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...
使用相機：Minolta Alpha 707si 使用底片：Fujifilm X-tra 400 沖掃店家：公館五色鳥 好像從來沒試過這台 707si 的偽寬幅，以前覺得這種假的寬幅反正如果需要的話自己裁切就好，不過這卷還是玩了幾張。 Minolta AF 28mm 玩偽寬幅》 Minolta AF 100-200mm》 小情侶，很甜蜜。 然後是跟朋友借了傳說中的 Minolta AF 28-70mm G，850 公克的重量，散步的時候，不管是放在側揹包還是掛在脖子上，真是累人啊，最近對焦距離又需要 85cm，還蠻不順手的，抗耀的部份不曉得是不是因為我忘了把保護鏡拿下來，正對光硬幹的表現有些會衝出意料外的光斑，這可能要把保護鏡拿下來再試試看，但一般的情況下，可以感覺到很濃的顏色，飽和度很高，可能就是一般討論都說這顆顏色表現很好的原因，不過對我這種一直都亂拍的人來說，光是鏡頭的重量就讓我失去不少行動力了，底下就看看這顆評價很好卻被我拍得很爛的鏡頭，真是抱歉了。 Minolta AF 28-70mm G》 師大和麗水公園的阿勃勒 老婆小孩 其他本卷照片： Minolta Alpha 707si vol.9