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...
誠心推薦這本: 一定不一樣! DSLR 風景這樣拍就對了 書的類別有很多, 有些是屬於聖經級的書, 從最簡單到困難, 企圖涵蓋所有顧客群, 書很厚很厚一本, 但往往沒法仔細看完整本, 也很難隨身攜帶。 流浪貓大大的這本書, 我個人認為全沒一句廢話, 仔細翻閱, 你能了解作者的用心, 簡單來說就是把全套攻略教給你, 就等你自己去破關了。 書中很簡要的提示你什麼樣的場景, 需要應用要到哪些器材, 甚至連會出大景的天候條件和時刻都寫的相當清楚, 作為一本隨身的攝影工具書, 這本書再稱職不過了。 基本的攝影構圖和曝光的觀念, 相信大家多少都能從網路中找到資訊, 唯獨這本用精要的語句, 從器材的準備, 到實際拍攝要領的撰寫方式, 帶到太多珍貴的觀念跟技術, 很值得擁有的一本書。 作者參考: 作者部落格之新書介紹 買書可上 博客來 ！