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...
也忘記是什麼時候晃到那裡，就訂閱了，裡頭有豐富的攝影知識，我逛過之後整個人明顯變高，身體也變壯了，自信心又回到了我身邊！喝呀！
最近就投了幾篇相機介紹的文章，很開心地登上了 Photalks 的版面，Photalks 那裡還比較多人去看咧 :-(
有興趣成為 Photalks 的一份子嗎?
一起來寫寫文字,
和其他朋友分享您的拍攝心得吧 :-)
雖然... 來稿未必一定會採用
雖然... 來投稿不會有稿費 (笑)
有興趣的朋友可以看看這兒, 請多多支持喔!
From：http://photalks.com/%E6%9C%89%E9%97%9C-photalks
Photalks 也有臉書上的粉絲頁面，請大家多多支持，最近有 Life 照片募集的活動，您也可以試著依主題去投稿看看，十一月底截止。
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！