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：Contax NX with Contax N Planar 50mm f1.4
使用底片：Fujifilm X-tra 400
沖掃店家：公館五色鳥
這一卷刻意都用 Contax NX 的 P 模式拍攝。測光的部份，幾卷下來我在測光的部份都是使用點測光，另外在 CF 設定的第二項改為 Setting 1 (半按快門 AE Lock)，省得再切到 AE Lock (雖然 NX 的 AE Lock 算是蠻好用的)，整體來說很符合我的拍攝習慣，出來的照片也能達到我想要的測光理想。
不過僅管 NX 這麼順手，我還是很少帶他出門的原因就是，鏡頭太重又太耗電了，除了這兩個缺點，我實在找不到這台相機有什麼值得批評的地方。
底下幾張在復興高中拍的
下面右手邊那張的光斑擋在太中央的位置了 (不曉得是因為忘了把遮光罩裝起來還是濾鏡的關係)，很可惜，不過在這種大逆光的情況之下，還是看得出這台 NX 跟鏡頭的實力。
Angel
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！