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...
(攝於台北凱薩大飯店，政大公企網路學院 9905 期末謝師宴，Sony A450，Minolta AF 28mm)
這次拍，一開始就打定主意只用一顆 28mm 拍完全程，我對這個等效約 42mm 的焦段很有信心，這是我平時最習慣的焦段。
拍攝之前，本來還想將 Minolta 5400HS 給設定好，但覺得會來不及捕捉大部份動態的活動，特別是在場子熱起來之後，得滿場跑著一面拍舞台上的表演，一面拍各桌之間的互動，所以放棄了閃燈，改依賴 Sony A450 的高 ISO，ISO 設定為 AUTO，至少都用到 ISO 1000 以上，但由於圖片大小的需求不高，在縮圖之後基本上都算是 OK 的照片，光線也比較自然。
這次用了很多將相機高舉盲拍的手法，由於是沒有 AF Liveview 的 A450，所以基本上只依賴著直覺手感，這樣的視角可以大量地捕捉人群互動的氣氛，特別是敬酒時的各種表情，相較於前次拍攝的經驗，感覺這次照片裡互動的氣氛提升不少，在舉杯的同時也把相機舉起，感覺就像是也跟著大家一同舉杯，那個氣氛才能同步吧！
這次的場地比起前次大很多，活動也比前次豐富，很感謝老師們和每一位學長姐的熱情演出。
其他照片：政大公企網路學院期末謝師宴(9905期)
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！