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...
在您調整好一張照片，並且喜歡這個風格，或您套用了原廠或下載下來的 Preset，想要微調並存成自己的風格，底下順便提一下，如何製作您個人的 Preset，並匯出成 lrtemplate 跟別人分享哦！ 首先， 最上方工作區切換到「編輯相片」模式(英文版為 Develop) 然後到左手邊的工具欄，按下預設集旁邊的「+」，會跳出新增預設集的視窗 填上您要的預設集名稱，並選擇想要放置的預設集資料夾，一般為了與原廠的區隔，都會放在使用者預設集，或者您也可以新增別的檔案夾名稱，底下的設定，表示您這個 Preset 是用來處理哪些參數的，全部選的話，當您套用這個 Preset 時，所有參數就會全部套用，您可以針對某些參數做一些分類，方便不同的用途，不過若您第一次使用，全選吧，反正之後可以改，別擔心。 很簡單吧！這樣就產生你的第一個 Preset 囉！你可以用另一張剛匯入未做修改的 RAW 檔，套用這個 Preset 試試。 如果你不滿意這個 Preset，你可以做一些調整，然後在剛剛的 Preset 名稱上，按右鍵，在選單上選擇「使用目前設定更新」，之後的步驟就像新增 Preset 時一樣。 當你覺得很滿意了，想要跟別人分享這個 Preset 時，您可以一樣在 Preset 名稱上按右鍵，選轉存，就可以匯出成 .lrtemplate 檔了！