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...
一般在面對高反差場景時，習慣上會在鏡頭前加上漸層濾鏡，以降低反差。
常見的應用時機通常就是在藍天白雲與地景之間的反差高時，地面曝光正確，天空就過曝；反之天空若曝光正確，地景就會不足。
除了之前用過 Photomatix 來做 HDR，將三張或五張曝光值不同的照片合併，如下圖。
還蠻簡單的，反正就是調整 EV 值，如：-1，0，+1 拍個三張，然後再用軟體合併起來，現在的 DSLR 很多在機身都內建了這項功能，你也可以直接使用機身的 HDR 來處理。
先看看編輯前後的差異，我減少了上半部的亮度，加高了對比及飽和度，使得藍天更藍，白雲也能顯得更為立體。
首先進到編輯相片
點選漸層濾鏡的按鈕
底下是處理前的原圖，在圖片任一處加入一個漸層，你可以拖拉旋轉漸層的角度和廣度，視你的需要調整漸層的變化。
預設上方是改變數值的區域，也可以拉大漸層的範圍，或者旋轉 180 度而變成上方不變，改變下方的漸層，當你隨時想要比較加入漸層前後的差異，也可以按上圖中左下方的按鈕。
在這個漸層濾鏡裡，除了亮度和曝光值外，你還可以調整顏色的對比度、飽和度等參數，也可以同時加入多個漸層。
隨手加了兩個漸層之後，最後的成果如下圖，很容易吧！
另外還有底下這張
加了三個漸層的處理成果圖如下
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！