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...
這張照片的拍立得版本已經讓我驚豔不已，也一直期待著正片洗出來的成果。
當這張正片放上燈箱用 LUPE 看的時候，畫面鮮明的就像正站在相機前，數著一二三，然後準備壓下快門的那瞬間。
翻拍？掃描？恐怕都無法表達透過背光投射出來的震憾！那不是記憶中的畫面，而是全然真實甚或超越真實的重現！
驚人！看得出來卻很難描述，光是在螢幕上看到便感覺無比鮮明。
回覆刪除@Yosef Ho，而且這只是手機翻拍，用燈箱看的時候真的很震憾！
回覆刪除Better Drum Scan Real 12,000dpi
回覆刪除http://finest-scan.blogspot.tw/2013/03/finest-scan.html
thanks
回覆刪除