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：Voigtlander Vitessa T with Color-Skopar 50mm f2.8
使用底片：Fujifilm REALA 100 過期
沖掃店家：羅東阿正
上個禮拜 Kris 來宜蘭帶我們去玩 (這是真的，我覺得他旅遊功課做好足，我都隨便亂晃的)，問我說最近好像比較少拍 135 了喔，其實也不是，只是沒時間拿去洗，好啦其實有些錢先補撕拉去了(掩面)，然後也為了幫阿正老闆省錢，所以想說積久一點再拿去一次給他沖。
順便打個廣告好了，阿正說他要開始提供郵寄沖掃的服務了，五卷以上沖掃完的回郵寄送費用阿正幫你出，135 負片沖加掃 600 萬畫素圖每卷 100 元，請大家告訴大家。
電話：03-9557989，可以打電話問他，揪咪。
這卷是 Yuchen 來宜蘭找我那次拍的，早上先陪他衝了日出，衝完吃完蘇澳一家包子店，也有去內埤，不過這卷裡的內埤是更之前拍的。
下午去了羅東林場。
最後是在路邊看到夕陽，打完收工。
其他本卷照片：Voigtlander Vitessa T vol.4
留言
張貼留言
回應不用錢，請多多益善！懶得寫字按個讚也是相當感謝！