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...
(攝於金華街 Happy 廚房，泰式打抛肉，Minolta 707si，Minolta AF 28mm，Fujifilm X-tra 400 增感一格)
使用器材：Minolta 707si，Fujifilm X-tra 400 增感一格
沖掃店家：公館五色鳥
很意外的，這一卷拍了很多食物。
Minolta 707si 和 Minolta AF 28-80 f3.5-5.6 (D) 到貨的那天，剛好是公司的尾牙，Minolta AF 28mm 到貨那天，剛好跟老婆去試對面新開沒多久的 Happy 廚房，所以這卷幾乎成了食物專輯。
尾牙辦桌，海鮮滿桌，希望龍蝦頭跟雞頭的功用不一樣，不然我就要被 Fire 了。底下四張是 Minolta AF 28-80 f3.5-5.6 (D) 拍的。
Happy 廚房的東西不錯吃啦，店內氣氛也不錯，自取的飲料杯子用的是馬克杯，這樣店員洗起來一定很累。拍第四張的時候還沒什麼人，後來整間店就高朋滿座了，但我吃飽喝足懶得再拿起相機了。底下五張是 Minolta AF 28mm 拍的。
同事的狗，丁丁，這就不是吃的了。
(Minolta 707si，Minolta AF 28mm，Fujifilm X-tra 400 增感一格)
Minolta AF 28mm 星芒測試，十四星
(Minolta 707si，Minolta AF 28mm，Fujifilm X-tra 400 增感一格)
回台南的時候，拍了幾張老媽的陽台花菓菜綜合園圃。底下三張是 Minolta AF 28mm 拍的。
留言
張貼留言
回應不用錢，請多多益善！懶得寫字按個讚也是相當感謝！