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...
很少認真看 Sony 出的相機，不過自從 Sony 承繼了 KM 推出的 DSLR 之後，偶爾會看一下 Sony 新機的相關資訊，八月份出了 TX1 跟 WX1，其中 WX1 的 24mm 廣角以及 F2.4 的大光圈，加上很特別的全景模式，自動將照片連接成一張全景圖，這兩個部份個人相當喜歡，加上不算貴的價格，很有吸引力！
DSC-WX1特色－
(規格及圖片來源：http://article.dcview.com/newreadarticle.php?type=7&id=7790)
- 搭載使用1/2.4", 約1060萬像素Exmor R CMOS影像感測器
- 最大成像10M(3,648×2,736)
- 藉由Exmor R CMOS影像感測器，以及BIONZ影像處理引擎，達成高畫質、高感度
- 感度可以達到過去的二倍，雜訊只有過去的1/4
- 5X光學變焦鏡頭
- 最大光圈F2.4(W)-5.9（T）
- 相當於傳統相機24-120mm焦長
- 廣角達到24mm
- 高效能，每秒可以拍攝10張影像
- 最大256度的寬景拍攝
ISO範圍:自動/160/200/400/800/1600/3200 - HD高畫質720P短片拍攝，採用MPEG-4編碼
- 先進的臉部辨識、臉部登錄、微笑快門、高動態範圍、逆光補正, 運動檢出, 寵物模式..等功能的支援
- 智慧的自動拍的美功能
- 內部記憶體約11MB
- 2.7" LCD,
- 大小90.5×51.8×19.8mm
- 重量120g
網路賣場價格參考
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！