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：Fujicolor Superia 400 過期原裝片 12 張，拍 200 沖 400，D76 (1:1) 8分 25度
沖掃：自己沖，自己掃
純粹是因為只有 12 張的彩色負片，送店家沖掃要花跟 36 張底片一樣多的錢，所以一開始就決定這卷拍完要用 D76 沖看看，時間的話，大致上是用 Tri-X 400 的數據，因為水溫高又懶得弄冰塊降到 20 度，自己酌減了一下顯影的時間。(我用手動過片的相機拍，硬是多了 5 張)
彩負用黑白藥水沖完，底片並不像黑白底片那麼透，好像有一層深色的底層，得透過光才看得到負片的影像，試著掃描倒是還 OK，掃得出來也沒什麼調，TIFF 出來之後直接傳 Flickr (Flickr 可以支援 TIFF，並且也會自動產生各種尺寸的 JPEG 檔，還蠻方便的)。
照片就隨便看看，只是好玩而已。
其他本卷照片：Minolta Hi-matic AF vol.4
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！