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：Fujifilm Superia 100 過期原裝片 (24 張)
沖掃店家：公館五色鳥
因為這台是戎克品 (Junk)，標回來時本來就沒有太高的期待，基本上是為了他是 Minolta 第一台傻瓜自動相機才收的。
這次用的底片也是人家給的從日本來的過期片，應該是跟 Fujicolor 100 是同樣的吧，不過只有 24 張。
一開始裝上電池時至少也已經確定閃燈不閃了(有充電的聲音，搞不好只是燈泡壞掉而已)，所以其實是半信半疑的隨手試了這一卷，洗出來的照片會讓人大呼，賺到了，這是一台可用的戎克品啊！哈哈！測光和對焦都在正常的狀態，而且似乎很懂我按快門當下的心意，未來應該會多帶他出門吧。
討喜的一點是，因為這台仍然維持了手動過片而不像 Canon、Nikon 的初代傻瓜機就都用馬達在過片，所以相對來說，Minolta Hi-matic AF 除了過片安靜(手動過是能多大聲)，手動過片硬是可以多拍好幾張，24 張的底片拍到 28 張，唷呼！
實拍照片》
其他本卷照片：Minolta Hi-matic AF vol.1
Fuji superia 100是舊款的(四層感色層) fujicolor 100變成三層感色層
回覆刪除Re: Grant44 <6104909737287027645>
回覆刪除感謝前輩的知識分享 :-)