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...
數位暗房是什麼？能吃嗎？ 相較於傳統底片攝影的暗房沖印，師傅利用藥水的調配來定調沖洗出來的相片，像是正片沖負可以出現極鮮豔的色彩；進入數位時代，對於影像的編修皆可算是數位暗房的範疇，然而，這卻常是存在爭議之處，原因在於相較於底片時代，數位時代裡一張完美的照片造假的可能性極高，參考今年四月的新聞： 嘉義市去年國慶煙火攝影比賽的得獎作品造假 。 於是往往有些人會將後製與造假劃上等號，但這又過度污名化這項技術了。事實上，透過電腦軟體去處理由 CCD/CMOS 紀錄下來的 RAW 檔，是讓數位產品發揮各自的專長。所謂相機 JPG 直出的過程，即是由機身內部運算晶片來處理；拍 RAW 檔，則是讓相機的 CCD 專心紀錄影像的原始資訊，將相片產出的過程就交由專屬軟體來處理。 因此在數位時代，事實上， 沒有任何一張照片是沒有經過後製的 ，差別只在直接由相機本身處理，抑或是最後再透過電腦處理。 參考資料： Mobile01：[心得分享] Lightroom/Silkypix 使用心得 ver.01 黑熊的地盤：「傳統攝影」與「數位攝影」的迷思 會讓我決定多花一點處理照片的時間，主要是因為白平衡的問題，對於 K10D 來說即使機身上可調，但我卻必須針對不同光源進行機身上的微調設定後，才能開始拍攝；其他像是曝光補償、對比，往往在拍攝過程中，相機無法完全真實地傳達眼前景色。有時攝影者想要強調的主體，透過 RAW 檔色階的調整，可以得到更迷人的影像。 我選用的是 Adobe Photoshop Lightroom，相當好用的軟體，另外 SilkyPix 也是好用的軟體，先前曾經 介紹過 。 我從幾個簡單的功能來示範：(白平衡調校 & 套用 Preset) 簡單介紹一下，我家主臥的燈源極差，只有一顆黃色的省電燈泡，再加上梳妝檯上的一盞小枱燈，也是黃色的光源，以往拍 JPG 直出時，會先調整過白平衡，再加 0.3 EV，先貼一張 JPG 直出的照片。 K10D + Sigma 30mm f1.4 EX DC (EV0, f2, ISO100) 當初會買 Sigma 30mm f1.4 主要是因為大光圈，可以提升快門速度，以利我抓取 Angel 快速變化的動作...