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...
年初到博漢區幫老婆買 Panasonic LX3 的時候，順手敗了顆 Sigma 30mm f1.4 for Pentax，誰知道，還不到一個月就在我突然想換 Kit 鏡出門的時候，猛地發現光圈的其中一個葉片晃呀晃的～趕忙查了一下恆伸的保固，禮拜五寄到了台中去，扣掉禮拜六日兩天，我是下一週的禮拜二收到了鏡頭，感覺是蠻迅速的，只不過，原廠組裝品質也實在是讓人不敢恭維啊，在一切正常使用的情況之下，居然會發生這種情況。
我本來是要問 Sigma 28mm 和 24mm 這兩顆，因為有 Macro，不過 30mm 在網路上的評價都不賴，除了沒有 Macro (最近對焦距離40cm)和中央以外的畫質軟軟的，還有很大顆(我真的很懷念借來用的 Pentax FA 31mm Limited)，但跟 Limited 比起來，30mm 這顆實在是比較接近我現在買的下手的價位，拍出來的照片對我這種眼殘的入門業餘攝影師來說，也實在夠了，所以還是就決定買了這一顆。
有這次的經驗，基本我對恆伸的印象算是還不賴，PFC 上有許多討論，大致上的結論都是原廠的東西雖然不怎麼樣，但是恆伸保固至少有三年，算是比很多廠商有誠意，不過我想維修點是不是該照顧一下北部跟南部的攝影同好們啊，這麼多年了，拓展維修點應該不是太難的事吧，有時候要花時間跑郵局一趟，還要擔心鏡頭這東西寄出去會不會自己沒包裝好，更遑論有人是寄機子要調焦了，實在是不太方便的說～希望廠商們要多重視對消費者的服務，才能建立品牌忠誠唷！
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！