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...
就在下拍攝習慣的養成過程，定焦鏡扮演了重要的角色。藉由定焦定視角的訓練，我可以快速的決定某個場景我想使用的焦段，這在使用變焦鏡的時候，也往往能夠更快速的定位，判斷焦長是否能夠容納拍攝場景。 在二個系統的定焦鏡焦段漸漸齊全之後，我想來寫一下我挑選定焦鏡的看法，您也可以先參考我之前寫的：「 是誰告訴你一定要買定焦？ 」。底下這一篇，我想從幾個較容易入手的焦段談起，再來談一些目前尚未入手的焦段。 在此之前，這篇我仍是先以 35mm 的規格來談，另外，我必須說，事實上擁有 APS-C 規格的 DSLR 也並不是一件壞事，在許多勸敗專家勸進 35mm 全幅 DSLR 的現在，有時候我會覺得，同一顆鏡頭在底片機和 APS-C DSLR 有不同的視角，感覺上就像是擁有兩顆不同的定焦鏡，在起步時預算不足或是不想收那麼多顆的考量之下，也是有蠻高 C/P 值的。參考文章： 何謂標準鏡？ 、 何謂人像鏡？