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 139Q with Planar 50mm f1.4 AEJ
使用底片：Fujifilm X-tra 400
沖掃店家：公館五色鳥
先到了阿里磅生態農場》
位在石門，假日如果要用餐及參加套裝行程，要事先電話預約，不要像我們臨時起意去，不夠深入也沒有人導覽，這樣會比較沒有收穫，有小孩子記得要有防蚊措施。
詳細可以參考阿里磅農場的教學活動網頁：http://www.albefarm.idv.tw/03.htm。
金鈴花
農舍附近的天鵝擺飾，是他們自己用電窯燒製的
隨處可見自然生態
無為的池塘，農場秉持「無為就是對環境最佳作為」
中途休息的地方
離開農場，在石門婚紗廣場休息一下》
看別人在拍夕陽
晚餐在富基漁港吃海鮮》
飯前飯後隨手拍幾張，又沒拍食物。
本卷其他照片：Contax 139Q vol.5
好讚的鏡頭！好棒的相片～～
回覆刪除Re: applepeel <5772527238261890288>
回覆刪除這卷殺得有點太快，出來的東西我反而不太有 Fu 說真的。
作者已經移除這則留言。
回覆刪除可能我不在現場，看起來相當好～
回覆刪除現在我連拍數位機身，也都慢～慢～拍
Re: applepeel <3248575489942969600>
回覆刪除可能也不全是快慢的問題，是個人感覺，或許是期望太高所以失望更大。
來來來，跟我一樣，都不期望，一陣亂拍～～
回覆刪除Re: applepeel <5309703561612604626>
回覆刪除是，長官！
XDD~
回覆刪除