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...
因為以前拍過華光社區的一些照片，網友從網路上找到並希望我轉貼這個比賽的訊息，希望關心華光社區的朋友們踴躍參加。
活動訊息：一瞬「華光」，永恆記憶！華光社區影像 徵件中 !
拿起相機，前往華光社區復刻不變的台北記憶。彎曲小巷裡的日式平房，伴著菜飯香的炊煙，在屋簷上漫步的小花貓，談天乘涼的街坊鄰居……每一個角落都有秘密，每一個畫面都有故事。
華光社區即將拆遷，藉由影像，我們以剎那看見永恆，以他人之眼凝視每一片記憶裡的馬賽克，喚起地方認同，也找回屬於華光的風采。
主辦單位：文化研究學會、華光社區
協辦單位：大安社區大學、水田部落、紫藤文化協會、東鉅有限公司
活動網址：台北市華光社區
活動時間 攝影展影像徵件：即日起至100年5月16日 (郵戳為憑)
徵件注意事項與報名表下載： http://0rz.tw/CMKm3
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！