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...
有一部日劇叫做 Around 40，描述的是年齡在35~44歲之間，可以用四捨五入法歸類為40歲區間的女性，我有陪老婆大人看，但這篇寫的不是這部日劇的心得。
我最習慣的焦段，剛好就是 Around 40；這麼說或許不為過，我所有拍攝的壞習慣，都是從 40mm 開始的。
DA 40 LE 是我第一顆定焦鏡，原本是接在 K10D 上等效 60mm 在用，後來才用 MZ-3、MZ-L 解放了她全幅的視野，但也從此戒不掉 40mm 焦長。
今天帶 Contax NX with Planar 50mm f1.4 出門，本能地在發現景物、拿起相機要拍的時候，必須比我自信的取景距離再退個半步，僅管這半步之遙礙不了事，但我知道，這是我體內 40mm 的壞因子在做祟。
於是，我從背包裡翻出 RF，快樂地完成我想要的畫面。
包括今天沒帶出門的 Sony A450，平時出門最常接的也是 Minolta AF 28mm，就只為了這等效約 42mm 的焦長。
我戒不掉 40mm，頑劣地拍著自以為是的風格。
底片 Around 40》
數位換算後 Around 40》
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！