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 SRT-101，Minolta MC ROKKOR-PF 58mm f1.4，Konica Centuria Super 200)
使用相機：Minolta SRT-101，MC Rokkor-PF 58mm f1.4、MC Rokkor-SG 28mm f3.5、MC TELE ROKKOR-QD 135mm f3.5
使用底片：Konica Centuria Super 200 過期原裝片
沖掃店家：永和華昇
這卷用了三顆鏡頭，分別是 28mm f3.5、58mm f1.4 以及 135mm f3.5，Minolta SRT-101 在高反差場景的表現蠻不賴的，高光環境下的前景，不至於有暗到看不見的情況。兩顆 CdS 測光元件分區來測光的設計，耐操的機身，品質精良又完整的鏡頭群，所以 SRT-101 可以有連續生產十年的熱銷好評。
這幾顆 Minolta 老鏡頭有讓我印象深刻的好品質，特別是幾張有拍到車輛反射出的烤漆光澤，覺得還蠻棒的；無論是銳利度和散景，都有一定水準，再加上長期因為不易轉接的原因沒有被炒高的價格，是讓我開始玩 Minolta SR Mount 老鏡的原因。
另外是微菱對焦屏，本來覺得稍微比裂像不確定，後來也習慣了；一開始沒注意到 SRT-101 的測光指示是反過來的，尖指針在下反而是過曝，在上則是不足曝，因為我想要稍微過曝一點 (因為是用過期底片)，所以後來用 58mm 拍的那幾張算是比較合我原來的想法。
目前在轉接數位的部份，無反光鏡的 EVIL 是首選，包括 M4/3、NEX 和 NX，轉接環都不需要鏡片去修正光路，要不然就是改鏡一途，查了一些老鏡論壇的討論串，有提到幾顆 MC 鏡成功改成 M42 的例子，這倒是以後可以試試的方式，改成 M42 Mount 可以換來較廣的轉接用途，不過就沒辦法跟原來 SR Mount 的機身做全開光圈對焦測光使用，只能光圈跟著縮，小光圈對焦就會暗很多，比較不方便。
這次是去華昇沖掃的，去拿的時候順便跟老闆聊了一下他以前手沖捲片的經驗，有傳授了一個關鍵的金屬捲片軸捲片知識，下捲自己沖的時候希望能夠提高成功率。
用 MC Rokkor-PF 58mm f1.4 拍的》
用 MC Rokkor-SG 28mm f3.5 拍的》
用 MC TELE ROKKOR-QD 135mm f3.5 拍的》
其他本卷照片：Minolta SRT101 vol.1
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！