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，自 1985 年推出全世界首台自動對焦單眼相機 (AF SLR) ：Alpha 7000 開始，「創新」一直是代表著 Minolta 的品牌精神，一直到第五代 AF SLR 率先推出 Alpha-9，之前四代都是以「7」做為首台機身的代號。 第一代：x000 系列 (如 7000, 9000, 5000) 第二代：i 系列 (如 7000i, 8000i, 5000i, 3000i, 7700i, 3700i) 第三代：xi 系列 (如 7xi, 3xi, 5xi, 9xi) 第四代：si 系列 (如 707si, 507si, 807si, 600si, 800si) 第五代：單位數系列 (如 9, 7, 5) Minolta AF SLR 在北美洲使用的名字為 Maxxum ，在歐洲的名字為 Dynax ，在日本的名字則為 Alpha ，而這些不同地區的相機型號皆由 Minolta 設計製造。 Minolta 曾引進一些創新功能，在幾年之後更全部成為業界標準。由 Minolta 首先推出並成為標準的功能包括：多重測光感應器及多重自動對焦感應器、自動閃光平衡系統(automatic flash balance system)、無線鏡後閃光控制(wireless TTL flash control)、鏡後控制全時閃光同步功能(TTL controlled full-time flash sync)及快速控制快門及光圈值的前後滾輪等。 由 Minolta 推出的特別功能則包括：互動式液晶觀景器(interactive LCD viewfinder display)、初始記憶設定(setup memory)、攝影程式擴充卡(expansion program cards 己停產)、眼啟動功能(eye-activated startup)及紅外線膠卷數量計(infrared frame counter)等。 資料摘錄整理自： Wiki: Minolta