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...
Angel 扶著的那台就是了，我很喜歡這台運作時的還不算太吵，也不會太佔空間，我們的衣帽間不大但太亂了所以就不拍全貌了，不佔空間又輕這個優點對老婆來說還蠻重要的，老婆也常常用這台的排風口把突然下雨還沒晾乾的衣服放進衣帽間烘乾。
當初會選這台，主要是因為象印這台 RV-JBF60 是沸石式除濕的技術，而不是以前我們用的那種冷媒除濕機，冷媒除濕機的原理其實跟冷氣是一樣的，差別是在冷氣把熱風往外排，而除濕機只是把熱風直接排出來在同一個空間。
發現最近好像有特價，比我之前買得還便宜說，而且賣場還有 18 期 0 利率，所以跟大家分享一下。
原價$11990↓限時狂殺
象印輕巧型沸石式溫風除濕機(RV-JBF60)
- 體積輕巧，收納便利
- 除濕度指標一目瞭然
- 10㎡~21㎡除濕面積
- 82分鐘衣物快速烘乾
- 無冷煤沸石式除濕
商品特色：
1. 超輕量5.3Kg，無冷媒又環保的沸石除濕。
2. 竹炭除臭及綠茶兒茶素防霉的過濾網。
3. 82分鐘快速烘乾衣物。
4. 6大安全設計自動停止。
5.( 3 )/ 4 / 6 H定時運轉設計。
6. 135度超廣角的風口，烘乾 / 除濕更透徹。
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！