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...
昨天半夜被冷醒，肚子痛痛上完大號之後，上網看了上面那一段影片，我突然一陣悲從中來，曾幾何時，姑且不論尊師重道的必要或非必要，但至少，人與人之間應該存在的基本尊重都不復存在了。 我不知道以我一個教育邊緣人的身份能夠做什麼、說什麼，因此希望以一個多作者型態的部落格，邀集教育現場的老師或任何關心教育議題的人來加入。 我也計劃，能做一系列專訪，對象是曾經就讀師資培訓體系的大學生，後來並沒有從事教職的所謂教育邊緣人，會想這麼做是因為這些人曾經距離進入教育場域十分接近，卻選擇遠離，但我設想他們心中應該對於所謂「教育」，內心裡還是充斥著一點想法和熱情。 當然，專訪的部份不僅限於此，日後希望能夠拓展至各類教育領域，包括另類教育思潮、流浪教師等等的議題，也希望大家多給我們意見。 不確定能夠走得多遠，但就從這裡開始， 教育邊緣 。