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...
天氣大好，終於該 CPL 上場的時候了！ 常逛討攝影論壇，看大家分享 CPL 拍出來的作品，天空的藍實在很美，今天天氣很好，又剛好晚班，所以早上帶了相機出門，跑到公企的頂樓拍照，拍之前都沒認真找使用方法，完全憑感覺，向來的隨性。 分享幾張今天拍的照片囉～ #1 從我家頂樓往外拍 #2 又騎車停在永福橋上搶拍 #3 公企頂樓上拍 心得： 逆光拍攝，效果真的稍差，從公企往 101 方向就是如此，但其他兩個方向就讚了！下次要在頂樓拍 101 得找個下午去拍。 並且，台北被四周圍繞的丘陵環抱著，這就是台北「盆地」了！唷呼！ 最後，轉載關於 CPL 的使用方法於下，請愛用 Google。 [資料來源： http://taiwan-photoschool.com/new_page_216.htm ] 關於 CPL CPL使用的範圍/場合 1:消除雜光 2:減光作用 3:消除水面倒影 4:讓藍天更藍雲更有型 5:消除空氣中帶有水氣的塵埃,使透明度更佳。 CPL使用的光線或角度 1:順光-佳 2:漫射光-佳 3:逆光-中 4:呈太陽90度(太陽對面) 佳 5:呈太陽45度-佳 6:對著太陽或附近--差 如何由轉動CPL來看出有否達到效果? 當拍攝主題表面雜光被消除部分或一半或全部,通常會變稍暗一點 CPL會不會老化? 雖然是會但不會很明顯,一般而言用個10年應不會有問題 使用CPL時護鏡要不要拆掉 鏡片越多越會有折射現像最好拆下,且較不會有暗角產生 偏光鏡要如何轉? 最好是逆時鐘轉,順時鐘會越轉越鬆導至偏光鏡掉下來 CPL 網路賣場價格參考：