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...
加拿大的 Vijay 利用 Python 的 PIL 抓取了自 1914 至 2012 電影海報上的顏色，做電影海報顏色的分析，日前有了初步的分析結果，所產生的圖表做成按年份連續顯示顏色分佈圖。 (圖片來源： Distribution of colours in movie posters between 1914 and 2012 ) 從這樣的連續分佈圖看起來，很有趣的趨勢是，暖色系變少了，冷調的藍綠色與暗色系增加了。 「藍綠色／橘色」(Teal/Orange) 顏色的偏好也曾 被 Todd Miro 提出來，他是提到好萊塢最近許多大片都患有嚴重的「色彩病毒」，以那兩種顏色為主，但如果從上面這個 Vijay 所做的電影海報歷年分析上看，這恐怕也不是近年來的問題，而應該是色彩與人類視覺的問題了。 我覺得這兩個顏色不就是光和影的顏色嗎？你的膚色，你每天曬的太陽月光，佔地球最大面積的海洋，都是生活中的習慣色吧。 那為什麼冷調的比例變多呢？天氣太熱了吧大概。