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...
博客來內容簡介
最在地的攝影眼，最實用的風景攝影技巧
台灣擁有豐富多變的高山地形與氣候，因此十分適合風景攝影；晨昏、星空，乃至於高山、溪瀑、湖泊、老樹奇石、花草動物…… 這個四季常春的亞熱帶島嶼既有如詩如畫的雲霧美景，也有專屬於北國的紅葉與雪景，確為風景攝影的寶庫。而大景無言，我們該如何走進大自然，才能充分掌握住眼前所見每一分感動？
2009年DCView 100金獎桂冠得主 — 蘇聯ㄟ老師，將以其豐富的風景攝影實戰經驗，與讀者分享最實用、最在地的攝影技巧，將13個最受歡迎的風景攝影主題一網打盡，從拍攝步驟、構圖技巧到拍攝注意事項，均毫不藏私大方公開；拍攝之後，風景攝影必備的數位暗房技巧與檔案管理術，蘇聯ㄟ老師也以過來人的經驗提供完善解決方案，讓讀者得以為辛苦獲得的攝影成果畫龍點睛、永久保存，心血結晶不漏失。書中並另提供翔實的登山與行前準備資訊，幫助讀者自行規劃行程，上山獵景去。
作者：蘇聯ㄟ blog，內有很多精彩的文章跟作品！大推！
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！