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...
這台 EF-M 是 EF-1000 閹割掉自動對焦的機身，不管你接什麼鏡頭都是手動對焦，最大的優點是同樣的 Canon EF Mount 接口和配備了裂像微菱對焦屏，我們都知道 Canon EF Mount 在轉接上的優勢，這台 EF-M 又配備方便手動對焦的裂像微菱對焦屏，是玩老鏡轉接的好朋友。
第一次使用 Canon 的底片單眼，裝底片進去時，發現他是先把底片全部捲出來，拍的時候才一張一張退回底片殼，計數器也是倒數的，有人說這樣的好處是拍的過程如果不小心開了底片蓋，拍過的因為已經都退回底片殼，所以死掉的只會是沒拍的那些。
國外有一篇把這台 EF-M 的對焦屏改裝到相容機身上，可以參考：Installing a Canon EF-M split-circle viewfinder screen into an EOS camera。
Made In Taiwan
Canon EF 機身規格
規格資料來源：www.mir.com.my - CANON EOS EF-M
- 快門速度：1/1000 ~2秒，同步快門1/90秒，支援B快門
- 觀景窗視野率：90%
- 觀景窗放大率：0.75X
- ISO：手動設定－6 ~ 6400，DX Code－25 ~ 5000
- 測光模式：分區測光 (三區)、中央加權測光、局部測光
- 曝光模式：P 模式、光圈先決、快門先決
- 對焦屏：水平裂像微菱
- 使用電池：2CR5 6V
- 對焦屏：水平裂像微菱
- EV 增減：±2，1/2 級進
- 測光範圍：EV +2 ~ +20
- 自拍：10 秒
- 體積重量：148mm x 96.3mm x 68mm，390g
說明書下載：www.butkus.org - canon_ef-m
相關連結：
- 色影無忌－Canon Film SLR 比較
- PhotoNotes.org－Using the Canon EF-M - an unofficial manual
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！