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...
(Contax 139Q，Planar 50mm f1.4 AEJ，Fujifilm X-tra 400)
正在唱生日快樂歌。
沒怎麼刻意的訓練，但相當訝異 Angel 學習旋律和發音的天賦。
忘記從什麼時候開始，她就已經會唱英文版的生日快樂歌，英文發音咬字比我還正確，強大。
有一陣子馬麻拿了本童謠歌曲的繪本回家，但沒有 CD，所以 Angel 沒事就會找來那本歌本，快速的翻頁選歌要我唱 (大概是她記憶裡還知道小時候是我在擔任真人伴唱機吧？)，後來有些歌曲旋律可能已經熟了，熟到看到繪本上的圖她大概已經知道旋律的狀態，就會快速地翻走要我唱另一首。
話說，那歌本裡的歌蠻久沒唱了，三不五時她給自己起個音，唱了起來，怪的是詞跟旋律怎麼都記得？
有影片有真相》
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！