面是稍微差了點，最近對焦距離推測大概一米吧，雖然有 f1.9 的大光圈但是沒辦法自己控制，所以就很憑感覺跟運氣了，不過閃燈是做動並可用的，有試了一下，GN 值不高所以也不會太實用，但至少比起 Nikon L35 AF 來說，手動控制閃燈的開和關是我比較中意的。
看照片》
還想看的話：Canon AF 35 ML vol.1
師兄依部機好玩嘛？f1.9實用性如何？
回覆刪除Re: ryu yu <2810729254978384609>
回覆刪除除了自動對焦比較笨一點以外，開最大光圈我是覺得還 OK。