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...
最近一連串地預約了幾本攝影集,開始了所謂拓冊的這件事。
看了看,覺得好像來了些什麼感覺,還是寫下來比較好。所以這不是書評,而是個人感受。而我很刻意地在把書還了之後才來寫,最主要是因為想在沈澱之後,將最深刻的思緒給試著描繪一遍。
我覺得,所謂大師的典範在於熱情與堅持,那是內化在他們人格中最原始而值得崇敬的一部份,有些人選擇文字,有些人選擇圖像,不過,其實他們都在傳達一個重要的意念:自信。
自信的根源來自於不間斷的吸納,使多樣的元素,選擇性的建構了你的人生,而「寫真」這件事,剛好可以同時透過圖像的停滞,留住那片刻卻永恆的瑰麗。
瑰麗,哪怕只是一楝破舊不堪的老房子,一條被棄置的鎖鍊,一個多麼困窘的行人,都在某一個時間的片段,毫不遮掩的展現華美的姿態。
姿態的描繪可以是文字,可以是圖像,可以是影片,每個人有自己喜歡接受的存在方式,形成不同的形式的作品呈現。
單張的圖片有屬於他自己的故事,匯集成冊又形成一幅記憶的卷軸,以作品做為記憶的墓園,一張張的照片則是一座座的墓碑,然後作者自言自語地完成了成長、學習、思考、探索的歷程,接著追隨者紛至沓來。
追隨者眾,而變成流行文化的一環,這對他們來說只是偶然,在你以為你開始意識到某些觀念,而他們早已遠離,不知去向。
因為每個人所處的社會、文化,皆有著極大的差異,以此為基,形塑著每個人的一生。
因為根的存在,而踏上尋覓的旅程;因為夢的存在,而有著未來的想望。
而攝影,在僥倖留住當下的瑰麗與姿態,讓人產生存在感,這將是你此生的自信。
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!