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...
(軟絲仔，Panasonic LX3)
不知道跟保羅有沒有關係。
(攝於永和．民生壽司，Konica C35 Automatic，Kodak UltraMax 400)
今天我一如往常地到民生路上的民生壽司日本料理店買晚餐，點了五味章魚。
老闆娘說：沒有章魚，軟絲仔好不好？
雖然以前查過，說實在的一時之間也很難想不起來有什麼不一樣，反正有東西吃都好。
底下的資料給想認真了解章魚、魷魚、烏賊、花枝、軟絲、中卷、小卷他們有什麼不同的捧油參考。
知識+的解答：http://tw.knowledge.yahoo.com/question/question?qid=1609042003050
簡言之，他們是頭足綱親戚，除了章魚屬八腕目，有八支腳，其他則是十腕總目，多了兩支腳。
也可以參考底下兩篇部落格文章：(或自己問 Google)
http://blog.yam.com/larle/article/25381915
http://blog.xuite.net/dinokiki2/dinokikiblog/26754158
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！