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...
使用相機：Minolta Alpha 707si，Minolta AF 28mm f2.8
使用底片：Fujicolor 100
沖掃店家：公館五色鳥
這一卷在一天內完成，拜當天的好天氣之賜，看到了蘇花公路壯闊的風景，深深覺得只有 28mm 的廣角是無法表現心中真正的印象，透過觀景窗看出去，只能切下那豪邁大景的一個小角落而已。
這趟宜蘭花蓮行，來來回回總共走了蘇花公路四次，還好最後一天禮拜一回台北的時候放晴了，加上回程是靠海的那一邊，於是慢慢開，停在幾個可以觀景的點休息順便殺殺底片，後座的兩位乘客幾乎都是疲累的狀態，只有身為駕駛的我，看著這公路上的風景，好像一點不覺此行的疲累。
沿途經過澳花、和平，突然有一種好懷念的感覺，當我還是大山隊新巴洞的時候，跟著學長姐到了澳花出隊，那是我第一次走入部落，也從此愛上山，很想轉進去澳花看看，但旅程實在太趕，也許下次吧！
有機會還是很想多到蘇花走走，只不過可能兩位乘客都會搖頭 Say No 吧！
壯闊的海洋
能見度高的時候，太平洋上正在下雨的雨雲
沿路有設立觀景台的地方，常常也是停留休息，看看風景的好地方
一個又一個的隧道，險峻的山壁
有些正在進行山壁補強的施工路段會是單線通車，辛苦的工人們在危險山壁工作
配上風景，拍張照，感覺後面是巨幅的風景佈景一般，太美麗而以為不是真的
其他本卷照片：Minolta Alpha 707si vol.8
我也很愛蘇花公路的景致，好想再走一回啊！^^
回覆刪除忙線大的留言真是蓬蓽生輝啊！
回覆刪除蘇花真是很漂亮的地方^^ 只不過我看得很爽，後面兩位乘客累慘了 :P
在下也覺得拍的好漂亮 ~
回覆刪除東部地區的風景更是棒啊
風景怡人，功力很差還是怎麼拍都好看，最主要是要沿路找點，會比較累一些。
回覆刪除而且我覺得應該還有一些要冒險下去的點會更棒，從公路上往下拍好像還差了點感覺。