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...
(Minolta Hi-matic CS，Konica Centuria Super 100 過期原裝片，減感半格正常沖)
關於華光社區，摘自：http://blog.roodo.com/taipeihuaguang/archives/13653243.html
華光社區的轉變與當時台北市息息相關，隨著周邊環境的發展，華光社區的變化也是受到外部變化所致。依居民指出，日據時期的華光社區原先是一片沼澤，外面還有護城河。民國以後政府因襲將之作為台北看守所，附近周邊皆是稻田。至於看守所的搬遷，則因為當時周邊已漸漸繁榮，政府也打算在舊名為營邊段的中正紀念堂提出台北第二商業中心計畫。在經歷時代轉變，周圍高樓大廈的建起，華光社區的更新發展延宕，發展對比下更顯強烈。
從邊緣性轉變到中心性，華光社區的人口遷出、搬入，看到華光社區不僅僅是現在景象，在試圖擦拭模糊的面貌，從華光社區特有脈絡裡看到了從一道道牆的築起、分隔，慢慢形成今日的聚落。
更多華光社區的新聞報導：
http://blog.roodo.com/taipeihuaguang
http://udn.com/NEWS/DOMESTIC/DOM2/5815274.shtml
http://www.peopo.org/portal.php?op=viewPost&articleId=64840
散步拍的照片》
這次只走了愛國東路以南的半邊，底下是網友熱心分享的 Google Map
在較大的地圖上查看大安區華光社區
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！