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 AF
使用底片：Kodak TMax 400 分裝片，拍 400 沖 800
沖掃：自己沖，自己掃 (掃描器為 Plustek Opticfilm 7500i)
這次可以說是一整個順利，抽片，捲進沖片金屬軸，都愈來愈快速順暢，沖完之後拿出捲片軸看了一下這次捲的樣子，通通很妥當的按照每一個凹槽捲進去，只有最外面一圈有一張左右的大小稍微疊到或碰到，捲片的手感到了第三次沖片好像慢慢能掌握了！
沖洗出來的成果自己也很喜歡，感覺找到了適合的數據，很對味，這卷拍的時候是用 ISO 400，沖的時候則是使用沖 ISO 800 的數據，我用的是水溫 21 度顯影 17 分鐘 (D-76 1:1)，亮暗的反差感覺被拉了出來，我很喜歡。(之前從 DigitalTruth 查的數據請參考)
其實這卷拍很快，但是隔了一陣子才沖，好多地方都忘記在哪兒拍的了耶，比較記得的是又去走了一圈華光社區，沖出來的時候好像又重新欣賞了那些個記不得的場景，感覺好新鮮哦，底下就看看照片吧。
又去走了一圈華光社區》
街拍，其他地方》
本卷全部照片：Minolta Hi-matic AF vol.2
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！