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...
昨天把 ZOG 的 Menu 做了一些改變，原本的 menu 塞了一個 Label Gadgat 進去，在上方加了一個下拉式的 Menu。
採用的是 Apycom 的 jQuery Drop Down Menu，可以免費下載，條件是不得用於商業網站以及要加上 http://apycom.com 的連結。
大致上用到的效果是兩個 jQuery 的 plugins：lavalamp 和 easing，都已經包在下載下來的 menu.js 裡，也有範例的檔案，應該是很容易學習的，你也可以修改 css 成你要的樣式。
不過 lavalamp 跟 fancybox 會沖，所以我在 ZOG 是選擇沒用到 lavalamp 的 menu。
至於 back link，你可以加在任何一個地方，然後用 CSS 藏起來。
<span style='display: none;'><a href='http://apycom.com/' target='_blank'>Apycom jQuery Menus</a></span>
apycom有版權問題
回覆刪除而且會有一些畫面控制上的問題
Re: 張貼者 <895224964738169135>
回覆刪除的確，我後來也不用了。