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...
跟我同年紀，這是 Minolta 第一台自動對焦的傻瓜相機，與 Konica C35 一樣，Minolta 也沿用了手動 RF 時代的 Hi-matic 名稱，著名的像是 Minolta Hi-matic 7SII、Hi-matic E，都是我正在尋找的物件。 這台的品項稍差了些，整個外觀蠻髒的，大致清潔了一下。裝入電池，觀景窗內有四個圖示，是用來標示相機到拍攝物的距離 (中央對焦)，分別是山、三個人、一個人、和半身人四種，山表示無限遠，半身人代表最近對焦距離，約 1 m，若同時兩個相鄰的圖示都亮了，表示距離在兩者之間，這個部份實際測試感覺是正常的，因此大概只剩下實拍之後才能確認 CdS 測光是否仍正常了。 Minolta 在 Hi-matic AF 之前 (1978) 推出的 Hi-matic S 即內建閃燈，不過 Hi-matic S 為手動對焦，鏡頭為 Rokkor 38mm f2.7，另外 Hi-matic S2 則是 Minolta LENS 38mm f2.8，光圈差這個 0.1 不曉得是在差什麼的，也不曉得為什麼沒有 ROKKOR 標示，而 1979 的 Hi-matic AF 則可以視為 Hi-matic S 加入自動對焦功能，鏡頭有 ROKKOR 字樣，不過光圈則是和 Hi-matic S2 一樣的 f2.8。