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...
(圖片來源：DxOmark)
NEX-7 跟 A77 使用的是同一塊 APS-C 感光元件，但在 DxOmark 的評比中，NEX-7 的整體數據表現卻皆優於 A77，高 ISO 的表現嬴蠻多的，與全幅的 A900 相比，也只有在高 ISO 的部份輸掉 (應該是感光元件片幅尺寸的關係)。
想看詳細資料可以點上面那個 DxOmark 的連結。
所以，買 NEX-7 吧？還是等 NEX-9 呢？會有全幅的 NEX 出現嗎？
網路商城參考價格：
問題應該是A77那片半透明反光鏡
回覆刪除另外看A580 一整個CP高啊 XD
Re: Yuchen <1360601977518514313>
回覆刪除嗯，這個說法國外有討論耶，還有人拆下來在試，現在整個就覺得 SLT 那片半透明鏡很多餘，乾脆就改成像 NEX 那樣，連那片都不要算了。
A580 不錯呀，末代 Sony DSLR 耶...