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...
前年底搬進來現在住的公寓時，是一間空屋子，所以剛好給了我們到 IKEA 大肆選購自己喜歡的家具的好機會！
左邊這張就是當時在空空如也的客廳，組裝組到睡著時，老婆拿我的手機偷拍下來的照片。
去年結婚時，岳母送了我們一組全新的柚木的沙發，所以就取代了原來 IKEA 的沙發成為主沙發，把 IKEA 那一組移到側邊，隨著小孩子的東西愈來愈多，幾乎變成了堆放雜物的地方。
趁著小學生的暑假結束前的這個美好的禮拜六下午(應該是在趕暑假作業吧！各位同學)，把客廳改造成適合 Angel 活動遊戲的空間，把這組心愛的但卻閒置已久沙發給拆了。
Angel 很會挑時間，在我們開始組裝巧拼的時候，她趁機睡了個午覺，我想她是想等她醒來再來驗收吧！
完工一半的時候，Angel 有偷偷地醒來一下，看我們還在忙，悻悻然地繼續睡了！
完工時，客廳變得好空曠啊，簡直就是「巧拼海」啊！
對於客廳桌子還有沙發角度的安全措施，Angel 先進行了驗收的作業。
很自在地在這片巧拼海中徜徉！
挑自己想看的書，也很方便哦！
她監工相當仔細的！想知道我們組裝巧拼時地板有沒有先弄乾淨！專業！
這組巧拼可以讓 Angel 在上面遊戲，有類似地圖的設計，感覺應該會蠻有趣的！接下來，就讓我們善用這片訓練場地！寶寶爬行比賽，我們 Angel 來囉！！
哇
回覆刪除拆了阿
看起來很寬敞
對啊, 空間變得好大哦!!
回覆刪除對了 就是這樣
回覆刪除恭喜交作業了
耶
ㄎㄎ, 果然是快開學才寫暑假作業!!
回覆刪除