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...
晚餐吃魚，試了一下人家說的方法，看起來還蠻成功的，所以拍了下來。 用的方法是沾麵粉，低筋中筋都可以，薄薄一層。 然後先熱油，油熱之後魚下鍋用中小火煎，略略轉了轉鍋子讓魚片底下都有沾到油。 翻面不用急，大概是讓貼鍋煎的那一面熟透，翻面就不會破皮了。 另外還有一篇從網路上找到的煎魚技巧：(From： 周老師的美食教室 ) 一、不要在魚身上劃刀，只要用紙巾擦乾，也可抺少許鹽，但不要醃太久才煎。 二、鍋子燒乾後，放油進去，遶一圈讓鍋底都有油份後，就把油倒出來。 三、把魚下鍋，蓋上鍋蓋，用平均小火力讓它乾煎5分鐘。（時間看魚大小而定，總之要讓貼鍋的一面熟透，這樣就很好翻面，不會破皮） 四、翻面再煎3分鐘，讓兩面都熟透。（時間同樣視魚大小而定） 五、等魚全熟，把倒出來的油再加回去，大火煎兩面，讓魚皮香酥。