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...
這個動畫做得很好，很清楚地介紹了 Google 街景是如何拍攝，以及如何注意您的隱私(塗掉車牌門牌等等)，不眠不休的動畫街景車，很可愛也很辛苦哦，二十四小時都在忙耶！
還沒試過嗎？落伍囉！台北已經有不少地方有街景囉！
Google maps 的使用方法，則是把黃色小人拖拉到馬路上，有出現藍色框邊的即表示該路段有街景圖哦！
好啦，簡單介紹到此，慢慢玩吧！我同事玩了一個上午在找他家還有朋友家附近的街景，很妙！
為自己增加一份收入是需要？還是必要？
回覆刪除目前網路上最值得經營的事業
不用靠你的人脈與口才 不用你去進貨與送貨
由此進入觀看這份迷人的商機 ～> http://hyesung.weebly.com/
★ 謝謝板主的閱讀，如這訊息打擾到您，煩請將它刪除，祝事事順心! ^_____^
謝謝您的資訊
回覆刪除