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...
因為我的 戀家 350 每次賣掉他，流落在外的時候他總是拍不出來，每次都只好換貨給人家，但一回家又順順的，太多奇妙的怪事，於是上次就跟他 約定 了永遠都會把他留在身邊。 既然要留在身邊，我想就繼續拿他來做實驗吧，已經為他換過蛇腹、換過電池座、拆掉電子計時器、前面板為了檢查測光線路其實也已經拆過，想說就來幫他換隻眼睛吧！ 國外已經有文章 ，也有很多同好已經改了，所以不算什麼開創性的實驗。 要準備工具：螺絲起子、擴孔工具（電鑽或刻磨機）、修邊工具（銼刀或砂紙）、不透光貼布 我是按照國外那篇文章的改法，將原來的 114mm 鏡頭改裝成 127mm 鏡頭，由於法蘭的不同，所以鏡頭會改裝在前板的位置。 前面板我是殺了另一台 320 來開孔，手邊實在沒有夠力的工具可以開 350 的金屬前板，只好找塑膠機來做，雖然面板的大小差不多，但螺絲孔的位置完全不一樣，所以根本沒鎖上，只用電火布固定兼補洞防漏光。 然後為了日後可以換鏡，想說把鏡頭的固定環改在前面板處，而不是像國外那篇文章是從後面固定，只是也發現同焦段不同鏡頭所採用的快門組，其後鏡螺口的大小也都不盡相同，所以目前還是只能裝 RodenStock 這顆而已。 最後組裝完成長這樣，旁邊我裝了一支 Vivitar 的 Grip。 實拍了一張，其實我還沒上對焦屏測試就試拍了，理論上應該還可能需要調整一下。 隔天早上又拍了一張，光圈開到 f5.6 了，怎麼好像有一種不用校正一次到位的感覺，運氣蠻好的。